論文の概要: A Q-learning-based QoS-aware multipath routing protocol in IoMT-based wireless body area network

• arxiv url: http://arxiv.org/abs/2604.15489v1
• Date: Thu, 16 Apr 2026 19:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.635156
• Title: A Q-learning-based QoS-aware multipath routing protocol in IoMT-based wireless body area network
• Title（参考訳）: IoMTを用いた無線ボディエリアネットワークにおけるQoS対応マルチパスルーティングプロトコル
• Authors: Mehdi Hosseinzadeh, Roohallah Alizadehsani, Amin Beheshti, Hamid Alinejad-Roknyd, Lu Chen, Mohammad Sadegh Yousefpoor, Efat Yousefpoor, Muneera Altayeb, Thantrira Porntaveetus, Sadia Din,
• Abstract要約: Internet of Medical Things (IoMT)はインテリジェントな医療サービスを実現するが、動的トポロジ、制約、多様な要件といった課題に直面している。 本稿では,Qラーニングに基づくWBANのためのマルチパスルーティング手法QQMRを提案する。
• 参考スコア（独自算出の注目度）: 13.438539396442446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of Medical Things (IoMT) enables intelligent healthcare services but faces challenges such as dynamic topology, energy constraints, and diverse QoS requirements. This paper proposes QQMR, a Q-learning-based QoS-aware multipath routing method for WBANs. QQMR classifies data into three priority levels and employs adaptive multi-level queuing and fuzzy C-means clustering to optimize routing decisions. It maintains separate learning policies for each data type and selects primary and backup paths accordingly. Experimental results demonstrate improved packet delivery ratio and significant reductions in delay, routing overhead, and energy consumption compared to existing methods.
• Abstract（参考訳）: Internet of Medical Things (IoMT)はインテリジェントな医療サービスを実現するが、動的トポロジ、エネルギー制約、多様なQoS要件といった課題に直面している。 本稿では,WBANのためのQoS対応マルチパスルーティング手法QQMRを提案する。 QQMRはデータを3つの優先度レベルに分類し、ルーティング決定を最適化するために適応型マルチレベルキューイングとファジィC平均クラスタリングを採用する。 データタイプ毎に個別の学習ポリシーを維持し、プライマリパスとバックアップパスを選択する。 実験の結果,従来の方法に比べてパケット送出比が向上し,遅延,ルーティングオーバーヘッド,エネルギー消費が大幅に削減された。

関連論文リスト

• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• QoS-Aware Dynamic CU Selection in O-RAN with Graph-Based Reinforcement Learning [1.0732935873226022]
  Open Radio Access Network (O RAN)は、従来のRANを相互運用可能なコンポーネントに分解し、柔軟なリソース割り当て、省エネ、アジャイルアーキテクチャ設計を可能にする。 固定写像を緩和し, 動的サービス機能チェーン (SFC) をオンザフライOCU選択で提供することにより, 制限に対処する。 我々はこの問題をマルコフ決定プロセスとして定式化し、GRLDyP、すなわちグラフニューラルネットワーク(GNN)による深部強化学習(DRL)を用いて解決する。 提案エージェントは,入ってくる各サービスフローの経路とO-CU位置を共同で選択し,ネットワークエネルギーを最小化する。
  論文  参考訳（メタデータ） (2025-11-21T16:10:28Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• Resource Management and Circuit Scheduling for Distributed Quantum Computing Interconnect Networks [5.239117416189216]
  分散量子コンピューティング(DQC)は、モノリシック量子プロセッサのスケーラビリティ制限を克服するための有望なアプローチとして登場した。 本稿では,そのような環境下での資源管理と回路スケジューリングについて述べる。 混合整数線形計画法(MILP)に基づく回路スケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-19T11:39:46Z)
• Improved Q-learning based Multi-hop Routing for UAV-Assisted Communication [4.799822253865053]
  本稿では,Q-Learning-based Multi-hop Routing (IQMR) アルゴリズムを提案する。 ルーティング決定にQ(lambda)学習を用いることで、IQMRはエネルギー効率とネットワークデータのスループットを大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-17T06:24:31Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• DeepCQ+: Robust and Scalable Routing with Multi-Agent Deep Reinforcement Learning for Highly Dynamic Networks [2.819857535390181]
  DeepCQ+ルーティングプロトコルは、新しいマルチエージェントディープ強化学習(MADRL)技術を既存のQラーニングベースのルーティングプロトコルに統合する。 大規模なシミュレーションにより、DeepCQ+は、オーバーヘッドを小さくして、エンドツーエンドのスループットを著しく向上させることが示された。 DeepCQ+は、トレーニングされていない多くのシナリオにおいて、非常に類似したパフォーマンス向上を維持している。
  論文  参考訳（メタデータ） (2021-11-29T23:05:49Z)
• Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
  絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。 量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
  論文  参考訳（メタデータ） (2021-11-15T14:07:22Z)
• Throughput and Latency in the Distributed Q-Learning Random Access mMTC Networks [0.0]
  mMTCモードでは、何千ものデバイスがスポラジカルにネットワークリソースにアクセスしようとするため、ランダムアクセス(RA)の問題が重要である。 本研究では,送信するパケット数がより多いデバイスを優先する中央ノードから報酬を変動させることにより,分散パケットベースの学習手法を提案する。 計算結果から,分散パケットベースのQ-ラーニング手法は,従来の独立・協調手法よりもスループット・レイテンシのトレードオフがはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2021-10-30T17:57:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。