Optimización de energía potenciada por DQN para redes de comunicación con alimentación inalámbrica | JoVE Visualize

Área de la Ciencia:

Redes de comunicación inalámbrica
Internet de las Cosas (IoT)
Sistemas de energía sostenible

Sus antecedentes:

Las Redes de Comunicación con Alimentación Inalámbrica (WPCN) son cruciales para alimentar dispositivos de Internet de las Cosas (IoT).
Los modelos existentes de recolección de energía en WPCN a menudo utilizan aproximaciones lineales, lo que genera imprecisiones debido a la saturación no lineal de la conversión de Radio Frecuencia a Corriente Continua (RF-DC).
La gestión dinámica de recursos es esencial para optimizar el rendimiento y la longevidad en WPCN.

Objetivo del estudio:

Proponer un esquema de gestión colaborativa de recursos dinámicos potenciado por Redes Q Profundas (DQN) para WPCN.
Abordar las limitaciones de los modelos lineales tradicionales de recolección de energía mediante la incorporación de un modelo de recolección no lineal por tramos.
Maximizar la utilidad de la red equilibrando la eficiencia energética y la equidad utilizando un marco de Proceso de Decisión de Markov (MDP).

Principales métodos:

Formulación de un problema de asignación multiobjetivo dentro de un marco de Proceso de Decisión de Markov (MDP).
Empleo de un modelo de recolección de energía no lineal por tramos para capturar con precisión los efectos de la conversión de Radio Frecuencia a Corriente Continua (RF-DC).
Integración de la Regresión de Procesos Gaussianos (GPR) para la predicción de la recolección de energía dentro de un sistema de optimización en bucle cerrado.
Pruebas teóricas de convergencia para Q-learning y análisis de estabilidad de Lyapunov para errores de cola de energía.

Principales resultados:

Vida útil de la red extendida en un 56,4% (117 a 183 rondas).
Reducción de la desviación estándar de la asignación de energía en un 56,8% (23,7 mJ a 12,3 mJ).
Mejora de la velocidad de convergencia en un 53,1% (150 frente a 320 episodios) y adaptabilidad dinámica en un 66,7% (5 frente a 15 rondas).
Aumento del rendimiento de la red en un 33,33% (80 frente a 60 Mbps).

Conclusiones:

El esquema propuesto potenciado por DQN mejora significativamente el rendimiento y la sostenibilidad de WPCN.
El modelo de recolección no lineal y el marco MDP proporcionan un enfoque más preciso y eficiente para la gestión de recursos.
Los hallazgos respaldan la implementación a gran escala de WPCN para futuras aplicaciones de IoT.