基于深度强化学习的机制,以提高EH-WSNs的吞吐量
Zahra Hasani1, Maryam Mahdavimoghadam1, Razieh Mohammadi2
1Department of Electrical Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran.
Scientific reports
|August 3, 2025
概括
收集能源的无线传感器网络 (EH-WSNs) 面临着能源的变化. 深度强化学习 (DRL) 方法提高了节点能量意识和传输,提高了网络吞吐量.
科学领域:
- 无线传感器网络 无线传感器网络
- 收集能源 收集能源
- 人工智能的人工智能
背景情况:
- 收集能源的无线传感器网络 (EH-WSNs) 面临着节点不可预测的能源供应挑战.
- 目前的方法对能量水平进行分辨,导致低于最佳的性能和不准确的状态评估.
- 适应性操作需要不断监控和调整节点能量水平.
研究的目的:
- 建议使用深度强化学习 (DRL) 进行EH-WSN的能量意识传输方法.
- 为了实现基于实时节点能量状态的自适应传输动作选择.
- 克服现有机制中能量水平分密化的局限性.
主要方法:
- 整合Q学习与深度神经网络 (DNN) 进行能量意识控制.
- 开发基于DRL的算法,用于适应性传输动作选择.
- 实时监控单个节点的能量水平和动态调整操作.
主要成果:
- 拟议的DRL方法允许节点根据实时能量状态调整传输动作.
- 与传统方法相比,更好地响应动态网络条件.
- 模拟结果显示,网络吞吐量有11.79%的改善.
结论:
- 基于DRL的控制有效地提高了EH-WSNs的性能和能源效率.
- 基于实时能量状态的自适应传输策略对于EH-WSN运行至关重要.
- 拟议的方法提供了一个更准确和响应的方法来管理EH-WSNs的能量波动.


