增强的反复注意深度Q学习,具有最佳节点约束和有效的基于惩罚的模型,用于无线传感器网络上的数据传输调度
D R Anita Sofia Liz1, Yesubai Rubavathi C2
1CSE, New Prince Shri Bhavani College of Engineering and Technology, Chennai, Tamil Nadu, India.
PeerJ. Computer science
|September 24, 2025
概括
本研究介绍了无线传感器网络 (WSN) 的反复注意深度Q学习 (RA-DQL),显著改善了数据传输调度. 该方法提高了可靠性和效率,同时降低了70%的能源消耗.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 有效的数据传输调度对于无线传感器网络 (WSN) 的性能和资源优化至关重要.
- 现有的调度方法经常与动态条件,能源效率和网络干扰作斗争.
研究的目的:
- 为WSNs提出一种新的调度方法,即以最佳节点约束和有效惩罚 (RA-DQL-ONC&EP) 进行反复注意深度Q学习.
- 通过动态考虑能源消耗和网络干扰来增强数据传输调度.
主要方法:
- RA-DQL-ONC&EP算法集成了基于惩罚的模型,最佳节点约束和反复注意力技术.
- 执行数据传输任务的动态调度,优化能源效率和可靠性.
主要成果:
- 拟议的RA-DQL-ONC&EP实现了91.21%的可靠数据传输成功率.
- 与其他车型相比,实现了1.99%的低延迟率,并证明了70%的显著节能.
- 吞吐量分析显示,72%的吞吐量超过1000个时间步骤,表明高效率.
结论:
- RA-DQL-ONC&EP是改善WSN数据传输调度的一个有希望的方法,提供了更高的可靠性,效率和节能.
- 优化的调度支持环境监测,医疗保健和智能城市等关键应用程序,为社会福祉做出贡献.
- 该算法的效率促进了成本节约和资源节约,使其成为WSN管理的社会负责任选择.