在无线传感器网络 (WSN) 中使用混合生物启发的强化学习方法进行能源优化调度

科学领域:

• 计算机科学 计算机科学
• 电气工程 电气工程
• 网络工程 网络工程

背景情况:

• 智能基础设施管理从实时环境跟踪和网络物理数据处理中受益.
• 与物联网 (IoT) 集成的无线传感器网络 (WSN) 对这些进步至关重要.
• 由于有限的能量,敌对的环境和动态拓,WSN调度面临着挑战,现有的算法,如模拟和人工蜂群,表现不佳.

研究的目的:

• 引入RL-HAPSO,一种用于优化WSN调度的新型混合方法.
• 为了解决传统算法的局限性,在能量受限和动态的WSN环境中.
• 为了提高能源效率,覆盖范围,故障耐受性和WSN调度中的适应性.

主要方法:

• RL-HAPSO方法整合了殖民地优化 (ACO) 以节能节能的节点选择.
• 粒子集群优化 (PSO) 用于增强覆盖范围并最大限度地减少冗余.
• 强化学习 (RL) 基于实时网络状态动态选择激活时间表.

主要成果:

• 与单个算法和非RL混合模型相比,RL-HAPSO展示了优越的优化成本,实现了增强的故障耐受性,覆盖范围和最小的能耗.
• 该系统在性能变化时表现出强大的行为和自动调整,包括节点故障和环境变化.
• 执行时间在微秒间隔内,表明处理效率高.

结论:

• 拟议的RL-HAPSO方法为未来物联网应用中的资源意识和智能WSN调度提供了一种可行的和强大的方法.
• RL-HAPSO的适应能力确保即使在具有挑战性的网络条件下,也能保持一致的性能.
• 这种混合方法有效地平衡了能源效率,网络覆盖率和运营可靠性.