基于深度强化学习的飞行 LoRa 网关能效优化
网络与互联网体系结构
2023-12-05 v2 信号处理
摘要
资源受限的无人机（UAV）可用作飞行 LoRa 网关（GW），在目标区域内移动以实现高效数据采集与 LoRa 资源管理。本工作中，我们提出深度强化学习（DRL）来优化由 LoRa 终端设备（EDs）与飞行 GW 组成的无线 LoRa 网络中的能效（EE），以延长网络寿命。训练后的 DRL 智能体可在考虑空对地无线链路与 SF 可用性的同时，高效地为 EDs 分配扩频因子（SFs）与发射功率（TPs）。此外，我们允许飞行 GW 在机上调整其最优策略并执行在线资源分配，这是通过采用缩减动作空间重新训练 DRL 智能体来实现的。仿真结果表明，我们提出的基于 DRL 的在线资源分配方案相较于三种基准方案能在 LoRa 网络中实现更高的能效。
引用
@article{arxiv.2302.05214,
title = {Deep Reinforcement Learning-based Energy Efficiency Optimization For Flying LoRa Gateways},
author = {Mohammed Jouhari and Khalil Ibrahimi and Jalel Ben Othman and El Mehdi Amhoud},
journal= {arXiv preprint arXiv:2302.05214},
year = {2023}
}