基于强化学习方法的地下 LoRaWAN 能效优化：一种直连卫星场景
信息论
2023-11-06 v1 人工智能
机器学习
网络与互联网体系结构
math.IT
摘要
地下 LoRaWAN 与非地面网络（NTN）的融合在偏远农业与灾害救援中带来显著经济与社会效益。LoRa 调制利用准正交扩频因子（SFs）优化数据速率、空口时间、覆盖与能耗。然而，在大规模地下 LoRaWAN NTN 中，为最小化同 SF 干扰而有效分配 SFs 给终端设备仍具挑战。为此，我们研究了一种基于强化学习（RL）的 SFs 分配方案以优化系统能效（EE）。为高效捕获密集网络中的设备—环境交互，我们提出了一种基于解析奖励机制、使用多智能体对决双重深度 Q 网络（MAD3QN）与多智能体优势 actor-critic（MAA2C）算法的 SFs 分配技术。我们所提基于 RL 的 SFs 分配方法在极端地下直连卫星场景中相比四种基准展现出更优性能。值得注意的是，MAD3QN 在收敛速率与 EE 方面显示出超越 MAA2C 的潜力。
引用
@article{arxiv.2311.01743,
title = {Energy Efficiency Optimization for Subterranean LoRaWAN Using A Reinforcement Learning Approach: A Direct-to-Satellite Scenario},
author = {Kaiqiang Lin and Muhammad Asad Ullah and Hirley Alves and Konstantin Mikhaylov and Tong Hao},
journal= {arXiv preprint arXiv:2311.01743},
year = {2023}
}
备注
5 pages, 6 figures, paper accepted for publication in IEEE Wireless Communications Letters