HGFF：用于无线传感网络生命周期最大化的深度强化学习框架
网络与互联网体系结构
2024-07-11 v1 人工智能
摘要
规划无线传感网络中汇集节点的运动以最大化网络生命周期是一项极具研究挑战和实际价值的问题。许多现有的移动汇集技术基于数学规划或启发式方法已展示了该任务的可行性。然而，这些方法的计算消耗巨大，或过度依赖人类知识，导致相对较低的性能。为平衡高质量解决方案与最小化推理时间之间的需求，我们提出了一种新框架，将异构图神经网络与深度强化学习结合，用于自动构建汇集节点的运动路径。将无线传感网络建模为异构图，我们利用图神经网络通过聚合邻近节点的特征并提取层次化图特征来学习节点和传感器的表示。同时，借助多头注意力机制，使汇集节点能够注意来自传感器节点的信息，从而显著提高学习模型的表达能力。基于节点表示，学习一个贪心策略，逐步添加解决方案中下一个最佳节点。我们设计了十种静态和动态地图来模拟现实世界中的不同无线传感网络，并进行大量实验进行评估和分析。实验结果表明，我们的方法在所有类型的地图上始终优于现有方法。
引用
@article{arxiv.2407.07747,
title = {HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks},
author = {Xiaoxu Han and Xin Mu and Jinghui Zhong},
journal= {arXiv preprint arXiv:2407.07747},
year = {2024}
}
备注
Preprint. Under review