信息时效性与传输成本的学习增强在线最小化

我们考虑一个离散时间系统，其中资源受限的信源（例如小型传感器）通过时变无线信道将其时间敏感数据传输到目的地。每次传输会产生固定的传输成本（例如能量成本），而不传输则会导致由信息时效性 (Age-of-Information) 表示的陈旧成本。信源必须在传输成本和陈旧成本之间取得平衡。为应对这一挑战，我们开发了一种鲁棒的在线算法以最小化传输成本与陈旧成本之和，并确保最坏情况下的性能保证。虽然在线算法具有鲁棒性，但它们通常过于保守，可能在典型场景中平均性能较差。相比之下，通过利用历史数据和预测模型，机器学习 (ML) 算法在平均情况下表现良好，但通常缺乏最坏情况下的性能保证。为了兼得两者之长，我们设计了一种学习增强的在线算法，该算法展现出两个理想特性：(i) 一致性：当 ML 预测准确且可信时，紧密逼近最优离线算法；(ii) 鲁棒性：即使 ML 预测不准确，也能确保最坏情况下的性能保证。最后，我们进行了广泛的仿真，表明我们的在线算法在实证中表现良好，且我们的学习增强算法同时实现了一致性和鲁棒性。