基于注意力机制的多智能体强化学习提升 LoRa 网络能效
人工智能
2023-09-19 v1 机器学习
多智能体系统
摘要
长距离（LoRa）无线技术以低功耗和长通信距离为特征，被视为工业物联网（IIoT）的赋能技术之一。然而，随着网络规模增大，由于严重的包冲突，LoRa 网络的能效（EE）急剧下降。为解决该问题，必须为每个终端设备（ED）合理分配扩频因子和发射功率等传输参数。但是，由于 LoRa 网络业务稀疏且占空比低，在不同参数设置下评估系统 EE 性能十分耗时。因此，我们首先建立解析模型以计算系统 EE。在此基础上，我们提出一种基于多智能体强化学习的传输参数分配算法（MALoRa），旨在最大化 LoRa 网络的系统 EE。值得注意的是，MALoRa 采用注意力机制来引导每个 ED 更好地学习在提升系统 EE 时，应对相关 ED 的参数分配给予多少“关注”。仿真结果表明，与基线算法相比，MALoRa 在包投递率（PDR）可接受退化的情况下显著提升了系统 EE。
引用
@article{arxiv.2309.08965,
title = {Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks},
author = {Xu Zhang and Ziqi Lin and Shimin Gong and Bo Gu and Dusit Niyato},
journal= {arXiv preprint arXiv:2309.08965},
year = {2023}
}
备注
6 pages, 3 figures, This paper has been accepted for publication in IEEE Global Communications Conference (GLOBECOM) 2023