基于强化学习的能量收集传感器规模配置

随着物联网（IoT）的出现，越来越多能量收集方法被用于补充或取代基于电池的传感器。能量收集传感器需要根据应用、硬件和环境条件进行配置以最大化其效用。迄今为止，传感器配置要么是手动的，要么基于启发式，需要宝贵的领域专业知识。强化学习（RL）是自动化配置并有效扩展物联网部署的一种有前景的方法，但尚未在实践中采用。我们提出缩小这一差距的解决方案：减少 RL 的训练阶段，使节点在部署后短时间内可运行，并降低计算需求以扩展到大型部署。我们聚焦于基于室内太阳能板的能量收集传感器的采样率配置。我们基于从 5 个传感器节点收集、经历不同光照条件的 3 个月数据创建了模拟器。模拟结果表明，RL 能有效学习能量可用性模式并配置传感器节点采样率，以最大化感知数据同时确保能量存储不被耗尽。使用我们的方法，节点可在第一天内部署运行。我们展示通过使用单一策略服务于具有相似光照条件的节点，可减少 RL 策略数量。