MMAug, 2023

约束环境物联网感知的智能通信规划与强化学习

PDF
TL;DR通过多智能体强化学习方法，本论文提出在资源受限条件下，为每个传感器找到最优的通信策略，以实现对环境数据进行准确跟踪，同时充分考虑功率和带宽的限制。实验结果表明，该方法能够在未知带宽限制下，平衡数据收集和预测野火蔓延的需求。
internet of thingsiot sensorsenvironmental monitoringreinforcement learningbandwidth limitations
发现论文，激发创造
  • 工业物联网中的任务卸载的紧急通信协议学习

    使用多智能体强化学习框架，协同学习计算卸载决策和多信道访问策略以及相应的信令，通过采用新兴通信协议学习框架解决了基于期限约束的多智能体计算任务合作执行问题，并实验证明了新兴通信对于提高信道访问成功率和成功计算任务数量的效果，同时所提出的任务卸载策略优于远程和本地计算基准。

    Jan, 2024

  • 完全分布式雾计算负载均衡与多智能体强化学习

    提出了一种使用多智能体强化学习的全分布式负载平衡解决方案，通过智能地分布物联网工作负载，在提供公平资源利用的同时优化等待时间，从而最小化等待时间并改善端到端执行延迟。

    May, 2024

  • 混合信息驱动多智能体强化学习

    利用信息理论模型作为启发式算法来帮助大规模稀疏状态的代理系统寻找高级策略的混合信息驱动多代理强化学习（MARL）方法被提出和研究。通过初步实验结果表明，这一方法可以使代理系统在探索稀疏状态空间方面获得高达三个数量级的有效性提升。

    Feb, 2021

  • 未來無線網路中的多智能體強化學習中的新興通訊

    该论文阐述了 EC-MARL 在未来 6G 无线网络中的重要性，该方法赋予网络实体自主决策能力，解决自动驾驶、机器人导航、飞行基站网络规划和智能城市应用等复杂任务，提供 EC-MARL 算法的概述、设计准则以及研究机会。

    Sep, 2023

  • 资源受限的无线传感器和物联网网络中的协议合成增强学习

    本文探讨了使用强化学习的在线协议合成的概念。 该研究在使用超低复杂度无线收发器的传感器和物联网网络的背景下进行。 该论文介绍了在不同的网络和流量条件下使用 RL 和 Multi Armed Bandit（MAB）（一种特定类型的 RL）来进行介质访问控制（MAC）。 该机制不依赖于载波感知、网络时间同步、碰撞检测和其他低级复杂操作，因此非常适合资源受限的传感器和物联网网络中使用的超简单收发器硬件。

    Jan, 2023

  • 自主机器人森林化的动态协同多智能体强化学习通信

    本研究利用多智能体强化学习（MARL）的方法，结合使用自主无人机和图神经网络的通信机制，实现了高效率的森林植树方案，并且实验结果证实，与没有通信机制的多智能体方案相比，通过通信机制能够促进智能体间的合作，提高种植地区的准确性，增加植树数量，降低风险，表现出更好的效果。

    Nov, 2022

  • 具有新兴通讯的网络多智能体强化学习

    本研究使用紧密联系的智能体通过互相交流离散符号彼此合作完成任务。通过分析他们之间的交流，证明了他们发展的语言与网络拓扑有关，并在交通控制器问题上实现了最先进的性能。

    Apr, 2020

  • 自适应分布式强化学习的多目标优化

    提出了一个高学习效率、计算要求低的多目标、多智能体强化学习算法，适用于动态、分布式和嘈杂环境，通过稀疏和延迟奖励自动触发自适应的少样本学习，在智能交通系统中经过实证研究和与现有算法的比较，取得了更好的性能。

    Mar, 2024

  • 基于图形的多智能体强化学习的协同信息传播学习

    利用多智能体强化学习的分散式 POMDP 方法，通过图卷积强化学习和动态注意力技术实现信息传播，提供了可靠的协作信息传播解决方案。

    Aug, 2023

  • 限带宽下的多智能体通信学习 —— 基于互联网数据包路由的应用

    本研究提出了一种门控机制来自适应地剪枝无用消息，使得在多智能体通信时，性能得到显著提升，同时在真实世界中的数据包路由任务和四个基准测试任务中，比现有的基于深度强化学习和基于规则的方法都表现良好。

    Feb, 2019