دانلود مقاله انگلیسی رایگان:تخصیص منابع در شبکه های گام کانال با شکاف زمانی (TSCH) بر اساس یادگیری تقویت گرادیان خط مشی فازی - 2022
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2
دانلود مقاله انگلیسی اینترنت اشیاء رایگان
  • Resource Allocation in Time Slotted Channel Hopping (TSCH) Networks Based on Phasic Policy Gradient Reinforcement Learning Resource Allocation in Time Slotted Channel Hopping (TSCH) Networks Based on Phasic Policy Gradient Reinforcement Learning
    Resource Allocation in Time Slotted Channel Hopping (TSCH) Networks Based on Phasic Policy Gradient Reinforcement Learning

    دسته بندی:

    اینترنت اشیاء - Internet of Things


    سال انتشار:

    2022


    عنوان انگلیسی مقاله:

    Resource Allocation in Time Slotted Channel Hopping (TSCH) Networks Based on Phasic Policy Gradient Reinforcement Learning


    ترجمه فارسی عنوان مقاله:

    تخصیص منابع در شبکه های گام کانال با شکاف زمانی (TSCH) بر اساس یادگیری تقویت گرادیان خط مشی فازی


    منبع:

    ScienceDirect- Elsevier- Internet of Things, 19 (2022) 100522: doi:10:1016/j:iot:2022:100522


    نویسنده:

    Lokesh Bommisetty


    چکیده انگلیسی:

    The concept of the Industrial Internet of Things (IIoT) is gaining prominence due to its lowcost solutions and improved productivity of manufacturing processes. To address the ultra-high reliability and ultra-low power communication requirements of IIoT networks, Time Slotted Channel Hopping (TSCH) behavioral mode has been introduced in IEEE 802.15.4e standard. Scheduling the packet transmissions in IIoT networks is a difficult task owing to the limited resources and dynamic topology. In IEEE 802.15.4e TSCH, the design of the schedule is open to implementation. In this paper, we propose a phasic policy gradient (PPG) based TSCH schedule learning algorithm. We construct the utility function that accounts for the throughput, and energy efficiency of the TSCH network. The proposed PPG based scheduling algorithm overcomes the drawbacks of totally distributed and totally centralized deep reinforcement learning-based scheduling algorithms by employing the actor–critic policy gradient method that learns the scheduling algorithm in two phases, namely policy phase and auxiliary phase. In this method, we show that the schedule converges quickly compared to any other actor–critic method and also improves the system throughput performance by 58% compared to the minimal scheduling function, a default TSCH schedule.
    Keywords: Industrial internet of things | IEEE 802.15.4e | Time slotted channel hopping | Deep reinforcement learning | Actor–critic policy gradient methods | Phasic policy gradient


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 2000 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 809 :::::::: بازدید دیروز: 9785 :::::::: بازدید کل: 24727 :::::::: افراد آنلاین: 12