شماره ركورد
11935
عنوان
بررسي رويكردهاي مبتني بر يادگيري تقويتي براي بهينهسازي آگاه از ديرينگي اطلاعات (AoI) در شبكههاي بيسيم
سال تحصيل
1400
استاد راهنما
دكتر وصال حكمي
چکيده
امروزه با پيشرفت علم و تكنولوژي نياز به داشتن اطلاعات بهروز، امري حياتي تلقي ميشود به طوريكه هرچه سن يك داده اطلاعاتي كمتر باشد، آن داده تازهتر، كاربردي تر و دقيقتر خواهد بود. سيستمهاي اينترنت اشيا، شبكههاي بيسيم نسل جديد، پهپادها و سيستمهاي كنترل از راه دور و ... نمونههايي از سيستمها و برنامههايي هستند كه به نظارت در زمان واقعي و تحويل اطلاعات محدود با تأخير كم نياز دارند. يكي از مسائل اصلي كه اخيراً در راستاي به روز بودن اطلاعات مورد توجه قرار گرفته است مبحث ديرينگي اطلاعات (AoI) است. معيار هاي متفاوتي آگاه از ديرينگي از اطلاعات تعريف ميشود از جمله اين معيارها ميانگين زماني ديرينگي، بيشينه ديرينگي و تابع جريمه ديرينگي ميباشند. يكي از اصليترين چالشهاي مبحث ديرينگي اطلاعات، بهينهسازي و كاهش AoI و افزايش دقت و صحت تصميم گيري در بخشهاي متخلف ميباشد. با توجه به ماهيت تصادفي ديرينگي اطلاعات، استفاده از روشهاي بهينهسازي تصادفي در سالهاي اخير توجههاي زيادي را به اين حوزه و معيارهاي آن جلب كرده است. در سالهاي اخير روشهاي مرسوم بهينهسازي معيارهاي مبتني بر متوسط را بهينه ميكنند. بنابراين روش مناسبي براي بهينهسازي معيارهاي مبتني بر متوسط آگاه از ديرينگي ميباشد. اين الگوريتمها جهت بهبود AoI در پهپادها و شبكههاي بيسيم و ... استفاده شده است و كاربردي بودن اين الگوريتمها جهت بهينه سازي AoI و معيارهاي آن مورد تاييد قرار گرفته است. در نظر است كه در پژوهشهاي آتي الگوريتمهاي مبتني بر يادگيري تقويتي آگاه از معيار ريسك جهت بهبود ديرينگي اطلاعات در شبكههاي نسل جديد مورد بررسي قرار بگيرد و بهترين الگوريتم جهت بهينهسازي معرفي گردد.
نام دانشجو
سينا اسمعيلي
تاريخ ارائه
5/10/2023 12:00:00 AM
متن كامل
78661
پديد آورنده
سينا اسمعيلي
تاريخ ورود اطلاعات
1402/02/21
عنوان به انگليسي
evaluation of reinforcing learning-based approaches for optimizing age of information (AoI) in wireless networks
كليدواژه هاي فارسي
بهينهسازي تصادفي , يادگيري تقويتي عميق , يادگيري تقويتي , ديرينگي اطلاعات , ريسك
كليدواژه هاي لاتين
Age of Information , Stochastic optimisation , Reinforcement learning , Deep Reinforcement learning , Risk