مقاله انگلیسی رایگان در مورد تلفیق هوش مصنوعی و یک عامل متحرک برای کنترل ترافیک با انرژی کارآمد در شبکه های حسگر – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله عامل مصنوعی: تلفیق هوش مصنوعی و یک عامل متحرک برای کنترل ترافیک با انرژی کارآمد در شبکه های حسگر بی سیم
عنوان انگلیسی مقاله Artificial agent: The fusion of artificial intelligence and a mobile agent for energy-efficient traffic control in wireless sensor networks
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۲۴ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۰۰۷ در سال ۲۰۱۸
شاخص H_index ۹۳ در سال ۲۰۱۹
شاخص SJR ۰٫۸۳۵ در سال ۲۰۱۸
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط هوش مصنوعی، شبکه های کامپیوتری، الگوریتم ها و محاسبات، مهندسی نرم افزار
نوع ارائه مقاله
ژورنال
مجله  سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
دانشگاه School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, China
کلمات کلیدی شبکه های حسگر بی سیم، Actor-Critic، عامل متحرک، یادگیری تقویتی
کلمات کلیدی انگلیسی Actor-Critic، WSNs، Mobile agent، Reinforcement learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2018.12.024
کد محصول E11548
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Related work

۳- Architecture and the design of an artificial agent for WSNs

۴- Artificial agent energy-efficient traffic control in WSNs

۵- Experiments and performance evaluation

۶- Conclusion

References

 

بخشی از متن مقاله:

Abstract

Applications of wireless sensor networks are blooming for attacking some limits of social development, among which energy consumption and communication latency are fatal. Effective communication traffic control and management is a potential solution, so we propose a novel traffic-control system based on deep reinforcement learning, which regards traffic control as a strategy-learning process, to minimize energy consumption. Our algorithm utilizes deep neural network for learning, inputs the state of wireless sensor network as well as outputs the optimal route path. The simulation experiments demonstrate that our algorithm is feasible to control traffic in wireless sensor network and can reduce the energy consumption.

Introduction

Nowadays, with the rapid development of the Internet of Things (IoTs) technology, wireless sensor networks (WSNs), as the core component of the IoT sensing layer, have been widely applied in a variety of field [1][2]. Sensor-network technology is able to integrate many technologies, such as computers, communications, and microelectronics [3], consisting of a set of unique or heterogeneous sensors distributed in different geographical regions. It concurrently monitors the physical or environmental conditions (such as temperature, pressure, motion and pollution) through the wireless channel, and transfers the data collected to the central server to form an autonomous network, realizing the dynamic intelligent collaborative perception of the physical world. At present, it has been widely used in intelligent furniture, logistics management, health supervision, flow monitoring and other fields. Compared with a traditional wireless network, the sensor network is characterized by a large number of nodes, limited computing and storage capacity, limited power capacity, and limited communication capability [4]. Most datacollection sensor nodes are powered by batteries, which are usually deployed for life because of the poor working environment. Thus, the main challenge in the design of protocols for WSNs is energy efficiency [5][6], due to the limited amount of energy in the sensor nodes. One of the most important parts when we apply deep reinforcement learning to WSNs is the energy in the WSNs.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *