یک روش یادگیر عمیق تقویتی برای داده های اینترنت اشیا

با پذیرش روزافزون دستگاه ها، زیرساخت ها و برنامه های کاربردی پشتیبانی دستگاه های اینترنت اشیا (IoT)، طراحی طرح هایی برای تخصیص موثر منابع (مانند شبکه، محاسبات و انرژی) در سیستم های IoT، که عموما به عنوان مسائل بهینه سازی رسمیت می یابند، حیاتی است. با این وجود، از آنجایی که سیستم بسیار پیچیده است، محیط های عملیاتی با زمان متغیر هستند و اطلاعات مورد نیاز ممکن است در دسترس نباشد، استفاده از تکنیک های بهینه سازی سنتی برای حل مسئله تخصیص بهینه منابع دشوار است. برای این منظور، در این مقاله ما یک طرح مبتنی بر شبکه Q عمیق (DQN) برای پرداختن به استفاده از پهنای باند و بهره وری انرژی در یک سیستم IoT پیشنهاد می کنیم. در جزئیات، ما یک مدل DQN را طراحی می کنیم که از دو شبکه عصبی عمیق (DNN) و یک مدل یادگیری Q تشکیل شده است. شبکه DNN ویژگی ها را از ورودی های بسیار ابعادی انتزاع می کند و تابع Q تقریبی را برای مدل یادگیری Q به دست می آورد. بر اساس تابع Q، مدل یادگیری Q می تواند جدول Q و تابع پاداش را ایجاد کند. پس از فرآیند آموزش، مدل DQN می تواند اقدامات مناسب را برای عوامل برای بهبود استفاده از پهنای باند و بهره وری انرژی انتخاب کند. برای ارزیابی طرح پیشنهادی خود، ما از مجموعه داده اینترنت اشیا با نام IoT-۲۳ استفاده می کنیم. سپس مدل DQN را پیاده سازی می کنیم و آزمایش های گسترده ای را برای تایید اثربخشی طرح خود انجام می دهیم. نتایج تجربی ما تایید می کند که طرح ما می تواند هم استفاده از پهنای باند و هم دقت مدل را در مقایسه با سایر طرح های نماینده بهبود بخشد.

کلیدواژه ها:

یادگیری عمیق تقویتی ، داده های اینترنت اشیا ، شبکه های عصبی عمیق ، پهنای باند ، انرژی