.png){kind=icon}
返回
An adaptive coverage method for dynamic wireless sensor network deployment using deep reinforcement learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-16031-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
覆盖优化是无线传感器网络（WSNs）中的基础性挑战，对监测保真度和整体网络效能具有关键影响。受限于传感器节点的有限能量预算，在维持足够覆盖的前提下最大化网络寿命已成为研究重点。传统部署方法在复杂地形和动态运行环境中常难以奏效，难以在覆盖质量和能效之间取得最佳平衡。为缓解这些固有局限性，本文提出了一种基于深度强化学习（ACDRL）的自适应覆盖感知部署策略——该策略通过深度强化学习范式实现WSNs中智能、自优化的节点放置。我们提出的框架构建了一个融合多目标奖励机制和分层状态表示的复杂深度强化学习架构，创新性地解决了覆盖优化与能量平衡在复杂场景下的双重困境。广泛的仿真结果表明，ACDRL在保持更优覆盖率、显著延长网络运行寿命以及在密集部署场景中展现增强的适应性方面，持续优于现有最先进方法。
Keyword:
Coverage optimization
Wireless sensor networks
Deep reinforcement learning
High-density deployment
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
分享收藏Wireless Communications with Unmanned Aerial Vehicles: Opportunities and Challenges无人机无线通信: 机遇与挑战
OAAI
OAAI分享收藏分享收藏
查看更多内容