文献

J-GLOBAL ID：202202218434027024   整理番号：22A0398579

車両アドホックネットワークにおける放送のための新しい深層強化学習ベースの中継選択【JST・京大機械翻訳】

A Novel Deep Reinforcement Learning Based Relay Selection for Broadcasting in Vehicular Ad Hoc Networks

著者 (2件)： Mchergui Abir (Department of Computer Science, ISG, Gabes University, Gabes, Tunisia) ,  Moulahi Tarek (Department of Information Technology, College of Computer, Qassim University, Buraydah, Saudi Arabia)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 112-121  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： VANET(車両アドホックネットワーク)は世界最大のネットワークの中で考えられている。これらのネットワークは,インフォテインメントアプリケーション,安全サービス,ドライバ支援,および需要に関するビデオさえも,複数のサービスを提供する。一方では,VANETsは,都市状況において変化するそれらのランダムトポロジーと動的挙動によって特徴づけて,それは道路において高度に変化した。一方,拡散情報は複数のサービスを配信する基本的タスクである。したがって,放送タスクは挑戦的な問題であり,より多くの調査を必要とする。実際,このタスクを達成するためには,人工知能と学習ベースコンピューティングはVANETの動的挙動に最も良く適合する最も適切なオプションの1つであると思われる。したがって,本論文では,強化学習法に基づく放送タスクを実行するための,新しいハイブリッド中継選択手法を提案した。著者らの提案は,最初に,転送ノードを選択するために適用される人工ニューラルネットワークベースの分類と第2フェーズにおいて,第1の分類を洗練するための強化ツールとしてViterbiアルゴリズムを適用した。著者らの貢献の性能を測定するために,著者らは様々な交通密度を有するグリッドマップシナリオを採用した。その後,成功率,データ損失,保存再放送,遅延などの異なるパラメータに基づく文献における他の方法とシミュレーション結果を解析し,比較した。強化学習と深い学習を組み合わせた提案技法は,新しい解決策が成功率を16%増加させ,節約された再放送を20%まで増加させ,遅延を23%削減するという結果に基づく他の最近提案されたブロードキャスト方式より優れていることを結論づけた。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  シミュレーション ,  *学習 ,  *ネットワーク ,  *放送 ,  道路 ,  ニューラルネットワーク ,  都市 ,  交通密度 ,  人工知能 ,  録画装置 ,  応用プログラム ,  *強化学習
準シソーラス用語： 成功率 ,  *VANET , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  計算機網  (JC03000K)

タイトルに関連する用語 (4件)： 車両アドホックネットワーク ,  放送 ,  深層強化学習 ,  中継選択