灾害场景下基于MADRL的信息收集无人机部署与节点能效优化

灾害场景下,对灾区内第一手重要信息的及时、可靠收集是灾害预警研究、灾区救援工作开展的关键。无人机是与灾区内部建立应急通信网络的高效辅助工具。通过对现有研究中应急场景下无人机的部署方法进行调查,指出了无人机部署时对节点能效考虑不充分的问题。由于地面传感器节点位于灾区内部,环境恶劣且极为被动,所以结合灾害场景,首次以提高地面节点能效为优化目标,基于深度强化学习方法,在DDQN网络模型基础上,通过自定义经验回放优先级、合理设计奖励函数和采用完全去中心化训练方式,解决该特定场景下用于信息收集无人机的自适应部署问题。仿真结果表明,所提算法的节点能源效率比DDQN基准算法提高21%,训练速度相比DDPG、A3C算法分别提升42%和34%。

灾害应急场景下基于多智能体深度强化学习的任务卸载策略

针对传统深度强化学习(deep reinforcement learning, DRL)中收敛速度缓慢、经验重放组利用率低的问题,提出了灾害应急场景下基于多智能体深度强化学习(MADRL)的任务卸载策略。首先,针对MEC网络环境随时隙变化且当灾害发生时传感器数据多跳的问题,建立了灾害应急场景下基于MADRL的任务卸载模型;然后,针对传统DRL由高维动作空间导致的收敛缓慢问题,利用自适应差分进化算法(ADE)的变异和交叉操作探索动作空间,提出了自适应参数调整策略调整ADE的迭代次数,避免DRL在训练初期对动作空间的大量无用探索;最后,为进一步提高传统DRL经验重放组中的数据利用率,加入优先级经验重放技术,加速网络训练过程。仿真结果表明,ADE-DDPG算法相比改进的深度确定性策略梯度网络(deep deterministic policy gradient, DDPG)节约了35%的整体开销,验证了ADE-DDPG在性能上的有效性。

基于无线方式的家庭用电检测系统设计

随着人们生活水平的不断提高,电能节约已经成为当代社会研究的重要话题。该设计以智能家居用电系统的检测和监控为研究对象,基于Android Studio开发平台设计一个电量检测的嵌入式系统。该系统的主要组成有电量采集终端和手机App的数据显示。电量检测以STM32F103VET6为主控芯片,结合电量传感器进行数据采集。数据传输通过Esp8266模块所组成的局域网,实现对家庭用电的电压、电流、有功功率以及功率因数的传输。手机App基于Android Studio软件平台,采用Java语言开发,设计出一款能够显示采集信息以及发出控制指令的的手机应用软件。该软件能够通过Wi-Fi实现检测信息的无线传输与实时显示。因此,通过软硬件的结合可以实现家庭用电信息的实时检测。