Key points are not available for this paper at this time.
In diesem Papier wird ein Problem des lebenslangen Lernens für ein Internet der Dinge (IoT)-System untersucht. Im betrachteten Modell zielt jedes IoT-Gerät darauf ab, den Kompromiss zwischen Aktualität der Informationen und Energieverbrauch zu optimieren, indem es seine Rechenressourcenzuteilung in jedem Zeitfenster unter dynamischen Bedingungen steuert. Eine unbemannte Luftfahrzeug (UAV) wird als fliegende Basisstation eingesetzt, um den IoT-Geräten zu ermöglichen, sich an neuartige Umgebungen anzupassen. Zu diesem Zweck wird ein neuer Algorithmus für lebenslanges verstärkendes Lernen vorgeschlagen, der von der UAV verwendet wird, um den Betrieb der Geräte bei jedem Besuch der UAV anzupassen. Anhand der Erfahrungen von zuvor besuchten Geräten und Umgebungen kann die UAV den Geräten helfen, sich schneller an zukünftige Zustände ihrer Umgebung anzupassen. Dazu wird eine Wissensbasis, die von allen Geräten geteilt wird, bei der UAV gepflegt. Simulationsergebnisse zeigen, dass der vorgeschlagene Algorithmus 25% bis 50% schneller konvergieren kann als ein Policy-Gradient-Baseline-Algorithmus, der das Entscheidungsproblem jedes Geräts isoliert optimiert.
Gong et al. (Di,) haben diese Frage untersucht.