Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Joint QoS-Aware Downlink and Resource Allocation for Throughput Maximization in Narrow-Band IoT with NOMA Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

A Task Scheduling Algorithm Based on Q-Learning for WSNs

verfasst von : Benhong Zhang, Wensheng Wu, Xiang Bi, Yiming Wang

Erschienen in: Communications and Networking

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In industrial Wireless Sensor Networks (WSNs), the transmission of packets usually have strict deadline limitation and the problem of task scheduling has always been an important issue. The problem of task scheduling in WSNs has been proved to be an NP-hard problem, which is usually scheduled using a heuristic algorithm. In this paper, we propose a task scheduling algorithm based on Q-Learning for WSNs called Q-Learning Scheduling on Time Division Multiple Access (QS-TDMA). The algorithm considers the packet priority in combination with the total number of hops and the initial deadline. Moreover, according to the change of the transmission state of packets, QS-TDMA designs the packet transmission constraint and considers the real-time change of packets in WSNs to improve the performance of the scheduling algorithm. Simulation results demonstrate that QS-TDMA is an approximate optimal task scheduling algorithm and can improve the reliability and real-time performance of WSNs.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Energy Efficient Caching and Sharing Policy in Multihop Device-to-Device Networks
Nächstes Kapitel Performance Analysis of Task Offloading in Double-Edge Satellite-Terrestrial Networks
Literatur
1.
Abu Alsheikh, M., Lin, S., Niyato, D., Tan, H.P.: Machine learning in wireless sensor networks: algorithms, strategies, and applications. Commun. Surv. Tutor. IEEE 16(4), 1996–2018 (2015)CrossRef
2.
Arnold, B.: Reinforcement learning: an introduction (adaptive computation and machine learning). IEEE Trans. Neural Netw. 9(5), 1054 (1998)
3.
Chen, S.L., Wu, H.Z., Xiao, L., Zhu, Y.Q.: Metropolis policy-based multi-step Q learning algorithm and performance simulation. J. Syst. Simul. 19(6), 1284–1287 (2007)
4.
Choi, H., Wang, J., Hughes, E.A.: Scheduling on sensor hybrid network. In: International Conference on Computer Communications and Networks, 2005. ICCCN 2005. Proceedings, pp. 503–508 (2013)
5.
Watkins, C.J.C.H.: Q-learning. Mach. Learn. 8, 279–292 (1992)MATH
6.
Forster, A., Murphy, A.L.: Clique: role-free clustering with Q-learning for wireless sensor networks. In: IEEE International Conference on Distributed Computing Systems, pp. 441–449 (2009)
7.
Guo, M., Liu, Y., Malec, J.: A new Q-learning algorithm based on the metropolis criterion. IEEE Trans. Syst. Man Cybern. Part B Cybern. A Publ. IEEE Syst. Man Cybern. Soc. 34(5), 2140 (2004)CrossRef
8.
Kashef, M., Moayeri, N.: Real-time scheduling for wireless networks with random deadlines. In: IEEE International Workshop on Factory Communication Systems, pp. 1–9 (2017)
9.
Li, Q., Ba, W.: Two improved EDF dynamic scheduling algorithms in soft real-time systems. Chin. J. Comput. 34(5), 943–950 (2011)CrossRef
10.
Saifullah, A., Xu, Y., Lu, C., Chen, Y.: Real-time scheduling for WirelessHART networks, pp. 150–159 (2010)
11.
Shah, K., Kumar, M.: Distributed independent reinforcement learning (DIRL) approach to resource management in wireless sensor networks. In: IEEE International Conference on Mobile Adhoc and Sensor Systems, pp. 1–9 (2008)
12.
Sigaud, O., Buffet, O.: Markov Decision Processes in Artificial Intelligence. ISTE, New York (2010)MATH
13.
Stig, P.: A comparison of WirelessHART and ISA100.11a for wireless instrumentation (2014)
14.
Wei, Z., Zhang, Y., Xu, X., Shi, L., Feng, L.: A task scheduling algorithm based on Q-learning and shared value function for WSNs. Comput. Netw. 126, 141–149 (2017)CrossRef
15.
Wu, C., Sha, M., Gunatilaka, D., Saifullah, A.: Analysis of EDF scheduling for wireless sensor-actuator networks. In: Quality of Service, pp. 31–40 (2014)
16.
Yu, P.: Analysis on features of industrial wireless standard WIA-PA and the application in prospect. Process Autom. Instrum. 31(1), 1–4 (2010)
Metadaten
Titel
A Task Scheduling Algorithm Based on Q-Learning for WSNs
verfasst von
Benhong Zhang
Wensheng Wu
Xiang Bi
Yiming Wang
Copyright-Jahr
2019
Buch
Communications and Networking

Print ISBN: 978-3-030-06160-9

Electronic ISBN: 978-3-030-06161-6

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-06161-6_51