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:
Learning Concave-Convex Profiles of Data Transport over Dedicated Connections Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Reinforcement Learning Based Routing Protocols Analysis for Mobile Ad-Hoc Networks

Global Routing Versus Local Routing

verfasst von : Redha Mili, Salim Chikhi

Erschienen in: Machine Learning for Networking

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Energy consumption and maximize lifetime routing in Mobile Ad hoc Network (MANETs) is one of the most important issues.
In our paper, we compare a global routing approach with a local routing approach both using reinforcement learning to maximize lifetime routing.
We first propose a global routing algorithm based on reinforcement learning algorithm called Q-learning then we compare his results with a local routing algorithm called AODV-SARSA.
Average delivery ratio, End to end delay and Time to Half Energy Depletion are used like metrics to compare both approach.

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 Towards a Better Compromise Between Shallow and Deep CNN for Binary Classification Problems of Unstructured Data
Nächstes Kapitel Deep Neural Ranking for Crowdsourced Geopolitical Event Forecasting
Literatur
1.
Giordano, S.: Mobile Ad Hoc Networks. Handbook of Wireless Networks and Mobile Computing, pp. 325–346 (2002)
2.
Sutton, R.S., Barto, A.G.: Reinforcement Learning, 2nd edn. MIT Press, Cambridge (2014)MATH
3.
Perkins, C., Belding-Royer, E., Das, S.: Ad Hoc On-Demand Distance Vector (AODV) Routing. Network Working Group, July 2003. ftp://ftp.nordu.net/rfc/rfc3561.txt
4.
Watkins, C.J.C.H., Dayan, P.: Q-learning. Mach. Learn. 8, 279–292 (1992)MATH
5.
6.
Vassileva, N., Barcelo-Arroyo, F.: A survey of routing protocols for maximizing the lifetime of ad hoc wireless networks. Int. J. Softw. Eng. Appl. 2(3), 77–79 (2008)
7.
Cho, W., Kim, S.L.: A fully distributed routing algorithm for maximizing life time of a wireless ad hoc network. In: Proceedings of IEEE 4th International Conference on Workshop-Mobile & Wireless Communication Network, pp. 670–674, September 2002
8.
Naruephiphat, W., Usaha, W.: Balancing tradeoffs for energy-efficient routing in MANETs based on reinforcement learning. In: The IEEE 67th Vehicular Technology Conference (2008)
9.
Nurmi, P.: Reinforcement learning for routing in ad-hoc networks. In: Proceedings of the Fifth International Symposium on Modeling and Optimization in Mobile, Ad-Hoc, and Wireless Networks (WiOpt) (2007)
10.
Ravi, G., Kashwan, K.R.: A new routing protocol for energy efficient mobile applications for ad hoc networks. Comput. Electr. Eng. 48, 77–85 (2015)CrossRef
11.
Xu, Y., Heidemann, J., Estrin, D.: Geography informed energy conservation for ad-hoc routing. In: Proceedings of 7th Annual International Conference on Mobile Computing and Networking, pp. 70–84 (2001)
12.
Srinivasan, V., Nuggehalli, P., Chiasserini, C.F., Rao, R.R.: Cooperation in wireless ad hoc networks. In: Proceedings of the 22nd Annual Joint Conference of the IEEE Computer and Communications Societies (INFOCOM), pp. 808–817. IEEE Computer Society (2003)
13.
Altman, E., Kherani, A.A., Michiardi, P., Molva, R.: Non-cooperative forwarding in ad-hoc networks. In Proceedings of the 15th IEEE International Symposium On Personal, Indoor and Mobile Radio Communications (2004)
14.
Chettibi, S., Chikhi, S.: An adaptive energy-aware routing protocol for MANETs using the SARSA reinforcement learning algorithm. In: IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), pp. 84–89 (2012)
15.
Chettibi, S., Chikhi, S.: Adaptive maximum-lifetime routing in mobile ad-hoc networks using temporal difference reinforcement learning. Evol. Syst. 5, 89–108 (2014)CrossRef
16.
Chettibi, S., Chikhi, S.: Dynamic fuzzy (local routing) logic and reinforcement learning for adaptive energy efficient routing in mobile ad-hoc networks. Appl. Soft Comput. 38, 321–328 (2016)CrossRef
17.
Chettibi, S., Chikhi, S.: FEA-OLSR: an adaptive energy aware routing protocol for manets using zero-order sugeno fuzzy system. Int. J. Comput. Sci. Issues (IJCSI) 10(2), 136–141 (2013)
18.
Das, S.K., Tripathi, S.: Intelligent energy-aware efficient routing for MANET. Wirel. Netw. 24(4), 1139–1159 (2018)CrossRef
19.
Sutton, R., Barto, A.: Reinforcement Learning. MIT Press, Cambridge (1998)MATH
20.
Kim, D., Garcia-Luna-Aceves, J.J., Obraczka, K., Cano, J.C., Manzoni, P.: Power-aware routing based on the energy drain rate for mobile ad-hoc networks. In: 11th International Conference on Computer Communications and Networks (2002)
21.
Metadaten
Titel
Reinforcement Learning Based Routing Protocols Analysis for Mobile Ad-Hoc Networks
verfasst von
Redha Mili
Salim Chikhi
Copyright-Jahr
2019
Buch
Machine Learning for Networking

Print ISBN: 978-3-030-19944-9

Electronic ISBN: 978-3-030-19945-6

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-19945-6_17

Premium Partner

    Bildnachweise