The recent development of wireless communication has provided many promising solutions to emergency response. To effectively realize the energy-efficient underwater emergency response and adequately harness merits of different underwater communication links (UCL), this article proposes an underwater emergency communication network (UECN) aided by multiple UCLs and autonomous underwater vehicles (AUV) to collect underwater emergency data. Specifically, we first select the optimal emergency response mode (ERM) for each underwater sensor node (USN) with the help of greedy searching and reinforcement learning (RL), and the "isolated" USNs (IUSN) can be found out. Second, based on the distribution of IUSNs, we dispatch AUVs to assist IUSNs in underwater communication by jointly solving the optimal AUV position and velocity, which can dramatically shorten the amount of time for data collection and motion. Finally, the best tradeoff between response efficiency and energy consumption is achieved by multiobjective optimization, where the amount of time for emergency response and the total energy consumption are simultaneously minimized, subject to a given set of transmit power, signal-to-interference-plus-noise ratio (SINR), outage probability, and energy constraints. Simulation results show that the proposed system significantly improves the response efficiency and overcomes the limitations of existing works, which makes contributions to emergency decision-making.


翻译:为了有效实现节能水下应急反应,并充分利用不同水下通信联系的优点,本篇文章提议在多个无观测区和自主水下车辆的帮助下,建立一个水下应急通信网络,以收集水下应急数据,具体地说,我们首先为每个水下传感器节点选择最佳应急反应模式(ERM),在贪婪搜索和强化学习(RL)和“孤立”的USN(IUSN)的帮助下,同时尽量减少应急反应时间和能源消耗总量。第二,根据国际无观测网的分布,我们派遣AUV协助国际无观测网进行水下通信,共同确定最佳的AUV位置和速度,从而大大缩短数据收集和运动的时间。最后,通过多目标优化实现反应效率和能源消耗的最佳权衡,同时尽量减少应急反应的时间和总能源消耗量,但须视电源传输、信号到干涉加营养的比例而定。 我们派遣AV协助国际无观测区,共同解决最佳的AUV位置和速度问题,从而大大缩短数据收集和运动的时间。最后,通过多目标优化,使现有决策效率得到重大改进。

0
下载
关闭预览

相关内容

知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机类 | PLDI 2020等国际会议信息6条
Call4Papers
3+阅读 · 2019年7月8日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
已删除
将门创投
5+阅读 · 2018年1月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年7月5日
Arxiv
0+阅读 · 2021年7月4日
Arxiv
10+阅读 · 2018年2月9日
VIP会员
相关资讯
计算机类 | PLDI 2020等国际会议信息6条
Call4Papers
3+阅读 · 2019年7月8日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
已删除
将门创投
5+阅读 · 2018年1月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员