基于压缩感知、强化学习与博弈论的无线传感器网络能耗与存储优化技术

《Scientific Reports》：Adaptive intelligent resource optimization in wireless sensor networks using reinforcement learning and compressive sensing

　　

摘要

为了解决无线传感器网络（WSNs）在能量和存储方面的限制，本研究提出了一种新的方法：EMPIRE-CS（基于迭代强化学习和压缩感知的场景能耗与存储优化技术）。这是一种结合了压缩感知、强化学习以及博弈论聚类方法的混合技术。该架构支持动态选择簇头节点、实现公平的能量分配，并通过传感器节点与汇聚节点之间的迭代反馈机制来实现有效的信号压缩。压缩感知减少了采样和存储的负担，而强化学习则能够实现自适应的测量速率和传输调度。通过博弈论中的联盟策略，集群在多轮迭代过程中的能量利用得到了优化，确保了高能耗任务的公平分配以及集群的稳定性。在包含200至1000个节点的实验组中进行的仿真结果表明，EMPIRE-CS能够有效提升网络寿命36.6%，并使剩余能量增加高达67.8%；在密集部署情况下，数据包传输成功率提高了12.5%。与基线方案相比，信号精准度得到了提升，重建误差减少了约55.5%。同时，存储效率得到了优化，压缩效率提升了14.2%，从而降低了通信和存储成本。此外，集群形成的稳定性提高了150%，避免了重新配置所带来的开销和能量浪费。