Using Erasure Feedback for Online Timely Updating with an Energy Harvesting Sensor
考虑了一种实时状态更新系统，其中能量收集传感器正在获取关于某些物理现象的测量结果，并通过擦除信道将它们发送到目的地。该设置是在线的，其中能量根据具有单位速率的泊松过程以单位到达，到达时间随时间因果地显示。能量被保存在单位大小的电池中。传感器由目标通过反馈通知更新是否被擦除。更新需要以及时的方式成功到达目的地，即，使得信息的长期平均年龄被最小化，该信息的长期平均年龄被定义为自从最近的成功更新到达目的地以来所经过的时间。首先，它表明，最优状态更新策略具有更新结构：成功的更新时间应构成一个更新过程。然后，阈值贪婪的政策进行了调查：一个新的更新被发送，成功的一个，只有当年龄的信息增长超过一定的阈值;如果它被擦除，那么所有后续的更新尝试是grethly调度每当能量可用。最佳阈值贪婪的政策，然后解析推导。
2019-04-30 cs.IT cs.NI eess.SP
Energy Minimization for IRS-aided WPCNs with Non-linear Energy Harvesting Model
本文考虑了一种智能反射面（IRS）辅助的无线供电通信网络（WPCN），其中设备首先在下行链路（DL）中从发电站（PS）获取能量，然后在上行链路（UL）中使用非正交多址（NOMA）将信息传输到数据宿。然而，大多数现有的工作WPCN采用简化的线性能量收集模型，也不能保证严格的用户服务质量的要求。为了解决这些问题，我们的目标是通过联合优化资源分配和IRS相移随着时间的推移，最大限度地减少在PS的总传输能耗，受所有设备的最低吞吐量要求。将问题分解为两个子问题，采用凸函数差分规划、逐次凸逼近和惩罚算法交替迭代求解。数值结果表明，所提出的算法在基准计划取得了显着的性能增益，并揭示了将IRS集成到WPCN的好处。特别地，在UL和DL上采用不同的IRS相移优于静态IRS波束成形的情况。
2021-09-02 cs.IT eess.SP math.IT
Computation Offloading in Heterogeneous Mobile Edge Computing with Energy Harvesting
能量收集辅助移动边缘计算（MEC）因其在计算密集型、延迟敏感型和高能耗场景中的广泛应用而备受关注。本文从博弈论的角度研究了在具有能量收集的异构MEC系统中，从多MD到多MEC-s的计算卸载问题。目标是最小化MD的平均响应时间，该平均响应时间包括通信时间、等待时间和处理时间。建立了MDs和MEC-ss的M/G/1模型。该算法考虑了MD之间的干扰、计算任务生成的随机性、能量到达的随机性、无线信道状态、MEC的延迟以及MD的功率预算约束。建立了一个非合作计算卸载博弈模型。给出了纳什均衡（NE）的定义和存在性分析。此外，我们重建的MD的优化问题。提出并执行了2步分解。因此，我们得到一个一维搜索问题和一个大大缩小的子问题。通过求其KKT条件的有限个解，可以得到子问题的最优解。在此基础上，设计了一种面向NE的分布式迭代最佳反应算法。仿真结果验证了算法的收敛性能和参数效应。
2020-04-17 cs.IT eess.SP math.IT
Timely Updates in Energy Harvesting Two-hop Networks: Offline and Online Policies
考虑了一种两跳能量收集通信网络，其中测量更新由源通过中间中继传输到目的地。更新应及时发送，以最大限度地减少信息的年龄，定义为自源生成目的地的最新更新以来所经过的时间。源和中继器使用从自然界收集的能量进行通信，这些能量存储在无限大的电池中。两个节点都使用固定的传输速率，因此更新会产生固定的延迟（服务时间）。提出了两个问题：离线问题和在线问题，在离线问题中能量到达信息是先验已知的，在在线问题中这种信息随时间被因果地揭示。在这两个问题中，它表明，它是最佳的传输更新从源的时间，因为中继准备将它们转发到目的地，使源和中继作为一个组合节点。在最优策略中反复出现的主题是，更新应尽可能均匀地分布在时间上，受能源因果关系和服务时间约束。这在离线设置中是完美实现的，并且几乎可以肯定地通过尽力策略在在线设置中实现。
2019-04-09 cs.IT cs.NI eess.SP
On-Demand AoI Minimization in Resource-Constrained Cache-Enabled IoT Networks with Energy Harvesting Sensors
我们考虑一个资源受限的物联网网络，其中多个用户向启用缓存的边缘节点发出按需请求，以发送有关各种随机过程的状态更新，每个过程都由能量收集传感器监控。边缘节点通过决定是否命令相应的传感器发送新的状态更新或从缓存中检索最近接收的测量结果来满足用户的请求。我们的目标是找到边缘节点的最佳动作，以最小化在请求时接收到的测量的平均信息年龄（AoI），即，平均按需AoI，服从每时隙传输和能量约束。首先，我们推导出一个马尔可夫决策过程模型，并提出了一个迭代算法，获得最优策略。然后，我们开发了一个渐近最优的低复杂度算法-称为松弛，然后截断-并证明它是最佳的传感器的数量趋于无穷大。仿真结果表明，所提出的松弛，然后截断的方法显着降低了平均按需AoI相比，一个请求感知的贪婪（近视）的政策，也描绘了它执行接近最佳的解决方案，即使是中等数量的传感器。
2022-01-28 cs.IT cs.NI cs.SY
Online Timely Status Updates with Erasures for Energy Harvesting Sensors
考虑通过擦除信道向目的地发送状态更新的能量收集传感器，其中传输倾向于以一定概率$q$被擦除，而与其他传输无关。然而，由于缺乏来自目的地的反馈，传感器不知道擦除事件。能量消耗在一次传输消耗一个单位能量的意义上被标准化。传感器配备了一个单位大小的电池，以节省其传入的能量，根据单位速率的泊松过程到达。该设置是在线的，其中能量到达时间仅在被收集后才被因果地揭示，并且目标是设计传输时间，使得信息的长期平均年龄（AoI）被定义为自最新更新成功到达目的地以来所经过的时间，被最小化。最优状态更新策略首先被示出为具有更新结构，在该结构中，目的地成功接收更新的时刻构成更新过程。然后，对于$q\leq\frac{1}{2}$，最优更新策略被示出为具有阈值结构，其中，仅当AoI增长超过特定阈值时才发送新的状态更新，该特定阈值被示出为$q$的递减函数。而对于$q>\frac{1}{2}$，最优更新策略被证明是贪婪的，在该策略中，只要能量可用，就发送新的状态更新。
2018-11-12 cs.IT cs.NI eess.SP
Age-Aware Status Update Control for Energy Harvesting IoT Sensors via Reinforcement Learning
University of Oulu（奥卢大学）；Linköping University（林雪平大学）
我们考虑一个物联网传感网络，其中包含多个用户、多个能量收集传感器和一个无线边缘节点，该节点充当用户和传感器之间的网关。用户请求更新物理过程的值，每个过程由一个传感器测量。边缘节点具有存储来自每个传感器的最近接收的测量的高速缓存存储。收到请求后，边缘节点可以命令相应的传感器发送状态更新，或者使用缓存中的数据。我们的目标是找到边缘节点的最佳行动，以最小化的平均长期成本之间的权衡信息和能源消耗的年龄。我们提出了一种实用的强化学习方法，可以在不知道传感器确切电池电量的情况下找到最优策略。
2020-04-27 cs.AI cs.LG eess.SP
Energy Efficient UAV Communication with Energy Harvesting
研究了一种具有能量收集功能的无人机无线通信系统，其中无人机以半双工或全双工方式向用户传输能量，用户收集能量用于向无人机传输数据传输。在满足用户最小数据传输请求的同时，使无人机的总能耗最小。将原优化问题分解为两个子问题：路径规划子问题和固定路径规划下的能量最小化子问题。对于路径规划子问题，利用对偶方法求出最优访问顺序，并利用逐次凸逼近技术对路径进行优化。对于固定路径规划的能量最小化子问题，首先求出整个过程中数据传输时间的最优部分和每个用户的最优传输功率。然后，能量最小化子问题被大大简化，并通过一维搜索方法有效地解决。仿真结果验证了理论研究结果。
2019-12-24 eess.SP
Adaptive Transmission for Distributed Detection in Energy Harvesting Wireless Sensor Networks
我们考虑一个无线传感器网络，由N个异构传感器和一个融合中心（FC），负责检测一个已知的信号在不相关的高斯噪声。每个传感器可以收集随机到达的能量，并将其存储在有限大小的电池中。传感器通过正交衰落信道直接与FC通信。每个传感器调整其发射符号功率，使得其存储的能量和其量化的信道增益越大，其发射符号功率越高。为了在能量收集和能量消耗之间取得平衡，我们制定了两个约束优化问题（P1）和（P2），其中在这两个问题中，我们寻求联合最优的局部判决阈值和信道增益量化阈值。在（P1）中，我们最大化FC处的接收信号密度的J发散，而在（P2）中，我们最小化平均总发射功率，受到某些约束。我们求解（P1）和（P2），假设电池达到稳态。我们的仿真结果表明，我们的优化的有效性，提高检测性能（P1），并降低平均总发射功率（P2）。它们还揭示了能量收集率、电池尺寸、传感器观测和通信信道参数如何影响所获得的解决方案。
2021-03-03 eess.SP
Age-of-Information with Information Source Diversity in an Energy Harvesting System
信息时代（AoI）是物联网（IoT）系统的关键性能指标之一。及时的状态更新对于许多物联网应用至关重要;然而，它们受到与可用能量和底层信息源的不可靠性相关的严格限制。因此，必须仔细规划状态更新的调度以节省能量，但同时，可能发生的是，当需要状态更新时，没有可靠的最新信息内容要刷新。作为克服这些不可预测性的解决方案，可以采用跟踪相同感兴趣信号但具有不同能量成本和可靠性的多个源，我们称之为信息源多样性。我们考虑一个能量收集监测节点配备了一个有限大小的电池和收集状态更新从多个异构信息源。我们调查的政策，最大限度地减少平均AOI，并评估信息源多样性对系统性能的作用。为此，我们将问题表述为马尔可夫决策过程（MDP）。最优策略表示基于监控节点处的当前能量水平和AoI来调度动作，诸如来自源之一的更新或保持空闲。我们分析了不同的成本/AoI分布组合的最优解决方案的结构，并比较了性能的最优策略与积极的战略，只要有可能传输。
2021-08-04 cs.IT eess.SP math.IT
On Energy Harvesting of Hybrid TDMA-NOMA Systems
本文研究了非正交多址接入（NOMA）方案与传统时分多址接入（TDMA）方案相结合的能量收集能力，称之为混合TDMA-NOMA系统。在这样的混合方案中，用户被分成多个组，分配用于传输的总时间通过多个时隙在这些组之间共享。特别地，时隙被分配用于服务每个组，而相应组中的用户基于功率域NOMA技术被服务。此外，同时无线电力和信息传输技术被用于同时在每个用户处收获能量和解码信息。因此，每个用户将接收到的信号分成两个部分，即能量收集部分和信息解码部分。特别是，我们共同确定所有用户的功率分配和功率分配比，以最小化在每个用户的最小速率和最小能量收集要求下的发射功率。此外，这种联合设计本质上是一个非凸问题。因此，我们采用连续干扰消除来克服这些非凸性问题并确定设计参数（即，功率分配和功率分配比）。在仿真结果中，我们证明了所提出的混合TDMA-NOMA设计的性能，并表明它优于传统的TDMA方案的发射功率消耗。
2019-08-23 eess.SP
Reinforcement Learning based Multi-Access Control and Battery Prediction with Energy Harvesting in IoT Systems
能量收集（EH）是实现物联网（IoT）系统长期和自我可持续运行的一种有前途的技术。在本文中，我们研究了小小区物联网系统中的联合接入控制和电池预测问题，该系统包括多个EH用户设备（UE）和一个基站（BS），具有有限的上行链路接入信道。每个UE具有有限容量的可再充电电池。系统控制被建模为一个马尔可夫决策过程没有完整的先验知识假设在BS，这也涉及到大尺寸的状态和动作空间。首先，为了处理假设因果电池和信道状态信息的接入控制问题，我们提出了一种调度算法，该算法基于具有深度Q网络（DQN）增强的强化学习（RL）来最大化上行链路传输和速率。其次，对于电池预测问题，采用固定的循环访问控制策略，我们开发了一种基于RL的算法，以最大限度地减少预测损失（误差），而无需任何关于能源和能源到达过程的模型知识。最后，研究了联合访问控制和电池预测问题，其中我们提出了一个两层RL网络来同时处理最大化和速率和最小化预测损失：第一层用于电池预测，第二层基于第一层的输出生成访问策略。实验结果表明，与已有的基准测试相比，本文提出的三种强化学习算法具有更好的性能。
2018-09-21 cs.IT eess.SP math.IT
Efficient Energy Harvesting in Wireless Sensor Networks of Smart Grid
本文针对智能电网无线传感器网络节点电池寿命受限问题，提出利用移动充电器结合最优路径计算的高效能量收集与充电模型，以最大化节点电池利用率并减少充电等待时间。
2019-11-02 cs.NI eess.SP
Age-Minimal Online Policies for Energy Harvesting Sensors with Incremental Battery Recharges
被认为是一个传感器节点发送测量更新有关的一些物理现象的目的地。该传感器依靠从自然界收集的能量来传输其更新，并配备了一个有限的$B$大小的电池，以节省其收集的能量。根据泊松过程，能量以单位递增地为电池充电，并且一次更新消耗一个能量单位到达目的地。该设置是在线的，其中能量到达时间在能量被收集之后被因果地揭示。目标是及时更新目的地，即，使得信息的长期平均年龄最小化，受到能量因果关系约束。信息在给定时间的年龄定义为自最新更新到达目的地以来所花费的时间。它示出的最佳更新策略如下的更新结构，其中的更新时间是独立的，和提交一个更新和具有$k$单位的能量剩余在电池中的任何两个连续的事件之间的持续时间是独立的和相同的分布对于一个给定的$k\leq B-1$。明确表征了$B=2$能量单位的情况下的最优更新策略，并且示出了它具有能量依赖的阈值结构，其中传感器仅在年龄增长超过一定阈值时才更新，该阈值是其电池中能量的量的函数。
2018-02-22 cs.IT cs.NI eess.SP
EICO: Energy-Harvesting Long-Range Environmental Sensor Nodes with Energy-Information Dynamic Co-Optimization
在实现电池寿命、信息准确性、传输距离和成本等严格设计目标方面的挑战推动了对传统电池供电设备的能量采集传感器节点的深入研究。当传感器网络需要跨越诸如农田和偏远地形的广阔区域时，远程通信的固有功率密集性质进一步放大了这一挑战。太阳能是无线传感器节点的常见能源，然而，由于季节变化和天气条件引起的功率波动，太阳能并不可靠。本文解决了这些问题，提出了一个永久供电，能量收集传感器节点，利用最小尺寸的太阳能电池，并能够通过动态协同优化能源消耗和信息传输，称为能量信息动态协同优化（EICO）的远程通信。这种能量信息智能是通过基于从收集器和电荷存储元件可用的能量总量的信息传输的自适应占空比来实现的，以优化传感器节点的能量消耗，同时采用传感器内分析（ISA）来最小化信息的丢失。这是第一个被报道的尺寸<35 cm 2的传感器节点，它能够以高达1包/秒的连续信息传送率在> 1 Km上进行远程通信，这是由EICO和ISA实现的。
2021-07-15 cs.NI eess.SP
Status Updating with an Energy Harvesting Sensor under Partial Battery Knowledge
我们认为状态更新下的能量收集（EH）传感器的电池电量的不准确的知识，发送状态更新的随机过程中的用户通过启用缓存的边缘节点。更确切地说，通过仅依赖于从最后接收到的状态更新分组捕获的电池水平知识来执行控制决策。在从用户接收到对新信息的按需请求时，边缘节点使用可用信息来决定是命令传感器发送状态更新还是从缓存中检索最近接收的测量。我们寻求边缘节点的最佳动作以最小化所服务的测量的平均AoI，即，平均按需AoI。考虑到部分电池知识，我们将问题建模为部分可观测的马尔可夫决策过程（POMDP），并通过描述其关键结构，开发了一个动态规划算法来获得最优策略。仿真结果说明了基于阈值的结构的最优策略，并显示所提出的最优POMDP为基础的政策相比，一个请求感知的贪婪（近视）的政策所获得的收益。
2022-04-12 cs.ET cs.SY eess.SP
Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Anqing Normal University（安庆师范大学）；Nanyang Technological University（南洋理工大学）
能量收集（EH）、认知无线电（CR）和非正交多址接入（NOMA）的结合是未来超第五代网络（B5 G）中提高能量效率和频谱效率的有效解决方案，特别是支持物联网（IoT）系统中的无线传感器通信。然而，如何实现智能的频率、时间和能量资源分配以支持更好的性能是一个需要解决的重要问题。在本文中，我们研究了EH-CR-NOMA物联网系统的联合频谱，能量和时间资源管理。我们的目标是最小化所有次级感知用户（SSU）的数据包丢失的数量，同时满足主用户（PU）和SSU的最大充电电池容量，最大发射功率，最大缓冲容量和最小数据率的约束。由于该优化问题的非凸性和无线环境的随机性，我们提出了一种基于深度强化学习（DRL）的分布式多维资源管理算法。考虑到待管理资源的连续性，采用深度确定性策略梯度（DDPG）算法，每个Agent（SSU）无需协作即可管理自己的多维资源。此外，为了提高训练效率和电池性能保护，还引入了一种简单实用的动作调节器（AA）。实验结果表明，该算法的收敛速度比DDPG算法快4倍左右，平均丢包数比贪心算法低8倍左右.
2021-09-17 cs.IT cs.LG cs.NI
AoI Minimization in Status Update Control with Energy Harvesting Sensors
信息新鲜度对于时间关键型物联网应用至关重要，例如，监控和控制系统。我们考虑一个物联网状态更新系统，该系统具有多个用户、多个能量收集传感器和一个无线边缘节点。用户接收关于物理量的时间敏感信息，每个物理量由传感器测量。用户向边缘节点发送请求，其中缓存包含来自每个传感器的最近接收的测量值。为了满足请求，边缘节点命令传感器发送状态更新或从缓存中检索老化的测量。我们的目标是找到最好的行动的边缘节点，以尽量减少年龄的信息服务的测量。我们将这个问题建模为一个马尔可夫决策过程，并开发了强化学习（RL）算法：基于模型的值迭代和无模型Q学习方法。我们还提出了一个Q学习方法的现实情况下，边缘节点被告知传感器的电池水平，只有通过状态更新。传输限制下的情况下，也得到了解决。此外，性能的最优策略的分析特征。仿真结果表明，最优策略是基于阈值的策略，所提出的RL方法显着降低了平均成本相比，几个基线。
2022-01-28 eess.SP
Seeker: Synergizing Mobile and Energy Harvesting Wearable Sensors for Human Activity Recognition
新兴的超低功耗物联网（IoT）设备对智能处理的需求越来越大，最近的工作表明，通过直接在IoT设备（节点）上执行推理任务，而不仅仅是传输传感器数据，可以大大提高效率。然而，基于深度神经网络（DNN）的推理的计算和功率需求对能量收集无线传感器网络（EH-WSN）中的节点提出了重大挑战。此外，这些任务通常需要来自多个物理分布的EH传感器节点的响应，这除了每个节点的约束之外还带来了关键的系统优化挑战。为了解决这些挑战，我们提出了\emph{Seeker}，一种新的方法来有效地执行DNN推理人类活动识别（HAR）任务，使用EH-WSN和主机移动终端。导引头最大限度地减少通信开销，最大限度地提高计算在每个传感器，而不违反服务质量。\emph{Seeker}使用\emph{store-and-execute}方法来完成EH传感器节点上的推理子集，从而减少与移动主机的通信。此外，对于由于所收集的能量约束而未完成的那些推断，其利用\emph{activity aware coreset}（AAC）构造来将紧凑特征高效地传送到主机设备，其中系综技术用于高效地完成推断。\emph{Seeker}以$86.8\%$精度执行HAR，超过了现有技术方法的$81.2\%$精度。此外，通过使用AAC，它将通信数据量降低了$8.9\times$。
2022-03-25 cs.NI eess.SP
Optimal Sensor Collaboration for Parameter Tracking Using Energy Harvesting Sensors
在本文中，我们设计了一个最佳的传感器协作策略，同时使用无线传感器网络跟踪时变参数的存在下，不完善的通信信道。假设传感器网络是自供电的，其中传感器配备有从环境中补充能量的能量采集器。为了最小化参数跟踪的均方估计误差，我们提出了一个在线传感器协作策略实时能量收集的约束。所提出的能量分配策略计算量小，仅依赖于系统参数的二阶统计量。为此，我们首先考虑一个离线非凸优化问题，这是完全解决使用半定规划。基于离线的解决方案，我们设计了一个在线的功率分配策略，需要最少的在线计算，并满足每个传感器的能量流的动态。我们证明了所提出的在线策略是渐近等价的最优离线解决方案，并显示其收敛速度和鲁棒性。我们的经验表明，所提出的在线方案的估计性能优于在线方案时，信道状态信息的动力系统是在低信噪比制度。数值结果表明，我们的方法的有效性。
2018-03-25 eess.SP
Sensing-assisted Robust SWIPT for Mobile Energy Harvesting Receivers in Networked ISAC Systems
针对移动EHR的位置不确定性问题，提出网络化ISAC系统下的两阶段感知辅助鲁棒SWIPT设计，通过双层优化联合调度感知与传输资源，在满足通信和传能要求下最小化功耗。
2024-10-30 eess.SP
Optimal Semantic-aware Sampling and Transmission in Energy Harvesting Systems Through the AoII
针对能量收集状态更新系统，以AoII为指标，通过POMDP和深度强化学习实现最优采样与传输策略，有效降低时间平均AoII。
2023-11-11 eess.SP
Optimal Status Updates for Minimizing Age of Correlated Information in IoT Networks with Energy Harvesting Sensors
本文针对能量采集传感器物联网中相关信息年龄最小化问题，提出一种基于深度强化学习的动态状态更新算法，通过动作分解映射机制有效应对部分可观测和未知环境动态挑战。
2023-10-30 cs.NI eess.SP
Sensor Placement and Resource Allocation for Energy Harvesting IoT Networks
本文研究了能量收集物联网（IoT）网络中源估计的最优传感器选择问题。具体而言，重点是在融合中心的估计误差最小化的传感器位置的选择，并最佳地分配功率和带宽为每个选定的传感器受到规定的频谱和能量预算。为此，测量精度、通信链路质量和收集的能量都要考虑在内。传感器的选择进行了研究下，从选定的传感器到融合中心的模拟和数字传输方案。在数字传输的情况下，信息理论的方法是用来模拟传输速率，观察量化，和编码。我们数值证明，有足够的系统带宽，数字系统优于模拟系统与可能不同的传感器选择。本文研究了两种信源模型：矢量相关信源的静态信源估计和标量信源的动态状态估计。感兴趣的设计问题是一个布尔非凸优化问题，这是解决放松布尔约束。我们提出了一个随机舍入算法，推广了现有的算法。所提出的随机舍入算法将联合传感器位置、功率和带宽选择考虑在内，以有效地舍入所获得的松弛解。
2019-06-02 eess.SP
Age-Minimal Transmission for Energy Harvesting Sensors with Finite Batteries: Online Policies
能量收集传感器节点，被认为是发送状态更新到目的地。传感器配备了一个有限大小的电池，以节省其输入的能量，并消耗一个单位的能量，每个状态更新传输，这是交付到目的地立即通过无错误的信道。该设置是在线的，其中所收集的能量随时间的推移被因果地揭示给传感器，并且目标是设计状态更新传输策略，使得信息的长期平均年龄（AoI）被最小化。AoI定义为自最新更新到达目的地以来所经过的时间。两个能量到达模型被认为是：一个随机的电池充电（RBR）模型，和一个增量电池充电（IBR）模型。在这两种模型中，能量根据单位速率的泊松过程到达，在RBR模型中，能量值完全填满电池，在IBR模型中，能量值逐单位递增地填满电池。表征这两种模型的最优状态更新策略的关键方法是显示更新策略的最优性，其中更新间隔时间遵循特定的更新过程，该更新过程取决于能量到达模型和电池大小。然后，它示出的最佳更新策略具有能量依赖的阈值结构，其中传感器发送状态更新只有当AoI增长超过一定的阈值，这取决于可用的能量。对于RBR和IBR模型，最佳能量依赖阈值被明确表征，即，在封闭形式中，就最佳长期平均AoI而言。它还表明，最佳阈值是单调递减的电池中可用的能量，最小的阈值，这是在电池充满时生效，等于最佳的长期平均AoI。
2019-05-09 cs.IT cs.NI eess.SP
Accelerated Structure-Aware Reinforcement Learning for Delay-Sensitive Energy Harvesting Wireless Sensors
我们研究了一种能量收集无线传感器在衰落信道上传输延迟敏感数据。传感器将捕获的数据包注入其传输队列，并依赖于从环境中收集的环境能量来传输它们。我们的目标是找到最佳的调度策略，决定是否要在每个传输机会，使预期的数据包排队延迟最小化给定的可用收获的能量传输队列的头线包。没有先验知识的随机过程，管理信道，捕获的数据，或收获的能量动态的假设，从而需要使用在线学习，以优化调度策略。我们将此调度问题表示为马尔可夫决策过程（MDP），并分析了其最优价值函数的结构特性。特别是，我们表明，它是非递减的，并在队列积压的差异越来越大，它是非递增的，并在电池状态的差异越来越大。我们利用这种结构，制定了一种新的加速强化学习（RL）算法，以更快的学习率在线解决调度问题，同时限制诱导的计算复杂性。我们的实验表明，所提出的算法非常接近最佳离线解决方案的性能，该解决方案需要信道、捕获的数据和收集的能量动态的先验知识。同时，通过利用价值函数的结构，我们的方法实现了竞争力的性能相对于一个国家的最先进的RL算法，在潜在的数量级较低的复杂性。最后，相当大的性能增益证明了著名的和广泛使用的Q-学习算法。
2019-05-05 cs.LG cs.NI eess.SP
DTER: Schedule Optimal RF Energy Request and Harvest for Internet of Things
我们提出了一种新的能量收集策略，该策略使用专用能量源（ES）来最佳地为射频（RF）能量收集供电的物联网补充能量。具体来说，我们开发了一个两步双隧道能量请求（DTER）的策略，最大限度地减少能量收集设备和ES上的能量消耗。除了因果关系和容量限制，在现有的方法进行了调查，DTER还考虑到开销问题和非线性充电特性的能量存储组件，使所提出的策略实用。在DTER的第二步中考虑了离线和在线场景。为了解决离线情况下的非线性优化问题，我们将离线最优能量请求问题的设计转化为经典的最短路径问题，从而可以通过动态规划（DP）算法获得全局最优解。在线次优传输策略的开发以及。仿真研究表明，在线策略可以达到几乎相同的能源效率的全局最优解在长期。
2018-02-20 eess.SP
Optimizing the Age of Information in RIS-aided SWIPT Networks
在这封信中，可重构智能表面（RIS）辅助的同时无线信息和能量传输（SWIPT）网络进行了研究。为了量化信息接收器处的数据分组的新鲜度，考虑信息的年龄（AoI）。为了最小化的总和AoI的信息用户，同时确保传输到能量收集用户的功率大于所需的值，我们制定了一个调度方案，并在基站（BS）和RIS，分别联合发射波束成形和相移优化。交替优化（AO）算法被提出来处理有源波束形成和无源RIS相移之间的耦合，而连续凸近似（SCA）算法被用来解决所述问题的非凸性。数值模拟结果表明，该算法在AoI方面的改进以及信息年龄和能量收集之间的权衡是量化的。
2022-10-04 eess.SP
Multi-Segment Photonic Power Converters for Energy Harvesting and High-Speed Optical Wireless Communication
本文提出多段GaAs光子功率转换器，兼顾能量采集与高速数据检测，在1.5米光无线链路中实现3.8 Gbps世界纪录速率，转换效率39.7%，为6G离网回传提供新方案。
2025-10-07 cs.SY eess.SP eess.SY
Performance Analysis of SSHC Rectifiers used in Ultrasonic Wireless Power Transfer
本文针对超声无线电能传输场景下压电换能器小电容、高谐振频率的特点，分析了SSHC整流器的尺寸与性能，提出了电容充电回路最大导通电阻的关键设计考量，为无电感集成整流器的设计提供指导。
2023-08-22 eess.SP
Multiuser MISO PS-SWIPT Systems: Active or Passive RIS?
基于可重构智能表面（RIS）的通信网络有望提高信道容量和能源效率。然而，由于双重路径损耗效应，无源RISs承诺的容量增益可以忽略不计。有源RISs可以克服这个问题，因为它们具有带低成本放大器的反射器元件。本文研究了多用户系统中有源RIS辅助的同步无线信息和功率传输（SWIPT）。用户利用功率分裂（PS）解码信息和收获能量的同时，基于一个现实的分段非线性能量收获模型。目标是通过优化基站的波束形成器、PS比和RIS相移/放大因子来最小化基站的发射功率。仿真结果显示出显著的改进（例如，19%和28%），最大反射功率分别为10 mW和15 mW，相比无源RIS没有更高的计算复杂性成本。我们还展示了所提出的算法对不完美的信道状态信息的鲁棒性。
2022-06-28 cs.IT eess.SP math.IT
Optimal Resource Allocation in Ultra-low Power Fog-computing SWIPT-based Networks
在本文中，我们考虑雾计算系统组成的多天线接入点（AP），超低功耗（ULP）单天线设备和雾服务器。假设ULP设备能够使用时间切换同时无线信息和功率传输（SWIPT）方案进行能量收集（EH）和信息解码（ID）。ULP设备将收集的能量用于ID和本地计算或将计算卸载到雾服务器，这取决于哪种策略最节能。在这种情况下，我们优化专用于EH、ID和本地计算的时隙以及卸载所需的时隙和功率，以最小化ULP设备的能量成本。数值结果提供了研究优化的雾计算系统的有效性和相关的挑战。
2017-09-25 eess.SP math.OC
Latency-Aware Multi-antenna SWIPT System with Battery-Constrained Receivers
在多用户多输入单输出广播场景中，考虑了基于功率分配（PS）的同时无线信息和功率传输（SWIPT）。具体而言，我们专注于联合配置发射波束成形向量和接收PS比，以最小化在用户特定的延迟和能量收集（EH）要求下的基站的总发射能量。通过将关于接收机的电池状态和EH波动的信息预先并入资源分配设计中，避免了电池耗尽现象。由此产生的时间平均和功率最小化问题是时间相关的，非凸的（包括相互耦合的延迟电池队列动态），并在一般棘手。我们使用李雅普诺夫优化框架，并推导出一个动态控制算法，将原问题转化为一系列确定性和独立的子问题，然后通过两种方法解决：i）半定松弛结合分式规划，ii）连续凸逼近。此外，我们设计了一个低复杂度的封闭形式的迭代算法，利用Karush-Kuhn-Tucker最优性条件的一个特定的情况下，延迟有界的无电池接收器。数值结果提供了见解的鲁棒性所提出的设计，以实现一个节能的SWIPT系统，同时确保在时间动态移动接入网络的延迟和EH的要求。
2022-10-22 cs.IT eess.SP math.IT
Deep Reinforcement Learning for Multi-User RF Charging with Non-linear Energy Harvesters
针对多节点非线性能量收集的多天线RF-WPT动态充电调度，提出低复杂度波束成形与DDPG强化学习方法，在满足能量需求的同时降低功耗。
2024-05-07 eess.SP
