Alocação de recursos em sistemas Internet das Coisas utilizando aprendizagem por reforço

• Ano de defesa: 2021
• Autor(a) principal: Vasconcelos, Matheus Matos
• Orientador(a): Vieira, Flávio Henrique Teles
• Banca de defesa: Vieira, Flávio Henrique Teles, Cardoso, Kleber Vieira, Rocha, Flávio Geraldo Coelho, Cardoso, Álisson Assis
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica e da Computação (EMC)
• Departamento: Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG)
• País: Brasil
• Palavras-chave em Português: Aprendizagem por reforço; Cadeia de Markov; Escalonamento; Internet das Coisas (IdC)
• Palavras-chave em Inglês: Internet of Things (IoT); Markov chain; Reinforcement learning; Scheduling
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/11751

This paper proposes a utilization of a reinforcement learning (RL) algorithm to control the packet transmission of multiple devices of a Cognitive Internet of Things (IoT) wireless communication system. The proposed approach consists of adopting a Markov chain to model the states of the communication system and its transitions, providing the required parameters to determine actions to the system using a Q-Learning algorithm. This paper also presents a performance evaluation of the developed algorithm in comparison to some scheduling algorithms in terms of: utility function, flow rate, buffer occupancy, packet loss rate, etc.