Aerial base stations (ABSs) allow smart farms to offload processing responsibility of complex tasks from internet of things (IoT) devices to ABSs. IoT devices have limited energy and computing resources, thus it is required to provide an advanced solution for a system that requires the support of ABSs. This paper introduces a novel multi-actor-based risk-sensitive reinforcement learning approach for ABS task scheduling for smart agriculture. The problem is defined as task offloading with a strict condition on completing the IoT tasks before their deadlines. Moreover, the algorithm must also consider the limited energy capacity of the ABSs. The results show that our proposed approach outperforms several heuristics and the classic Q-Learning approach. Furthermore, we provide a mixed integer linear programming solution to determine a lower bound on the performance, and clarify the gap between our risk-sensitive solution and the optimal solution, as well. The comparison proves our extensive simulation results demonstrate that our method is a promising approach for providing a guaranteed task processing services for the IoT tasks in a smart farm, while increasing the hovering time of the ABSs in this farm.

Bản dịch tiếng Việt:

Các trạm cơ sở trên không (ABS) cho phép các trang trại thông minh giảm tải trách nhiệm xử lý các tác vụ phức tạp từ thiết bị internet vạn vật (IoT) sang ABS. Các thiết bị IoT có nguồn năng lượng và tài nguyên tính toán hạn chế, do đó cần phải cung cấp giải pháp tiên tiến cho hệ thống cần sự hỗ trợ của ABS. Bài viết này giới thiệu một phương pháp học tăng cường nhạy cảm với rủi ro dựa trên nhiều tác nhân mới để lập kế hoạch nhiệm vụ ABS cho nông nghiệp thông minh. Vấn đề được định nghĩa là việc giảm tải nhiệm vụ với điều kiện nghiêm ngặt là phải hoàn thành các nhiệm vụ IoT trước thời hạn. Hơn nữa, thuật toán cũng phải xem xét khả năng năng lượng hạn chế của ABS. Kết quả cho thấy phương pháp đề xuất của chúng tôi vượt trội hơn một số phương pháp phỏng đoán và phương pháp Q-Learning cổ điển. Hơn nữa, chúng tôi còn cung cấp giải pháp lập trình tuyến tính số nguyên hỗn hợp để xác định giới hạn dưới về hiệu suất, đồng thời làm rõ khoảng cách giữa giải pháp nhạy cảm với rủi ro của chúng tôi và giải pháp tối ưu. Sự so sánh chứng minh kết quả mô phỏng mở rộng của chúng tôi chứng minh rằng phương pháp của chúng tôi là một phương pháp đầy hứa hẹn để cung cấp dịch vụ xử lý tác vụ được đảm bảo cho các tác vụ IoT trong trang trại thông minh, đồng thời tăng thời gian lơ lửng của ABS trong trang trại này.

Document Ready

Click below to load the full PDF document natively.