Reinforcement Learning Strategies for Energy Management in Low Power IoT

Yohann Rioual Johann Laurent 1 Eric Senn 1 Jean-Philippe Diguet 1
1 Lab-STICC_UBS_CACS_MOCS
Lab-STICC - Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance
Abstract : Energy management in low power IoT is a difficult problem. Modeling the consumption of a sensor node is complicated , they operate in a stochastic environment. They harvest energy in their environment but energy sources present time-varying behavior. It becomes hazardous to predict in advance the energy behavior of our system. In this paper we propose a new approach using both neural networks to estimate the harvesting energy and reinforcement learning algorithms to find the operating parameters to maximize the node's performance while preserving its energy resources.
Type de document :
Communication dans un congrès
CSCI, Dec 2017, Las Vegas, United States
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01654931
Contributeur : Yohann Rioual <>
Soumis le : lundi 4 décembre 2017 - 14:57:44
Dernière modification le : mardi 16 janvier 2018 - 15:54:24

Fichier

 Accès restreint
Fichier visible le : 2018-06-20

Connectez-vous pour demander l'accès au fichier

Identifiants

  • HAL Id : hal-01654931, version 1

Citation

Yohann Rioual, Johann Laurent, Eric Senn, Jean-Philippe Diguet. Reinforcement Learning Strategies for Energy Management in Low Power IoT. CSCI, Dec 2017, Las Vegas, United States. 〈hal-01654931〉

Partager

Métriques

Consultations de la notice

208