logo móvil
Contáctanos

Una estrategia de traspaso basada en el aprendizaje por refuerzo gráfico para satélites en órbita terrestre baja bajo escenarios de red eléctrica

Autores: Yu, Haizhi; Gao, Weidong; Zhang, Kaisa

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Una estrategia de traspaso basada en el aprendizaje por refuerzo gráfico para satélites en órbita terrestre baja bajo escenarios de red eléctrica


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Aeroespacial

Palabras clave

Fuentes de alimentación
Servicios de comunicación
Redes de satélites LEO
Algoritmos de optimización de transferencia
Aprendizaje profundo por refuerzo
Redes neuronales de grafos

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 17

Citaciones: Sin citaciones


Descripción
En medio de la creciente necesidad de suministros de energía estables y servicios de comunicación de alta calidad en regiones remotas a nivel mundial, debido a los desafíos asociados con el despliegue de una infraestructura de comunicación de energía convencional y su susceptibilidad a desastres naturales, las redes de satélites LEO presentan una solución prometedora para una amplia cobertura geográfica y la provisión de servicios de comunicación estables y de alta velocidad en regiones remotas. Dada la necesidad de transferencias frecuentes para mantener la continuidad del servicio, debido a la alta movilidad de los satélites LEO, un desafío técnico principal que enfrentan las redes de satélites LEO radica en gestionar de manera eficiente el proceso de transferencia entre satélites, para garantizar la continuidad y calidad de los servicios de comunicación, particularmente para los servicios de energía. Por lo tanto, existe una necesidad crítica de explorar algoritmos de optimización de transferencias de satélites. Este documento presenta un esquema de optimización de transferencias que integra el aprendizaje por refuerzo profundo (DRL) y redes neuronales gráficas (GNN) para optimizar dinámicamente el proceso de transferencia de satélites y adaptarse al entorno de red de satélites que varía con el tiempo. Los modelos de DRL pueden detectar eficazmente cambios en la topología de los gráficos de transferencia de satélites a través de diferentes períodos de tiempo al aprovechar las poderosas capacidades representacionales de las GNN para tomar decisiones óptimas de transferencia. Experimentos de simulación confirman que la estrategia de transferencia basada en la fusión de redes neuronales de paso de mensajes y el algoritmo de red Q profunda (MPNN-DQN) supera a los mecanismos de transferencia tradicionales y a las estrategias basadas en DRL en la reducción de la frecuencia de transferencias, la disminución de la latencia de comunicación y el logro de un equilibrio de carga en la red. La integración de DRL y GNN en el mecanismo de transferencia de satélites mejora la continuidad y fiabilidad de la comunicación de los sistemas de energía en áreas remotas, al tiempo que ofrece una nueva dirección para el diseño y la optimización de futuras redes de comunicación de sistemas de energía. Esta investigación contribuye al avance de arquitecturas de comunicación satelital sofisticadas que facilitan el acceso a internet de alta velocidad y fiable en regiones remotas de todo el mundo.

Otros recursos que podrían interesarte

Temas Virtualpro