Abstract:
Maximiser la durée de vie d'un réseau de capteurs sans fil (RCSF) tout en optimisant l'effcacité de la collecte de données constitue un défi majeur, en particulier dans des environnements dynamiques et contraints en énergie. Si les stratégies classiques du puits mobile offrent une mise en œuvre simple, elles entraînent souvent des performances limitées. Les approches basées sur l'apprentissage par renforcement ouvrent de nouvelles perspectives, en permettant une prise de décision autonome et adaptative. Ce travail s'inscrit dans ce contexte en proposant deux approches de mobilité du sink qui visent à améliorer
les performances des RCSFs en se basant sur l'apprentissage par renforcement. Ces approches sont nommées : QLB-MOB (Q-Learning Based-MOBilty), qui utilise l'algorithme Q-learning pour assurer un déplacement intelligent du sink ; et DQL-MOB(Deep Q-Learning Based-MOBilty), fondée sur un Dueling Deep Q-Network (Dueling DQN). Ces approches adaptent dynamiquement le déplacement du sink selon l'énergie, la distance et la charge des nœuds. Les stratégies d'apprentissage sont modélisées
comme des processus de décision de Markov (MDP), avec une politique ?-greedy et sont combinées à un routage hybride basé sur une version adaptée de l'algorithme de Dijkstra. DQL-MOB intègre en outre un mécanisme léger d'agrégation de paquets pour réduire la surcharge des nœuds. Une comparaison entre
quatre stratégies de mobilité du sink : mobilité aléatoire, mouvement circulaire, QLB-MOB, et DQL-MOB a été effectuée afin d'évaluer l'effcacité de nos solutions. Les simulations montrent que nos approches améliorent significativement le taux de livraison des paquets et la longévité du réseau en offrant une meilleure équité énergétique. Les résultats obtenus confirment la pertinence de l'apprentissage profond pour la mobilité intelligente dans les RCSF.
