Agricultural Engineering International: CIGR Journal·9月29日 · 周二论文智慧农业 / 农业物联网阅读 1
Energy-Aware Reinforcement-Driven Clustering Framework with Adaptive Processing for Sustainable IoT Sensor Networks
Shwetha G N
Agricultural Engineering International: CIGR Journal
论文解读
71接近精选线
速览
提出RECAP框架，用强化学习动态聚类与自适应处理延长农业物联网传感器网络寿命。
方法
轻量Q学习控制器、自适应占空比引擎、能量感知聚类与边缘处理，仿真对比LEACH-
发现
能耗降低68%，事件触发数据收集准确率达98%，延迟优于现有混合模型。
机会点
可探索将RECAP与真实农田异构节点、多跳路由及能量收集结合，验证长期可持续性。
影响力12
信息增量21
专业深度17
信源权威13
时效性8
提出强化学习驱动的自适应分簇节能框架，仿真显示能耗降低68%、数据精度98%，对农业物联网可持续部署有参考价值，但尚属仿真阶段、非产业级突破。
原文摘要
系统的节能与可持续行为是一个至关重要的问题，尤其是在无线传感器网络（WSNs）中资源有限的农业监测环境下。本文提出了一种面向强化驱动的能量感知自适应处理分簇方案（RECAP），用于在田间场景中延长网络寿命、节约能量并保持数据保真度。RECAP采用分层架构，包括自适应占空比引擎（ADCE）、能量感知分簇模块（EACM）、强化学习控制器（RLC）以及边缘处理与通信层（EPCL）。每个簇头通过轻量级Q学习模型动态调整其工作方式，根据局部能量和拓扑状态自适应地调整簇形成、传输调度和节点睡眠周期。该架构通过上下文感知的占空比调节和数据聚合采用混合能量消耗模型，以避免冗余传输。仿真结果表明，与LEACH-CNN、PSO-LSTM和基础GA-GRU等现有混合模型相比，RECAP降低了68%的能量消耗，以98%的准确率实现事件触发式数据采集且计算开销低，并克服了延迟问题。这些结果验证了RECAP在可持续的基于物联网的精准农业及其他任务关键型WSN部署中的适用性。