V originále
Air pollution has changed ecosystem and atmosphere. It is dangerous for environment, human health, and other living creatures. This contamination is due to various industrial and chemical pollutants, which reduce air, water, and soil quality. Therefore, air quality monitoring is essential. Flying ad hoc networks (FANETs) are an effective solution for intelligent air quality monitoring and evaluation. A FANET-based air quality monitoring system uses unmanned aerial vehicles (UAVs) to measure air pollutants. Therefore, these systems have particular features, such as the movement of UAVs in three-dimensional area, high dynamism, quick topological changes, constrained resources, and low density of UAVs in the network. Therefore, the routing issue is a fundamental challenge in these systems. In this paper, we introduce a Q-learning-based routing method called QFAN for intelligent air quality monitoring systems. The proposed method consists of two parts: route discovery and route maintenance. In the part one, a Q-learning-based route discovery mechanism is designed. Also, we propose a filtering parameter to filter some UAVs in the network and restrict the search space. In the route maintenance phase, QFAN seeks to detect and correct the paths near to breakdown. Moreover, QFAN can quickly identify and replace the failed paths. Finally, QFAN is simulated using NS2 to assess its performance. The simulation results show that QFAN surpasses other routing approaches with regard to end-to-end delay, packet delivery ratio, energy consumption, and network lifetime. However, communication overhead has been increased slightly in QFAN.
Česky
Znečištění ovzduší změnilo ekosystém a atmosféru. Je nebezpečný pro životní prostředí, lidské zdraví, a dalších živých tvorů. Tato kontaminace je způsobena různými průmyslovými a chemickými znečišťujícími látkami, které snižují kvalitu vzduchu, vody a půdy. Monitorování kvality ovzduší je proto nezbytné. Létání ad hoc sítě (FANET) jsou efektivním řešením pro inteligentní monitorování a vyhodnocování kvality ovzduší. Monitorovací systém kvality ovzduší založený na FANET využívá k měření bezpilotní letadla (UAV). látky znečišťující ovzduší. Proto mají tyto systémy zvláštní vlastnosti, jako je pohyb UAV v trojrozměrné oblasti vysoká dynamika, rychlé topologické změny, omezené zdroje a nízká hustota UAV v síti. Proto je problém směrování v těchto případech zásadní výzvou systémy. V tomto článku představujeme směrovací metodu založenou na Q-learning nazvanou QFAN pro inteligentní systémy sledování kvality ovzduší. Navržená metoda se skládá ze dvou částí: hledání trasy a trasa údržba. V první části je navržen mechanismus zjišťování cesty založený na Q-learningu. Také my navrhnout parametr filtrování pro filtrování některých UAV v síti a omezení prostoru pro vyhledávání. V ve fázi údržby trasy se QFAN snaží detekovat a opravovat cesty v blízkosti poruchy. Navíc, QFAN dokáže rychle identifikovat a nahradit neúspěšné cesty. Nakonec je QFAN simulován pomocí NS2 to posoudit jeho výkon. Výsledky simulace ukazují, že QFAN předčí ostatní přístupy směrování s ohledem na zpoždění mezi koncovými body, poměr doručení paketů, spotřebu energie a životnost sítě. Komunikační režie se však v QFAN mírně zvýšila.