J 2022

A Q-learning-based routing scheme for smart air quality monitoring system using flying ad hoc networks

LÁNSKÝ, Jan, Amir Masoud RAHMANI, Seid Miad ZANDAVI, Vera CHUNG, Efat YOUSEFPOOR et. al.

Basic information

Original name

A Q-learning-based routing scheme for smart air quality monitoring system using flying ad hoc networks

Name in Czech

Schéma směrování založené na Q-learningu pro inteligentní systém monitorování kvality ovzduší využívající létající ad hoc sítě

Authors

LÁNSKÝ, Jan (203 Czech Republic, guarantor, belonging to the institution), Amir Masoud RAHMANI, Seid Miad ZANDAVI, Vera CHUNG, Efat YOUSEFPOOR, Mohammad Sadegh YOUSEFPOOR, Faheem KHAN and Mehdi HOSSEINZADEH

Edition

Scientific Reports, Berlin, Springer Nature Limited, 2022, 2045-2322

Other information

Language

English

Type of outcome

Článek v odborném periodiku

Field of Study

10200 1.2 Computer and information sciences

Country of publisher

Germany

Confidentiality degree

není předmětem státního či obchodního tajemství

References:

RIV identification code

RIV/04274644:_____/22:#0000913

Organization unit

University of Finance and Administration

UT WoS

000887936300055

Keywords (in Czech)

Znečištění ovzduší; létající ad hoc sítě; internet věcí

Keywords in English

Air pollution; flying ad hoc networks; Internet of things

Tags

Reviewed
Změněno: 31/1/2023 12:25, Mgr. Jitka Štruncová

Abstract

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.

In Czech

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.