無線物聯(lián)網(wǎng)(IoT)是一種設備網(wǎng)絡，其中每個設備都可以通過無線通信渠道直接將信息發(fā)送到另一個設備，而無需人工干預。隨著物聯(lián)網(wǎng)設備的數(shù)量每天都在增加，無線通道上的信息量也在增加。這導致網(wǎng)絡上的擁塞，由于干擾和信息傳遞失敗而導致信息丟失。解決該擁塞問題的研究正在進行中，最廣泛接受和應用的解決方案是“多通道”技術。在該技術中，基于給定時間的特定信道中的業(yè)務量，在各個并行信道之間分配信息傳輸。

但是，目前，最佳的信息傳輸渠道是使用大多數(shù)現(xiàn)有物聯(lián)網(wǎng)設備無法支持的算法來選擇的，因為這些資源受限。即，它們具有低存儲容量和低處理能力，并且必須在長期保持運行的同時節(jié)電。在最近發(fā)表于《應用科學》的一項研究中，來自東京科學大學和日本慶應義University大學的一組科學家提出了一種基于拔河模型的機器學習算法的建議。(這是慶應義University大學的金松菊教授較早提出的一種基本模型，用于解決如何跨渠道分配信息等問題)來選擇渠道。東京理科大學的首席科學家Maseo Hasegawa教授說：“我們意識到該算法可以應用于IoT設備，因此我們決定實施并進行實驗。”

在他們的研究中，他們構建了一個系統(tǒng)，該系統(tǒng)中連接了多個IoT設備以形成一個網(wǎng)絡，并且每個設備只能選擇多個可用通道中的一個來傳輸信息。而且，每個設備都受到資源的限制。在實驗中，這些設備的任務是喚醒，傳輸一條信息，進入睡眠狀態(tài)，然后重復該周期一定次數(shù)。所提出算法的作用是使設備每次都能選擇最佳信道，從而在所有過程結束時，成功傳輸?shù)淖畲罂赡艽螖?shù)(即，所有信息都到達其目的地)發(fā)生在。

該算法稱為強化學習，其執(zhí)行的任務如下：每次一條信息通過某個通道傳輸時，它會根據(jù)信息是否完全準確地到達該通道來記錄通過該通道成功傳輸?shù)目赡苄?。目的地。每次后續(xù)傳輸都會更新此數(shù)據(jù)。

研究人員使用此設置還可以檢查a)算法是否成功，b)在選擇頻道時是否沒有偏見，以及c)它是否可以適應頻道中的流量變化。對于測試，構建了一個附加的控制系統(tǒng)，在該控制系統(tǒng)中，為每個設備分配了特定的通道，并且在傳輸信息時無法選擇任何其他通道。在第一種情況下，在開始實驗之前，某些信道已經(jīng)擁塞，科學家們發(fā)現(xiàn)，使用算法時，成功傳輸?shù)拇螖?shù)要多于不使用算法時。在第二種情況下，某些頻道在不使用算法時變得擁塞，并且在某個時間點之后無法通過它們傳輸信息，從而導致頻道選擇中的“不公平”。然而，當科學家使用該算法時，發(fā)現(xiàn)信道選擇是公平的。第三種情況的發(fā)現(xiàn)澄清了前兩種情況：使用該算法時，設備自動開始忽略擁塞的通道，僅在其中的流量減少時才重新使用它。

長谷川教授告訴我們：“我們通過少量的計算和高性能的機器學習算法就實現(xiàn)了頻道選擇。”雖然這意味著該算法在實驗條件下成功解決了信道選擇問題，但其在現(xiàn)實世界中的應用仍有待觀察?？茖W家說：“將在進一步的研究中進行測試該算法魯棒性的現(xiàn)場試驗。”他們還計劃通過考慮其他網(wǎng)絡特性(例如信道傳輸質(zhì)量)來改進未來的算法。

隨著全球越來越多的設備通過無線信道進行連接，世界正迅速向大規(guī)模無線物聯(lián)網(wǎng)網(wǎng)絡發(fā)展。每個可能的組織或?qū)W者??都在時光的這一時刻利用這一機會來解決頻道選擇問題并取得領先。長谷川教授和他的團隊成功地邁出了比賽的第一步。高速，無差錯的無線信息傳輸?shù)奈磥砜赡芗磳⒌絹?