Towards Adaptive MADRL Approach For Optimization and Resilience in IoT Environments
| dc.contributor.author | BEMRAH,Fatima-Zohra | |
| dc.date.accessioned | 2026-10-05T10:39:40Z | |
| dc.date.available | 2026-10-05T10:39:40Z | |
| dc.date.issued | 2026-06-15 | |
| dc.description.abstract | CCette thèse propose un framework hiérarchique multi-agents basé sur le DRL pour la gestion adaptative des services IoT dans des environnements dynamiques. L’approche permet une coordination scalable, une composition de services sensible à la QoS et une optimisation énergétique via le paradigme CTDE. Les résultats, dans un scénario de bâtiment intelligent avec jusqu’à 500 agents, montrent une convergence rapide, 95,3 % de satisfaction QoS et une réduction de 40 % de la consommation énergétique. | |
| dc.description.sponsorship | TThis thesis proposes a hierarchical multi-agent deep reinforcement learning (MADRL) framework for adaptive IoT service management in dynamic environments. The approach enables scalable coordination, QoS-aware service composition, and energy-efficient operation using a CTDE paradigm. Evaluations in a smart building scenario with up to 500 agents demonstrate fast convergence, 95.3% QoS satisfaction, and a 40% reduction in energy consumption compared to DRL baselines | |
| dc.identifier.uri | https://dspace.univ-tlemcen.dz/handle/112/26893 | |
| dc.language.iso | en | |
| dc.publisher | Universite of Tlemcen | |
| dc.subject | Internet des Objets (IoT) | |
| dc.subject | systèmes multi-agents | |
| dc.subject | apprentissage par renforcement profond | |
| dc.subject | architecture hiérarchique | |
| dc.subject | composition de services | |
| dc.subject | qualité de service (QoS) | |
| dc.subject | efficacité énergétique | |
| dc.subject | résilience. | |
| dc.title | Towards Adaptive MADRL Approach For Optimization and Resilience in IoT Environments | |
| dc.type | Thesis |