Deep Reinforcement Learning Specialist Needed
Budget: $8 – $15 USD
Titre du projet :
Implémentation PPO pour routage économe en énergie dans un réseau UWSN (Maroc uniquement)
Description :
Je cherche un freelancer basé au Maroc (étudiant Master/PhD ou ingénieur) pour développer un projet en Python (Google Colab) sur les Underwater Wireless Sensor Networks (UWSN).
Détails du projet :
Réseau composé de nœuds avec coordonnées (x, y, z), énergie, température, salinité, etc.
Utiliser PPO (Proximal Policy Optimization) pour choisir le chemin optimal entre un nœud source et un nœud destination.
La décision doit considérer :
Consommation d’énergie de chaque nœud
Paramètres environnementaux
Contraintes de communication acoustique (path loss, absorption, délai, SNR, PER, etc.)
Le modèle doit permettre d’ajouter ou de supprimer des nœuds dynamiquement.
À la fin, je veux entrer :
Nœud source
Nœud destination
Taille de trame
Et obtenir :
Le chemin choisi (liste de nœuds)
Visualisation du chemin en 2D et 3D
Évaluation (consommation d’énergie, délai, stabilité du réseau)
Livrables attendus :
Code Python clair et bien commenté (Google Colab prêt à exécuter)
Modèle PPO entraîné + résultats
Visualisations 2D/3D
Documentation simple d’utilisation
Condition spéciale :
En plus du développement, je veux une session d’explication (≈2h max, en ligne ou en présentiel) pour bien comprendre le projet et savoir comment l’exécuter.
Budget : négociable selon l’expérience et la qualité du travail)
Deadline : 7jrs
Compétences requises :
Python (Google Colab)
Reinforcement Learning (PPO, Stable-Baselines3)
Réseaux de capteurs sans fil / UWSN
Modélisation du canal acoustique
Data visualization (matplotlib, 3D)
Implémentation PPO pour routage économe en énergie dans un réseau UWSN (Maroc uniquement)
Description :
Je cherche un freelancer basé au Maroc (étudiant Master/PhD ou ingénieur) pour développer un projet en Python (Google Colab) sur les Underwater Wireless Sensor Networks (UWSN).
Détails du projet :
Réseau composé de nœuds avec coordonnées (x, y, z), énergie, température, salinité, etc.
Utiliser PPO (Proximal Policy Optimization) pour choisir le chemin optimal entre un nœud source et un nœud destination.
La décision doit considérer :
Consommation d’énergie de chaque nœud
Paramètres environnementaux
Contraintes de communication acoustique (path loss, absorption, délai, SNR, PER, etc.)
Le modèle doit permettre d’ajouter ou de supprimer des nœuds dynamiquement.
À la fin, je veux entrer :
Nœud source
Nœud destination
Taille de trame
Et obtenir :
Le chemin choisi (liste de nœuds)
Visualisation du chemin en 2D et 3D
Évaluation (consommation d’énergie, délai, stabilité du réseau)
Livrables attendus :
Code Python clair et bien commenté (Google Colab prêt à exécuter)
Modèle PPO entraîné + résultats
Visualisations 2D/3D
Documentation simple d’utilisation
Condition spéciale :
En plus du développement, je veux une session d’explication (≈2h max, en ligne ou en présentiel) pour bien comprendre le projet et savoir comment l’exécuter.
Budget : négociable selon l’expérience et la qualité du travail)
Deadline : 7jrs
Compétences requises :
Python (Google Colab)
Reinforcement Learning (PPO, Stable-Baselines3)
Réseaux de capteurs sans fil / UWSN
Modélisation du canal acoustique
Data visualization (matplotlib, 3D)