原文传递
基于深度强化学习的车联网频谱分配优化方法研究
| 论文题名： | 基于深度强化学习的车联网频谱分配优化方法研究 |
| 关键词： | 车联网;深度强化学习;频谱分配;传输功率分配 |
| 摘要： | 随着车联网的业务类型多样化发展和日益增加的服务质量要求，如何在频谱短缺的情况下，保证通信链路性能以提高网络性能，是其面临的重大挑战。因此，在频谱稀缺的现状下，如何对车联网中的频谱资源进行分配与优化，以提高整体网络性能，满足车联网多样化的服务质量要求，具有重要意义和研究价值。 为此，本文研究车联网联合频谱和功率分配算法，以提高整体网络性能。本文的研究内容主要包括以下两个方面： 1.针对全局信道信息未知的情况下，本文提出一种基于深度强化学习的车联网频谱分配优化方法。首先，建立单个车辆对车辆链路的车联网系统模型，结合频谱子带选择和传输功率等约束条件，构建优化问题以最大化车联网网络效率。其次，考虑到优化问题的非凸性，将其建模为马尔可夫决策过程。接着，引入深度强化学习算法，以获得最优的频谱子带和传输功率分配策略，并最大化车联网网络效率。通过对实验结果的分析，本文所提出深度强化学习方法与其它方法相比，能够获得更高的链路性能和车联网网络效率。 2.针对车联网的动态环境和数据传输的时变性，本文提出多智能体深度强化学习的车联网频谱分配优化方法，以获得最大化的车联网网络效率。首先，构造多个车辆对车辆链路的车联网系统模型。其次，结合频谱子带和传输功率等约束条件建立优化问题，考虑到优化问题的非凸性和组合性，将其描述为马尔可夫决策过程。接着，针对上述优化问题具有较大的状态空间和动作空间，提出了多智能体深度Q网络算法。借助于经验回放机制和目标网络策略，以实现最优的频谱子带选择和传输功率分配策略。实验结果表明，多智能体深度Q网络算法相比其它算法，能够更好地适应车联网动态环境变化，从而获得更高的车联网网络效率。 |
| 作者： | 金波 |
| 专业： | 电气工程 |
| 导师： | 武明虎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖北工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
