车联网中基于深度强化学习的高可靠资源分配算法

作     者：孙彦景 余政达 陈瑞瑞 李松 SUN Yanjing;YU Zhengda;CHEN Ruirui;LI Song

作者机构：中国矿业大学信息与控制工程学院江苏徐州221116 

基　　金：江苏省自然科学基金项目(BK20200650) 中国博士后科学基金项目(2019M660133) 国家自然科学基金项目(62071472) 中国矿业大学“工业物联网与应急协同”创新团队资助计划(2020ZY002) 中国矿业大学基本科研业务费项目(2019QNB01,2020ZDPY0304) 

出 版 物：《重庆邮电大学学报（自然科学版）》 (Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition))

年 卷 期：2023年第35卷第4期

页      码：706-714页

摘      要：针对车联网环境下用户通信质量下降以及频谱资源紧张导致车辆与车辆(vehicle to vehicle,V2V)链路的关键信息传输难以满足高可靠性通信需求的问题,提出了一种基于深度强化学习(deep reinforcement learning,DRL)的高可靠资源分配算法。考虑干扰、传输时延和有效传输概率等约束条件,构建了车联网的可靠性保障优化问题;为了进一步保障V2V链路关键信息传输的可靠性,设计了压缩网络来压缩环境状态信息;根据可靠性保障优化问题设计了相应的奖励函数,并基于双深度Q网络(double deep Q-network,DDQN)设计了一种智能资源分配策略。仿真结果表明,所提算法能有效提高车联网的总速率,实现V2V链路关键信息的高可靠传输。

主 题 词：车联网 深度强化学习 可靠性 压缩网络 资源分配 

学科分类：080904[080904] 0810[工学-土木类] 0809[工学-计算机类] 08[工学] 080402[080402] 0804[工学-材料学] 081001[081001] 

D　O　I：10.3979/j.issn.1673-825X.202205230123

馆 藏 号：203123094...