无线网络中一种用于最短路径和背压路由的在线学习方法

我们考虑多跳无线网络中的自适应路由问题。链路状态被假设为从未知分布中抽取的随机变量，在链路和时间上独立同分布。该模型最近在认知无线电网络和自适应通信系统中引起了越来越多的兴趣。在此类网络中，设备具有认知能力，能够学习链路状态并更新传输参数，以实现高效的资源利用。该模型与大量假设完全了解链路状态均值的路由算法文献形成鲜明对比。目标是设计一种算法，在线学习数据传输的最优路径，以最大化网络吞吐量，同时实现网络中流的低路径成本。我们开发了一种新颖的用于最短路径和背压的在线学习（OLSB）算法来实现这一目标。我们严格分析了 OLSB 的性能，并证明它实现了随时间呈对数增长的遗憾值，遗憾值定义为算法与完全了解链路状态均值的“精灵”相比的损失。我们进一步通过广泛的模拟对 OLSB 的性能进行了数值评估，结果支持了理论发现并证明了其高效率。