面向无人机辅助网络能效优化的密度感知强化学习
网络与互联网体系结构
2023-06-16 v1 分布式、并行与集群计算
机器学习
多智能体系统
摘要
作为空中基站的无人机(UAV)可被部署以为移动用户（如车辆）提供无线连接。然而，由于地理区域内移动性与交通状况的影响，道路上车辆密度常随空间和时间变化，难以提供无处不在的服务。此外，能量受限的无人机在服务于移动用户时悬停于空中，可能面临来自邻近无人机小区或共享同一频带的其他接入点的干扰，从而影响系统能效(EE)。近期应用于优化用户覆盖的多智能体强化学习(MARL)方法在较为均匀密度下表现良好，但在用户分布不均（即车辆浓度不均的城市道路网络）时表现可能欠佳。在本工作中，我们提出一种密度感知通信使能的多智能体分散式双重深度Q网络(DACEMAD-DDQN)方法，通过联合优化每架无人机的轨迹、连接用户数及无人机能耗，同时跟踪密集且不均的用户分布，使系统总能效最大化。我们的结果在能效方面优于最先进的MARL方法达65%–85%。
引用
@article{arxiv.2306.08785,
title = {Density-Aware Reinforcement Learning to Optimise Energy Efficiency in UAV-Assisted Networks},
author = {Babatunji Omoniwa and Boris Galkin and Ivana Dusparic},
journal= {arXiv preprint arXiv:2306.08785},
year = {2023}
}
备注
7 pages, To appear in the conference proceedings of IEEE WiMob 2023, Montreal, Canada