具有对数遗憾的分布式学习与认知介质接入算法

考虑在具有多个次级用户的认知网络中分布式学习和信道接入的问题。信道可用性统计信息最初对次级用户是未知的，并通过感知决策进行估计。次级用户之间没有显式的信息交换或事先约定。我们提出了分布式学习和接入的策略，这些策略在自博弈下（即当所有次级用户都实施时）实现了阶次最优的认知系统吞吐量（成功的次级传输次数）。等价地，我们的策略最小化了分布式学习和接入中的遗憾。我们首先考虑策略已知次级用户数量的场景，并证明总遗憾在传输时隙数上是对数的。通过与任何一致良好的学习和接入策略的遗憾渐近下界进行比较，我们的分布式学习和接入策略实现了阶次最优的遗憾。然后，我们考虑次级用户数量固定但未知，并通过反馈进行估计的情况。我们在此场景中提出了一种策略，其渐近总遗憾的增长速度略快于传输时隙数的对数。