基于深度强化学习的干扰环境下网络动态信道接入与 SCLAR 最大化
信号处理
2024-09-04 v1
摘要
本文研究了一种基于深度强化学习 (DRL) 的方法，用于管理无线网络中的信道接入。具体来说，我们考虑这样一个场景：一个智能用户设备 (iUD) 与多个具有固定传输时间表的用户设备 (fUD) 以及一个时间表未知的恶意干扰器共享一个时变上行无线信道。iUD 的目标是与 fUD 和谐共存，避开干扰器，并在面对动态信道条件时自适应地学习最优信道接入策略，以最大化网络的总跨层可达速率 (SCLAR)。通过广泛的模拟，我们证明，当我们在 DRL 框架内适当地定义状态空间、动作空间和奖励时，iUD 可以有效地与其他 UD 共存并优化网络的 SCLAR。我们表明，所提出的算法优于表格 Q 学习和全连接深度神经网络方法。
引用
@article{arxiv.2402.01574,
title = {DRL-Based Dynamic Channel Access and SCLAR Maximization for Networks Under Jamming},
author = {Abdul Basit and Muddasir Rahim and Georges Kaddoum and Tri Nhu Do and Nadir Adam},
journal= {arXiv preprint arXiv:2402.01574},
year = {2024}
}