基于集成共识表征深度强化学习的混合 FSO/RF 通信系统
机器学习
2022-11-09 v2
摘要
混合 FSO/RF 系统需要一种高效的 FSO 与 RF 链路切换机制，以通过实现两条链路的互补优势来提升系统容量。网络条件的动态变化，如雾、沙尘暴，使链路切换问题与控制复杂性更加复杂。为解决该问题，我们开创性地将深度强化学习（DRL）用于混合 FSO/RF 系统的链路切换研究。具体而言，本工作聚焦于称为 Actor/Critic-FSO/RF 的 actor-critic 方法，以及称为 DQN-FSO/RF 的 Deep-Q 网络（DQN），用于大气湍流下的 FSO/RF 链路切换。为表述该问题，我们定义了混合 FSO/RF 系统的状态、动作与奖励函数。DQN-FSO/RF 频繁更新在混合 FSO/RF 系统中与环境交互的已部署策略，导致高切换成本。为克服此问题，我们将该问题提升为称为 DQNEnsemble-FSO/RF 的基于集成共识表征的深度强化学习。所提出的新型 DQNEnsemble-FSO/RF DRL 方法利用基于异步线程集成学习的共识特征表征来更新已部署策略。实验结果证实，所提出的 DQNEnsemble-FSO/RF 的共识学习特征切换在保持显著低切换成本的同时，性能优于 Actor/Critic-FSO/RF、DQN-FSO/RF 和 MyOpic 的 FSO/RF 链路切换。
引用
@article{arxiv.2108.02551,
title = {Ensemble Consensus-based Representation Deep Reinforcement Learning for Hybrid FSO/RF Communication Systems},
author = {Shagufta Henna},
journal= {arXiv preprint arXiv:2108.02551},
year = {2022}
}
备注
Number of pages 16 and number of figures 15, Unpublished work, accepted