面向 V2X 网络资源分配的联邦强化学习
机器学习
2023-10-17 v1 人工智能
信号处理
摘要
资源分配对车辆到一切（V2X）网络的性能有显著影响。大多数现有的资源分配算法基于优化或机器学习（如强化学习）。本文在联邦强化学习（FRL）框架下探索 V2X 网络中的资源分配。一方面，强化学习（RL）的使用克服了基于模型的优化方案带来的诸多挑战。另一方面，联邦学习（FL）使智能体能够处理若干实际问题，如隐私、通信开销和探索效率。FRL 框架随后通过不精确交替方向乘子法（ADMM）实现，其中子问题利用策略梯度近似求解，并通过由其二阶矩计算的自适应步长加速。所开发的算法 PASM 被证明在温和条件下收敛，并且在求解 V2X 网络资源分配问题时相比一些基线方法具有优良的数值性能。
引用
@article{arxiv.2310.09858,
title = {Federated Reinforcement Learning for Resource Allocation in V2X Networks},
author = {Kaidi Xu and Shenglong Zhou and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:2310.09858},
year = {2023}
}
备注
Submitted to TWC