基于图神经网络的深层强化学习用于动态太赫兹 UAV 网络资源分配
机器学习
2025-05-09 v1
摘要
太赫兹（THz）无人机网络具有灵活的拓扑结构和超高数据速率，预计将赋能安全监视、灾后应对和环境监测等众多应用。然而，动态拓扑结构阻碍了对 THz 链路之间 UAVs 间的联合功率和天线阵列资源的高效长期分配。此外，功率的连续性和天线的离散性导致该联合资源分配问题成为具有非凸性和NP难性的混合整数非线性规划（MINLP）问题。以致于深层强化学习（DRL）的快速进展为灵感，本文提出一种基于图神经网络（GNN）的 DRL 算法，用于动态 THz UAV 网络的资源分配，侧重于自节点特征（GLOVE），旨在实现资源效率（RE）最大化。在为每个 UAV 训练分配策略时，GLOVE 通过 GNN 学习该 UAV 与其相邻 UAV 之间的关系，同时强调该 UAV 重要的自节点特征。此外，GLOVE 利用多任务结构协同训练功率和所有 UAVs 子阵列的资源分配决策。实验结果表明，GLOVE 在最高 RE 和最低延迟方面均优于基准方案。此外，与严重丢包的基准方法不同，GLOVE 在整个训练过程中保持零丢包，展示了其在高度动态 THz UAV 网络下的更好鲁健性。
引用
@article{arxiv.2505.04981,
title = {Graph Neural Network Aided Deep Reinforcement Learning for Resource Allocation in Dynamic Terahertz UAV Networks},
author = {Zhifeng Hu and Chong Han},
journal= {arXiv preprint arXiv:2505.04981},
year = {2025}
}