亚太赫兹网络中 MEC 辅助无人机的联合轨迹与资源优化：一种基于资源的带注意力机制的多智能体近端策略优化深度强化学习
网络与互联网体系结构
2025-03-21 v1
摘要
太赫兹带通信技术将用于 6G 网络以实现高速高容量数据业务需求。然而，由于分子吸收、雨衰和覆盖范围等限制，产生了太赫兹通信损耗。此外，为维持稳定太赫兹通信并克服农村与郊区的覆盖距离，所需基站数量极高。因此，需要一种支持空中通信业务的新通信平台。此外，空中平台支持视距（LoS）通信而非非视距（NLoS）通信，有助于克服这些损耗。因此，本工作中我们研究支持 MEC 的无人机（UAV）的部署与资源优化，其可在偏远地区提供基于太赫兹的通信。为此，我们构建一个优化问题，在给定任务信息下最小化 MEC-UAV 与移动用户（MU）的能耗之和及 MU 所承受的时延。该公式化问题为 MINLP 问题，是 NP-hard 的。我们将主问题分解为两个子问题以求解。由于第一个子问题为凸性质，我们使用标准优化求解器 CVXPY 求解。为求解第二个子问题，我们设计了带注意力机制的 RMAPPO 深度强化学习（DRL）算法。所考虑的注意力机制用于对数量各异的观测进行编码，由网络协调器设计，以向网络中每个智能体提供差异化的适配奖励。仿真结果表明，所提算法优于基准方案，网络效用分别比基准高 、 和 。
引用
@article{arxiv.2209.07228,
title = {Joint Trajectory and Resource Optimization of MEC-Assisted UAVs in Sub-THz Networks: A Resources-based Multi-Agent Proximal Policy Optimization DRL with Attention Mechanism},
author = {Yu Min Park and Sheikh Salman Hassan and Yan Kyaw Tun and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2209.07228},
year = {2025}
}
备注
13 pages, 12 figures