用于分布式卫星路由的多智能体深度强化学习
机器学习
2024-07-09 v1 信息论
math.IT
摘要
本文介绍了一种用于低地球轨道卫星星座 (LSatCs) 路由的多智能体深度强化学习 (MA-DRL) 方法。每颗卫星都是一个独立的决策智能体，拥有部分环境知识，并得到来自邻近智能体反馈的支持。基于我们之前引入 Q-routing 解决方案的工作，本文的贡献是将其扩展为一个深度学习框架，能够快速适应网络和流量变化，该框架基于两个阶段：(1) 离线探索学习阶段，依赖全局深度神经网络 (DNN) 学习每个可能位置和拥塞水平下的最优路径；(2) 在线利用阶段，使用本地的、星载的、预训练的 DNN。结果表明，MA-DRL 能有效地离线学习最优路由，然后加载这些路由以实现高效的在线分布式路由。
引用
@article{arxiv.2402.17666,
title = {Multi-Agent Deep Reinforcement Learning for Distributed Satellite Routing},
author = {Federico Lozano-Cuadra and Beatriz Soret},
journal= {arXiv preprint arXiv:2402.17666},
year = {2024}
}