蜂窝连接无人机路径规划：一种带量子启发经验回放的 DRL 方案

在蜂窝连接无人机（UAV）网络中，考虑了一个关于时间代价与期望中断时长加权和的最小化问题。利用无人机可调的机动性，构建了一种智能无人机导航方法以实现上述优化目标。具体而言，在将导航任务映射为马尔可夫决策过程（MDP）后，提出了一种带有新颖量子启发经验回放（QiER）框架的深度强化学习（DRL）方案，以帮助无人机在每个时隙内找到最优飞行方向，从而生成通往目的地的规定轨迹。通过将经验转移的重要性与其关联的量子比特（qubit）相关联，并应用基于 Grover 迭代的幅度放大技术，所提出的 DRL-QiER 方案在采样优先级与多样性之间实现了更好的权衡。与若干代表性基线相比，数值结果证明并验证了所提 DRL-QiER 方案的有效性与优越性。