基于量子多智能体强化学习的空间-空-地集成网络中协作移动接入
信号处理
2024-06-26 v1 人工智能
摘要
仅使用 CubeSat 实现全球空间-空-地集成网络（SAGIN）接入存在诸多挑战，例如在特定地区（如极地区）的接入可持续性受限，以及 CubeSat 的能源效率受限。为解决这些问题，高空长续航无人机（HALE-UAV）可补足 CubeSat 的不足，提供协作式的全球接入可持续性和能源效率。然而，随着 CubeSat 和 HALE-UAV 数量的增加，每个地面站（GS）的调度维度也随之增加。结果导致每个 GS 陷入维度灾难，此挑战成为高效全局接入的主要障碍。因此，本文提出一种基于量子多智能体强化学习（QMARL）的调度方法，用于在 GS 与 CubeSat/HALE-UAV 之间进行调度，以提高全局接入可用性和能源效率。QMARL 基于调度器的主要优势原因在于，该算法实现了调度行为维度的对数级减少，这是当 CubeSat 和 HALE-UAV 数量扩大时至关重要的特性。此外，各个 GS 的流量需求因位置和特性不同，因此必须提供差异化的接入服务。通过在真实的 CubeSat/HALE-UAV 环境中进行数据密集型实验验证了所提出调度器的优越性。
引用
@article{arxiv.2406.16994,
title = {Quantum Multi-Agent Reinforcement Learning for Cooperative Mobile Access in Space-Air-Ground Integrated Networks},
author = {Gyu Seon Kim and Yeryeong Cho and Jaehyun Chung and Soohyun Park and Soyi Jung and Zhu Han and Joongheon Kim},
journal= {arXiv preprint arXiv:2406.16994},
year = {2024}
}
备注
17 pages, 22 figures