典型文献
基于深度强化学习的反向散射网络资源分配机制
文献摘要：
为了提升反向散射网络中物联网设备的平均吞吐量,提出了一种资源分配机制,构建了用户配对和时隙分配联合优化资源分配模型.由于该模型直接利用深度强化学习(Deep Reinforcement Learning,DRL)算法求解导致动作空间维度较高且神经网络复杂,故将其分解为两层子问题以降低动作空间维度:首先,基于深度强化学习算法,利用历史信道信息推断当前的信道信息以进行最优的用户配对;然后,在用户固定配对的情况下,基于凸优化算法,以最大化物联网设备总吞吐量为目标进行最优的时隙分配.仿真结果表明,与其他资源分配方法相比,所提资源分配方法能有效提升系统吞吐量,且有较好的信道适应性和收敛性.
文献关键词：
反向散射网络;物联网设备;资源分配;深度强化学习;吞吐量最大化
中图分类号：
作者姓名：
江巍;朱江
作者机构：
重庆邮电大学移动通信教育部工程研究中心,重庆 400065;重庆邮电大学移动通信技术重庆市重点实验室,重庆 400065
文献出处：
引用格式：
[1]江巍;朱江-.基于深度强化学习的反向散射网络资源分配机制)[J].电讯技术,2022(10):1483-1490
A类：
反向散射网络
B类：
网络资源分配,分配机制,中物,物联网设备,用户配对,时隙分配,联合优化,资源分配模型,Deep,Reinforcement,Learning,DRL,动作空间,空间维度,两层,子问题,深度强化学习算法,信道,凸优化,总吞吐量,资源分配方法,提资,提升系统,系统吞吐量,收敛性,吞吐量最大化
AB值：
0.282429
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
