文献类型：期刊文章

作　　者：王晓昌[1,2,3] 吴璠[4] 孙彦赞[1,2,3] 吴雅婷[1,2,3]

Wang Xiaochang;Wu Fan;Sun Yanzan;Wu Yating(Shanghai Institute for Advanced Communication and Data Science,Shanghai University,Shanghai 200444,China;Key Laboratory of Specialty Fiber Optics and Optical Access Networks,Shanghai University,Shanghai 200444,China;Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication,Shanghai University,Shanghai 200444,China;School of Economics of Shanghai University,Shanghai 200444,China)

机构地区：[1]上海大学上海先进通信与数据科学研究院,上海200444 [2]上海大学特种光纤与光接入网重点实验室,上海200444 [3]上海大学特种光纤与先进通信国际合作联合实验室,上海200444 [4]上海大学经济学院,上海200444

出　　处：《电子测量技术》

基　　金：国家重点研发计划(2019YFE0196600);国家自然科学基金(61501289,61671011,61420106011,61701293)项目资助。

年　　份：2021

卷　　号：44

期　　号：10

起止页码：114-120

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：车辆通信(V2X)能够有效地提高交通安全性和移动性,是车辆部署场景中的关键技术之一。V2X通信链路需要满足不同应用的服务质量(QoS)要求,如车对车(V2V)链路的延迟和可靠性要求。面向车辆高速移动性导致的无线信道快速变化,为保证不同车辆链路的QoS约束和车辆动态网络的鲁棒性,提出一种基于联邦深度强化学习(FDRL)的频谱分配和功率控制联合优化框架。框架首先根据不同车辆链路需求提出了对应的优化问题,并定义了强化学习的状态空间、动作空间和奖励函数;然后介绍了联邦深度强化学习的训练框架;最后,通过分布式的车辆端强化学习和基站聚合平均训练,找到最佳的频谱分配和功率控制策略。仿真结果表明,与其他对比算法相比,所提出算法能够提高车对基站(V2I)的总用户信道容量,并保证了新加入车辆时动态网络的鲁棒性。

关 键 词：车辆通信 深度强化学习  资源分配 联邦学习  

分 类 号：TN929.5]