Jan, 2018

低水平无线通信的协作多智体强化学习

PDF
TL;DR本研究使用强化学习方法，将两个设备间的无线通信建模为优化双向通信策略的问题，以此解决传统无线通信领域所面临的问题，如人工频谱稀缺、无法动态分配频率等。实验结果表明所提出的方法具有优越的学习能力和智能性。
traditional radio systemsartificial spectrum scarcityflexible radioswireless communicationreinforcement learning
发现论文，激发创造
  • 合作多智能体强化学习中实用通信策略的学习

    本文提出了一个框架，利用神经消息编码器来学习多智能体强化学习中的通信策略，包括消息传输时机、消息内容以及如何保留消息信息。模拟实际的无线网络环境下，与现有技术相比，该框架在游戏性能、收敛速度和通信效率方面都有显著提高。

    Sep, 2022

  • 分布式非协调认知无线电资源分配的深度强化学习

    本文提出了一种基于深度强化学习的分布式资源分配技术，用于多代理环境下的认知无线电网络，该网络通过干扰下动态频谱访问与主干网络共存。该技术是分布式的，且不需要与其他代理协调，通过模拟结果可以显示出，该技术能够在有限的学习时间内，找到使性能在 3％之内的策略。

    Oct, 2019

  • 基于多智能体深度强化学习的无线网络资源管理

    本文提出了使用多智能体深度强化学习机制的分布式资源管理和干扰抑制方案。该框架通过使智能体作出决策，从而解决了干扰和资源分配的问题。模拟结果表明，这种方法具有比分散式基线更高的性能，在与集中式信息论基线相媲美的同时，模型的鲁棒性得到了验证。

    Feb, 2020

  • 多智体学习系统中自然形成低带宽通信

    研究团队通过对动物沟通的洞察提出了一个低带宽至高带宽的通信光谱，通过研究追逐与逃脱的游戏，确定了多智能体强化学习算法作为低带宽通信的计算模型。

    Nov, 2020

  • 多智能体学习调度：一种分布式无线资源管理框架

    提出了一种使用多智能体深度强化学习的机制来管理无线电资源，从而在最大化用户吞吐量和保证公平分配资源之间取得平衡。

    Jun, 2019

  • 分布式和非协同认知无线电资源分配的深度强化学习

    本文提出了一种分布式的深度强化学习资源分配技术，针对协作无线电网络所呈现的多智能体环境及其强化学习过程中可能导致的非平稳环境，通过考虑深度强化学习的特定方面，本文的算法能够迭代地收敛于一个平衡政策，其可用于无需与其他代理协调配合的情况下工作。仿真结果表明，与等效的基于 Q 表的 Q 学习算法相比，所提出的技术具有更快的学习性能，并能够在足够长的学习时间内在 99% 的情况下找到最优策略。此外，对于与等效的基于表格的实现相比，仿真结果显示出我们的 DQL 方法只需要不到一半的学习步骤才能实现相同的性能。此外，证明了在未协调交互的多无线电情景中使用标准的单智能体深度强化学习方法可能无法收敛。

    May, 2022

  • 利用多智能体强化学习的分布式无线网络传输控制

    该研究以多智能体强化学习的角度研究了分布式无线通信网络中的传输控制问题，其方法是基于完全分布式的独立强化学习代理实现的协同行为，其中每个智能体节点只对自己的行为决策进行学习，以实现在不同的行动空间下的协同行为。

    May, 2022

  • 通过认知无线电和机器学习实现智能无线通信

    本文讨论了智能无线通信、认知无线电、机器学习技术的发展，以及它们在提高动态无线环境下的频谱和能量效率方面的作用和现实应用，并且指出了认知无线电和机器学习在现有和未来无线通信系统中面临的进一步研究挑战。

    Oct, 2017

  • 基于优化理论的深度强化学习用于超可靠无线网络控制系统资源分配

    基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能，接近最优性能且复杂度较低。

    Nov, 2023

  • 基于多智能体强化学习的车联网频谱共享

    本文研究了基于多智能体强化学习的车联网频谱共享问题，并使用适于分布式实现的基于指纹的深度 Q 网络方法解决了资源共享问题，展示了多个 V2V 智能体成功合作以分布式方式提高效率。

    May, 2019