Jun, 2023

密度感知强化学习优化无人机辅助网络能效

PDF
TL;DR该论文提出了一种密度感知的通信多智能体去中心化双重深度 Q 网络方法，它最大化了每个无人机的轨迹、已连接用户数量和无人机的能耗，同时跟踪密集和不均匀的用户分布。该方法优于现有技术 65％-85％的能源效率。
unmanned aerial vehicleswireless connectivityenergy efficiencymulti-agent reinforcement learningdecentralized double deep q-network
发现论文，激发创造
  • 使用深度强化学习优化无人机辅助网络能源效率

    本文研究了无人机供应无线覆盖时的能源效率优化问题，提出了一种基于多智能体去中心化双重深度 Q 网络的算法，优化了每个无人机的三维航迹、连接用户数量和使用能源的协同优化，结果达到比现有基线方法提高 55% 至 80% 的能源效率。

    Apr, 2022

  • 基于多智能体强化学习的无人机网络资源分配

    本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题，并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明，该算法在信息交互开销和性能提升之间取得了良好的平衡。

    Oct, 2018

  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 多智能体强化学习用于协作无人机卸载蜂窝通信

    通过多代理强化学习框架，本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法，其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。

    Feb, 2024

  • 基于分层深度强化学习的多无人机辅助无线供电动态通信设计

    该研究提出了一种在多个无人机的辅助下，针对动态环境中的无线供能通信网络（WPCN）的新设计。通过引入新的基于双阈值的无线节点类型更新规则，以及多智能体深度强化学习（MAHDRL）框架，能有效解决航迹决策和能源传输与数据收集决策的优化问题。通过大量的仿真实验结果验证了该方法在各种国际先进基准测试中的卓越性能。

    Dec, 2023

  • 机器学习增强的无人机反射表面轨迹与无源波束成形设计

    提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

    Oct, 2020

  • 多智能体深度强化学习在多无人机辅助移动边缘计算中的轨迹规划应用

    提出一种无人机辅助的移动边缘计算框架，采用多智能体深度强化学习算法来优化无人机的轨迹，同时通过低复杂度方法优化用户设备的卸载决策。该解决方案相较于传统算法在服务用户设备公平性、无人机负载公平性和所有用户设备的能耗上性能表现较好。

    Sep, 2020

  • 基于协作分布式强化学习的无人机场地覆盖

    本文提出了一种分布式的多智能体强化学习算法，可用于团队的无人机，通过使用协调均衡博弈解决动态联合行动的复杂问题，以及利用高效的函数逼近技术解决大量的状态空间表示挑战，通过仿真和实际实现验证了该无人机团队成功学习完成任务。

    Mar, 2018

  • 基于 5G 的无人机细胞连接：深度强化学习干扰管理

    本文提出了一种针对网络化无人机的干扰感知路径规划方案，使用基于回声状态网络的深度强化学习算法来解决路径规划问题，其中每架无人机旨在实现最大化能量效率和最小化无线延迟和干扰级别。模拟结果表明，该方案在减少对地面用户的干扰和无线传输延迟方面表现优异，并且需要比最短距离启发式基线考虑的步骤数量相当的步骤。

    Jan, 2018

  • 具有动作掩蔽的多智能体强化学习在无人机移动通信中的应用

    本篇论文研究使用多个无人机作为基站，通过联合优化无人机三维轨迹和 NOMA 功率分配来最大化系统吞吐量，并使用基于加权 K-means 的聚类算法建立无人机 - 用户关联，研究表明使用共享的 Deep Q-Network 在系统吞吐量和训练时间上表现优于传统的 DQN，同时还可以收敛于具有不同动作空间的多个智能体，与 NOMA 的结合可以实现比现有基线方案更好的总速率。

    Mar, 2023