Dec, 2023

集成卫星地面网络的动态路由：一种受限多智能体强化学习方法

PDF
TL;DR通过提出一种名为 CMADR 的新型约束多智能体强化学习动态路由算法，以高效地平衡目标改进与约束满足，该算法能有效减少数据包延迟最少 21% 和 15%，并满足严格的能量消耗和丢包率要求，优于多个基准算法。
integrated satellite-terrestrial networkrouting schemepacket routingconstraint satisfactiondynamic routing algorithm
发现论文，激发创造
  • 分布式卫星路由的多主体深度强化学习

    该研究介绍了一种用于低地球轨道卫星链路的多智能体深度强化学习方法（MA-DRL），通过融合全局深度神经网络以及本地预训练 DNN，实现离线学习最优路径并快速适应网络和流量变化，在线实现高效分布式路由。

    Feb, 2024

  • 综合接入回传网络的多智能体强化学习网络路由

    本研究主要探讨无线路由方案的优化，特别关注于集成接入回程（IAB）网络，旨在通过采取多智能体强化学习和马尔可夫决策过程等方法，最大化分组到达比率同时最小化网络延迟，并提升网络效率。在本研究中，我们提出了一种称为关系型优势演员评论家（Relational A2C）的算法，并对其进行了三种不同的训练范式。研究结果表明，相较于其他强化学习算法，该算法具有更好的性能和更低的个体自私行为，为 IAB 网络的路由策略优化提供了新的思路。

    May, 2023

  • 连续深度强化学习在分散卫星路由中的应用

    这篇论文介绍了基于持续的深度强化学习的低轨卫星星座分散路由的完整解决方案，采用多智能体方法，其中每个卫星作为一个独立的决策制定智能体，通过从附近的智能体接收的反馈来获取环境的有限知识。

    May, 2024

  • 基于真实卫星、飞行和航运数据的深度学习辅助空中 - 地面 - 空运综合网络路由

    本文提出了一种空 - 空 - 地 - 海一体化网络，通过深度学习算法帮助多目标路由，利用商用客机来增强以卫星为基础的海上通信，以降低端到端延迟，提高通信吞吐量并改善路径寿命，达到近似 Pareto 最优的性能

    Oct, 2021

  • SDWN 中基于多智能体深度强化学习的智能组播路由方法

    本文提出了一种基于多智能体深度强化学习的新型组播路由方法，该方法应用于软件定义的无线网络环境中，灵活配置网络并获得网络状态信息。使用单跳动作策略和奖励函数解决多智能体合作下的多个子问题，并采用分散式训练方法相结合的迁移学习机制来加速收敛并提高吞吐量、延迟、丢包率等性能，模拟实验表明 MADRL-MR 方法可以建立更智能的组播路由。

    May, 2023

  • 室内环境下采用 NOMA 辅助的多 STAR-RIS 设计优化：凸逼近模仿强化学习方法

    通过多个关键接入点（APs）和自适应重构智能表面（STAR-RISs）的新型网络架构，该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案，并采用多智能体深度强化学习（MADRL）来优化 STAR-RIS 的控制。通过模拟实验，论文证明了与基准方法相比，网络效用显著提高。

    Jun, 2024

  • 空中 - 地面 - 空中集成网络资源管理的合作多类型多智能体深度强化学习

    将低地球轨道卫星、无人机和地面用户融合的空地一体化网络（SAGIN），在智慧城市应用方面具有巨大潜力。然而，SAGIN 的资源管理是一个挑战，需要紧急研究，因为不适当的资源管理会导致数据传输差，从而影响智慧城市的服务。本文开发了一个综合的 SAGIN 系统，包括五个不同的通信链路，并提出了一种高效的合作多类型多智能体深度强化学习（CMT-MARL）方法来解决资源管理问题。实验结果突出了所提出的 CMT-MARL 的有效性，体现在整体传输率和传输成功率等关键性能指标上。这些结果证明了未来实施 SAGIN 的潜在价值和可行性。

    Aug, 2023

  • 下行低轨卫星网的干扰感知紧急随机接入协议

    我们提出了一个多智能体深度强化学习（MADRL）框架，用于训练低轨道卫星网络的下行多用户接入协议。通过改进现有学习的协议 eRACH，我们的方法 Ce2RACH 可以通过在 MADRL 训练过程中联合学习额外的信令消息来减轻卫星之间的干扰。仿真结果表明，与 eRACH 相比，Ce2RACH 的网络吞吐量提高了 36.65％，而信令消息的成本与用户数量呈线性增长。

    Feb, 2024

  • 自适应分布式强化学习的多目标优化

    提出了一个高学习效率、计算要求低的多目标、多智能体强化学习算法，适用于动态、分布式和嘈杂环境，通过稀疏和延迟奖励自动触发自适应的少样本学习，在智能交通系统中经过实证研究和与现有算法的比较，取得了更好的性能。

    Mar, 2024

  • 面向成本和时延敏感的虚拟网络功能部署和路由的多智能体深度强化学习

    本文提出了一种基于多智能体深度强化学习的有效而新颖的方法，用于解决联合虚拟网络功能（VNF）部署和路由问题，该问题涉及多个不同需求的服务请求同时交付，并通过其延迟和成本敏感因素反映服务请求的不同需求，提出了基于参数移植的模型重新训练方法来处理网络拓扑发生更改的情况。

    Jun, 2022