マルチエージェント強化学習アルゴリズムに基づく認知IoTリソース割り当て方法

科学分野:

• ワイヤレス通信
• IoT（モノのインターネット）
• 人工知能

背景:

• 車両間通信は、動的なスペクトルアクセスとチャネル条件によって課題に直面しています。
• 高車速ネットワークでは適時性が重要であり、情報エージ（AoI）は重要なパフォーマンス指標となっています。

研究 の 目的:

• 車両向けの認知IoT（CIoT）ネットワークにおける情報エージ（AoI）を最小化すること。
• 高車速移動下でのリソース割り当てのための共同チャネル選択と電力制御に対処すること。

主な方法:

• カスタム報酬関数を持つマルコフ決定プロセス（MDP）として問題をモデル化すること。
• 車両をエージェントとするマルチエージェント強化学習アプローチを採用すること。
• ハイブリッドアクションスペースのための改良型アクターネットワークを備えた改良型マルチエージェント近接方策最適化（IMAPPO）アルゴリズムを提案すること。

主要な成果:

• 提案されたIMAPPOアルゴリズムは、動的な車両環境におけるリソース割り当てを効果的に管理します。
• シミュレーションは、システムAoIを削減する上でのアルゴリズムの実現可能性と有効性を確認します。
• CIoTリソース割り当てスキームは、車両ユーザーのAoIを削減する上で、代替方法よりも大幅に優れています。

結論:

• IMAPPOアルゴリズムは、CIoT車両ネットワークにおけるリソース割り当ての効果的なソリューションを提供します。
• AoIの最適化は、接続および自律走行車におけるリアルタイムアプリケーションにとって重要です。
• この研究は、将来の車両通信システムのためのインテリジェントなリソース管理を進歩させます。