一种受强化学习启发的高效认知无线电网络路由方法

《Recent Advances in Computer Science and Communications》：A Reinforcement Learning Inspired Approach for Efficient Cognitive Radio Network Routing

认知无线电网络动态环境中次用户需频繁切换信道。本文提出基于Q-Learning的CRNR路由方法，通过优化信道选择策略减少切换，实验证明其提升吞吐量并降低干扰，为AI驱动的网络管理提供新思路。

　　

摘要

引言：认知无线电网络（CRNs）的一个基本特征是其动态的运行环境，其中网络条件（如主要用户（PUs）的活动）会随时间不断变化。当次要用户（SUs）正在进行通信时，如果主要用户重新出现在次要用户的信道上，次要用户就需要 vacate 该信道并切换到另一个可用的信道。因此，在 CRNs 中找到一条能够减少频繁信道切换的稳定路径是一项具有挑战性的任务。

方法：现有的减少主要用户干扰的解决方案往往忽略了节点在形成簇时的能耗问题，仅关注簇中公共信道的最小数量。因此，这些方案由于主要用户的出现而经常导致信道切换。所提出的认知无线电网络路由（CRNR）方法通过使用一种称为 Q-Learning 的强化学习（RL）技术来选择具有较高关闭状态概率的信道，从而实现减少频繁信道切换的目标。

结果：该策略通过优先选择关闭状态概率较高的信道来确保选定的路径避免重新路由。实验研究表明，与现有技术相比，CRNR 方法提高了网络吞吐量并减少了干扰。CRNR 在无线网络中引入了人工智能（AI）和 Q-Learning（一种强化学习技术）的新应用。

结论：这架起了机器学习与网络设计之间的桥梁，展示了智能算法如何实时优化通信决策，这可能会激发对网络管理等领域中 AI 驱动技术的进一步探索。