面向FSO-NOMA网络的智能学习：分布式与协作式Q学习算法的性能比较与优化

本文针对自由空间光通信（FSO）与非正交多址（NOMA）网络中的多小区干扰（ICI）问题，提出四种基于Q学习的功率分配算法（CCQL/ICQL/CDQL/IDQL），通过单/多智能体强化学习（RL/MARL）优化频谱效率与用户公平性。研究创新性地将大气湍流、路径损耗等FSO信道损伤纳入学习框架，验证了IDQL在独立决策下的高效性（6.5 bps/Hz）与CDQL在性能-开销间的平衡优势（5.3 bps/Hz），为动态光无线网络资源管理提供了理论支撑与实践指南。

　　

亮点

本研究通过系统仿真揭示了四种Q学习算法在性能与复杂度间的显著差异：独立分布式Q学习（IDQL）以最高计算成本实现6.5 bps/Hz的峰值频谱效率，而协作分布式Q学习（CDQL）以适中复杂度达成5.3 bps/Hz，成为大规模部署的优选方案。

讨论

四种算法（CCQL/ICQL/CDQL/IDQL）在数据总速率、奖励累积和信干噪比（SINR）方面呈现明确权衡关系。IDQL凭借完全独立决策机制在频谱效率上领先，但伴随高计算负荷；CDQL通过有限协作在性能与开销间取得平衡，特别适合动态光信道（如湍流、几何损耗）下的实时优化。值得注意的是，集中式协作Q学习（CCQL）虽性能最低（4.3 bps/Hz），其低复杂度特性仍适用于资源受限场景。

结论

Q学习算法在光无线通信中展现出差异化应用前景：IDQL适用于计算资源丰富的超密集网络，CDQL凭借5.3 bps/Hz的稳定表现成为多数场景的推荐方案。未来研究应聚焦自适应协作机制开发，以应对6G时代FSO-NOMA网络的动态扩展需求。

（注：根据要求已去除文献引用标识，保留专业术语英文缩写与_{/^{格式，未使用SVG标签）}}