6G赋能无人机辅助物联网无线网络中基于深度强化学习的节能资源分配与调度
《Sensors》:Deep Reinforcement Learning-Based Energy-Efficient Resource Allocation and Scheduling in 6G-Enabled UAV-Assisted IoT Wireless Networks
【字体:
大
中
小
】
时间:2026年08月30日
来源:Sensors 4.0
摘要
无人机(UAV)已成为一种灵活且成本效益高的解决方案,能够在传统基础设施无法满足需求的场景下连接物联网(IoT)设备。然而,在设备密集部署、需求多样的情况下,如何同时管理其有限的能源,使得资源分配成为一个真正困难的问题。本文提出了一种深度强化学习(DRL)框架,在基于确定性大规模空中-地面路径损耗信道模型的6G赋能无人机中继上行网络中,联合优化用户调度、IoT设备发射功率、带宽以及无人机移动。无人机作为物联网设备与基站(BS)之间的空中解码转发中继,利用深度Q网络(DQN)根据队列积压、信道条件、无人机位置和剩余电量做出决策。奖励函数在能效(EE)、队列稳定性、公平性和电池寿命之间取得平衡。我们将DQN与六个基线方案进行了对比,包括轮询(RR)、随机分配(RA)、最大信噪比(Max-SNR)、比例公平(PF)、Lyapunov启发式方案以及贪心能效(GreedyEE)方案,并在不同的设备数量、业务负载、电池预算和飞行高度条件下进行了测试。仿真结果一致表明,DQN在所有基线方案中表现最优,包括具有同等无人机移动访问权限的RA基线方案;在能效、吞吐量、延迟和公平性方面均取得了显著优势,从而证实性能提升源于学习到的联合控制策略,而非仅仅因为无人机移动能力的可用性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号