DIRAL:基于多智能体深度强化学习的分布式资源分配在5G-V2V通信中的应用

简介：
简介：本文提出了一种应用于5G车辆到车辆（V2V）通信的创新解决方案——DIRAL，该方案利用多智能体深度强化学习实现分布式资源的有效分配。 本段落探讨了在车对车（V2V）通信中的分布式资源选择问题，在这种场景下车辆自主地从共享资源池选取传输资源来传播合作意识消息（CAM）。每个车辆需要确定一个独特的资源进行数据传输，这构成了一个共识任务。然而，由于车辆的移动性导致相邻车辆数量不断变化，使得这一过程更加复杂和具有挑战性。在交通拥挤的情况下，为每辆车分配独一无二的资源变得不切实际，因此有必要开发出一种有效的拥挤环境下的资源分配策略。 5G标准中的半永久调度（SPS）方法因受限于车辆的空间分布而难以有效实施。我们提出了一种新的分布式资源选择机制——DIstributed Resource Allocation with Learning (DIRAL)，该机制基于多主体强化学习，旨在解决上述问题，并利用了车辆空间分布的变化来优化资源配置。 一个关键挑战在于如何处理由并发学习代理引入的非平稳性问题，这些问题可能导致多个代理之间的冲突和不稳定性。通过提出的新方法，我们能够更有效地应对这些挑战，在动态变化的环境中实现资源分配策略的有效性和鲁棒性的提升。