【技術實現步驟摘要】
本專利技術涉及一種基于深度強化學習的寬帶認知無線電網絡中irs和uav輔助移動邊緣計算的資源優化方法，屬于無線通信。
技術介紹
1、近年來，物聯網(internet?of?things，iot)領域經歷了蓬勃發展，新興的物聯網設備快速增多。各種智能應用應運而生，例如智能家居、智能健康監測和智能交通，這些應用為人們的日常生活和工作帶來了極大的便利。然而，隨著物聯網設備數量的激增，出現了一系列挑戰。其中，對計算能力和處理延遲的需求日益增加，已成為一個關鍵問題。許多設備難以滿足這些要求，因此，移動邊緣計算(mobile?edge?computing，mec)技術的應用被證明是解決這些挑戰的有效方案。
2、其中，mec的工作原理是將計算資源部署在網絡邊緣，將計算能力靠近數據源和終端設備。通過在基站、邊緣服務器或云邊節點等位置部署計算資源，mec能夠縮短數據傳輸距離和時間，減少通信延遲，從而提高服務效率。此外，mec還支持任務卸載，允許將計算任務在終端設備和邊緣節點之間轉移，以分配計算負載。這些機制使得數據處理和服務交付更快、更實時，為各種應用場景提供低延遲、高帶寬的計算支持。因此，mec在行業中得到了廣泛的研究。
3、在mec系統中，可能會出現信號衰減和覆蓋不均等問題，這些問題會導致通信質量下降。此外，信號傳輸路徑可能變得更復雜，從而增加通信延遲。智能反射面(intelligentreflecting?surface，irs)可以有效解決這些問題。其中，irs由特別設計的材料或結構組成，能夠操控和控制電磁波的傳播
4、此外，使用無人機(unmanned?aerial?vehicle，uav)代替傳統基站有可能提高mec網絡的效率。將uav引入mec網絡帶來了更大的靈活性、更快的響應時間和更高的適應性。因此，uav與irs輔助的mec網絡的集成研究越來越受到關注。例如，在x.qin，z.song，t.hou，w.yu等人發表的論文“joint?optimization?of?resource?allocation,phase?shift,anduav?trajectory?for?energy?efffcient?ris-assisted?uav-enabled?mec?systems”(ieee?tran.on?green?commun.and?net.,vol.7,no.4,pp.1778-1792,2023)研究了利用irs輔助的無人機mec系統，通過優化比特分配、傳輸功率、相位偏移和無人機軌跡來最大化系統效率。模擬結果顯示，無人機方案能顯著提高效率。在f.jiang，y.peng，k.wang，l.dong等人發表的論文“mars:adrl-based?multi-task?resource?scheduling?framework?foruav?with?irs-assisted?mobile?edge?computing?system”(ieee?transactions?oncloud?computing,vol.11,no.4,pp.3700-3712,2023)的研究中，作者探討了一個同時由uav和irs輔助的動態mec系統，模擬結果進一步確認了將uav引入系統的優勢。
5、此外，在mec網絡中，頻譜資源的稀缺性是一個重要的挑戰，而認知無線電(cognitive?radio，cr)技術為這一問題提供了有效的解決方案。其中，cr技術通過智能感知和動態利用未被充分使用的頻譜，能夠大幅提升頻譜的使用效率。它不僅能夠識別和利用空閑頻譜，還能根據網絡的實際需求動態調整頻譜分配，從而優化信號傳輸和減少干擾。而cr技術的另一個優勢是它的適應性強，能夠根據環境變化和用戶需求實時調整，確保主用戶的信號質量，同時為次級用戶提供更高的數據速率。此外，結合irs等先進技術，cr網絡可以進一步增強頻譜利用效率，提高網絡的覆蓋范圍和性能，最終實現更加靈活和高效的頻譜管理。這些特性使cr技術在現代通信系統中成為提升頻譜效率和網絡性能的重要工具。
技術實現思路
1、本專利技術目的在于針對上述現有技術的缺陷和不足，旨在優化寬帶cr系統中的資源使用。它包括提升頻譜效率、增強計算能力、減少數據傳輸延遲以及優化資源分配。利用mec提高系統計算能力，結合irs和無人機uav減少延遲，并智能調節irs的反射相位和uav的位置，以實現cr系統的性能最優化和資源的高效利用。為此，本專利技術提出了一種結合irs/uav輔助的寬帶cr系統優化方案。在該方案中，uav取代了傳統的主基站和次級基站角色。研究中，我們共同優化了主次uav的飛行路徑、子載波分配、irs的反射系數以及任務卸載比例，以最大化系統的能效。為解決由于高度耦合的優化變量帶來的非凸性問題，本專利技術采用了一種深度強化學習算法——ddqn-td3算法。
2、本專利技術解決其技術問題所采用的技術方案是：一種基于深度強化學習的寬帶認知無線電網絡中irs和uav輔助移動邊緣計算的資源優化方法，該方法包括如下步驟：
3、步驟1：寬帶頻譜感知。
4、本專利技術irs/uav輔助的寬帶cr系統將頻帶分為c個子頻帶，分別對每個子頻帶進行感知，檢測結果可以被分類為兩種狀態，即：
5、步驟1-1：子頻帶c處于空閑狀態。
6、次級基站只能接收到噪聲信號，即ys,c＝ns，其中，ns表示次級基站處的加性白高斯噪聲，這意味著其接收到的信號包含均值為0、方差為的加性高斯白噪聲。在這種情況下，次級網絡可以使用子頻帶c進行信號傳輸。
7、步驟1-2：子頻帶c處于被占用狀態。
8、次級基站接收到的信號是直射信號、反射信號和加性高斯白噪聲的組合，其中直射信號經過信道衰落，反射信號來自主基站到irs，再到次級基站的路徑，即其中，信道模型中，和分別表示從主基站到次級基站、從主基站到irs、從irs到次級基站的信道。此外，表示irs的反射系數，αm和θm分別為irs中第m個反射元素的振幅和相移。假設反射振幅在理想狀態下，即αm＝本文檔來自技高網...
【技術保護點】
1.一種基于深度強化學習的在寬帶認知無線電網絡中采用IRS/UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述方法包括如下步驟：
2.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟1包括：
3.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟2包括：
4.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟3包括：
5.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟4包括：
6.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UAV輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟5包括：
7.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中IRS和UA
...【技術特征摘要】
1.一種基于深度強化學習的在寬帶認知無線電網絡中采用irs/uav輔助移動邊緣計算的資源優化方法，其特征在于，所述方法包括如下步驟：
2.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中irs和uav輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟1包括：
3.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中irs和uav輔助移動邊緣計算的資源優化方法，其特征在于，所述步驟2包括：
4.根據權利要求1所述的一種基于深度強化學習的寬帶認知無線電網絡中irs和...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。