基于深度强化学习的5G智能城市异构物联网网络自适应协议优化
《IoT》:Deep Reinforcement Learning-Based Adaptive Protocol Optimization for Heterogeneous IoT Networks in 5G-Enabled Smart Cities
【字体:
大
中
小
】
时间:2026年07月02日
来源:IoT 4.3
摘要
随着5G支持的智能城市环境中物联网设备的迅速增加,如何在异构网络架构中管理通信协议面临着前所未有的挑战。预计到2025年底,连接的物联网设备数量将达到211亿台,而到2030年这一数字还将上升至约390亿台。现有的静态协议选择机制无法满足不同智能城市应用对服务质量的不同需求,比如增强型移动宽带、超可靠低延迟通信以及大规模机器类型通信。本文提出了一种名为APO-DRL的框架,它结合了双深度Q网络与优先经验回放机制,用于在异构物联网网络中实现智能、实时的通信协议选择和参数优化。该框架将协议优化问题转化为马尔可夫决策过程,通过深度强化学习算法,让代理能够根据实时网络状况动态选择最优的通信协议,并调整传输参数。在基于3GPP TR 38.901标准的城市宏观仿真环境中,使用30台设备进行的实验表明,与静态分配方案相比,APO-DRL的平均吞吐量提升了138.9%(从60.00 Mbps提升到25.12 Mbps),同时在各方案中实现了最高的性能满意度(83.38%),不过其能耗和数据包丢失率也高于静态分配方案。与D3QN+PER方案相比,APO-DRL的跨种子吞吐量波动要小得多(±0.88 Mbps对比±11.03 Mbps),这证明了QA-PER机制能生成更稳定、可重复的学习策略。
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