10.12305/j.issn.1001-506X.2023.03.31
深度强化学习在天基信息网络中的应用——现状与前景
未来天基信息网络(space information network,SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战.数据驱动的深度强化学习(deep reinforcement learning,DRL)作为一种应对上述挑战的可行思路被引入SIN领域.首先简要介绍了 DRL的基本方法,并全面回顾了其在SIN领域的研究进展.随后,以星地网络场景的中继选择为例,针对大规模节点问题提出了基于平均场的DRL算法,并提出一种基于微调的模型迁移机制,用以解决仿真环境与真实环境之间的数据差异问题.仿真证明了其对网络性能优化的效果,且计算复杂度和时间效率均具有可行性.在此基础上归纳和总结了 DRL方法在SIN领域的局限性与面临的挑战.最后,结合强化学习前沿进展,讨论了此领域未来的努力方向.
天基信息网络、深度强化学习、中继选择、网络性能优化
45
TN929.5
国家自然科学基金62076251
2023-03-14(万方平台首次上网日期,不代表论文的发表时间)
共16页
886-901