.png){kind=icon}
返回
Advanced Optimization Algorithm Combining a Fuzzy Inference System for Vehicular Communications
.png){kind=icon}
OA
AI
DOI：10.3390/fi17010046.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
使用静态调制编码方案（MCS），如7，以及资源保持概率（Prk）值，如0.8，已被证明不足以实现最佳数据包接收率（PRR）性能。在随后的几年中，各种自适应技术已被采用。本研究介绍了一种新颖的优化算法方法，称为模糊推理强化学习（FIRL）序列，用于蜂窝车联万物（C-V2X）模式4通信网络中的自适应参数配置。这种创新方法结合了Sugeno型模糊推理系统（FIS）控制系统和Q-learning强化学习算法，以优化PRR作为整体网络性能的关键指标。FIRL序列在每次生成长期演进（LTE）数据包时，生成自适应配置参数用于Prk和MCS索引值。仿真结果表明，该优化算法方法的有效性，与静态基准参数相比，性能提升了高达169.83%。
Keyword:
cellular vehicle-to-everything
modulation coding scheme
packet reception ratio
fuzzy inference system
Q-learning
期刊
IF:
3.6
论文数:
1.2K
被引数:
6.5K
机构
引用论文
Robust Fuzzy Learning for Partially Overlapping Channels Allocation in UAV Communication Networks
OAAI
OAAI分享收藏Performance of Fuzzy Inference System for Adaptive Resource Allocation in C-V2X Networks.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Comparison of IEEE 802.11p and LTE-V2X: An Evaluation With Periodic and Aperiodic Messages of Constant and Variable SizeIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容