.png){kind=icon}
返回
Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control
.png){kind=icon}
OA
AI
DOI：10.1109/TCYB.2025.3566112.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑一个具有有限频率信道的全分布式无线网络控制系统（WNCS）的上行链路和下行链路联合调度问题。利用随机系统理论中的元素，我们推导出WNCS的一个充分稳定性条件，该条件以控制系统和通信系统的参数表述。一旦该条件得到满足，就存在一个平稳且确定性的调度策略，能够稳定WNCS中的所有被控对象。通过分析和表示WNCS以有限长可数向量状态表示的每步成本函数，我们将最优传输调度问题表述为马尔可夫决策过程，并开发了一个基于深度强化学习（DRL）的框架来求解该问题。为了应对DRL中动作空间过大的挑战，我们提出了新颖的动作空间缩减和动作嵌入方法，这些方法可应用于各种算法，包括深度Q网络（DQN）、深度确定性策略梯度（DDPG）和双延迟DDPG（TD3）。数值结果表明，所提出的算法显著优于基准策略。
Keyword:
Deep Q-learning (DQN)
Markov decision process (MDP)
stability condition
transmission scheduling
wireless networked control
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
分享收藏Deep reinforcement learning for wireless sensor scheduling in cyber-physical systems.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏分享收藏
查看更多内容