.png){kind=icon}
返回
Fast convergent actor-critic reinforcement learning based interference coordination algorithm in D2D networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2025.103788.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种快速收敛的优势Actor-Critic（FC-A2C）强化学习算法，旨在解决设备到设备（D2D）网络中的干扰协调问题。基于强化学习的传统干扰协调算法通常存在高复杂度和长收敛时间的问题。为克服这些局限性，所提出的FC-A2C算法整合了特征提取网络以减少计算冗余，双头Actor网络分别处理资源分配和功率控制，以及中央Critic网络根据附近智能体收集的奖励生成优势值。这些改进共同加速了算法的收敛，同时保持了最优的网络性能。仿真结果表明，FC-A2C算法在收敛速度和多项性能指标上显著优于传统和典型的基于强化学习的干扰协调算法。与现有方法相比，所提出的算法可达到最高83%的更快收敛速度和最高6.1%更好的网络性能，使其成为D2D网络中高效干扰协调的潜在解决方案。
Keyword:
D2D networks
Interference coordination
Reinforcement learning
Actor-Critic
Convergence
期刊
IF:
4.8
论文数:
550
被引数:
6.2K
机构
暂无机构信息
引用论文
Deep Deterministic Policy Gradient-Based Resource Allocation Considering Network Slicing and Device-to-Device Communication in Mobile Networks基于深度确定性策略梯度，考虑网络切片和设备到设备通信的移动网络资源分配.png)
Sensors
OAAI
SensorsIF0
OAAI分享收藏
查看更多内容