.png){kind=icon}
返回
Multi-Task Reinforcement Learning-Based Multiple Access for Dynamic Wireless Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3559676.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着新兴应用的快速发展，无线网络需要提供高吞吐量。同时，无线场景表现出高度动态特性，涉及网络规模和流量的频繁变化。为满足动态无线场景中新应用的高需求，需要一种新型介质访问控制（MAC）协议，以允许站点高效且灵活地访问信道。基于多智能体强化学习（MARL），我们提出了一种新的MAC协议——基于多任务Transformer的多路访问（MTMA）。多任务学习被应用于训练单个执行者同时适应多个无线环境。为提高可扩展性，我们提出了一种基于Transformer的评论者网络，能够扩展到不同的无线场景。此外，还提出了一种名为“N泛化（Gen-N）”的新型网络以增强泛化能力。我们进行仿真实验以证明MTMA：1）在最大化公平性能的同时，达到超过95%的上限吞吐量；2）在饱和流量和轻流量场景中优于经典MAC协议和基于MARL的基线；3）能在动态场景中快速适应环境变化；4）能够泛化到训练期间未见过的场景。最后，进行了消融实验以评估MTMA中所用组件的有效性。
Keyword:
Medium access control
distributed channel access
multi-agent reinforcement learning
transformer
multi-task learning
期刊
IF:
9.2
论文数:
5.6K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
分享收藏Multi-Channel Opportunistic Access for Heterogeneous Networks Based on Deep Reinforcement Learning
PREAI
分享收藏A Unified Analysis of IEEE 802.11 DCF Networks: Stability, Throughput, and DelayIEEE 802.11 DCF网络的统一分析: 稳定性，吞吐量和延迟
PREAI
分享收藏Scalable Multi-Agent Reinforcement Learning-Based Distributed Channel Access可扩展的多智能体强化学习基础上的分布式信道接入
PREAI
分享收藏
查看更多内容