文献

J-GLOBAL ID：202202290647956861   整理番号：22A0779191

車両ネットワークにおけるマルチエージェント深層強化学習-エンパワーチャネル割当【JST・京大機械翻訳】

Multi-Agent Deep Reinforcement Learning-Empowered Channel Allocation in Vehicular Networks

著者 (3件)： Kumar Anitha Saravana (Department of Electrical, Computer, Biomedical Engineering, Ryerson University, Toronto, ON, Canada) ,  Zhao Lian (Department of Electrical, Computer, Biomedical Engineering, Ryerson University, Toronto, ON, Canada) ,  Fernando Xavier (Department of Electrical, Computer, Biomedical Engineering, Ryerson University, Toronto, ON, Canada)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 71  号： 2  ページ： 1726-1736  発行年： 2022年 
JST資料番号： C0244A  ISSN： 0018-9545  CODEN： ITVTAB  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： チャネル割当は,車両対空(V2X)ネットワークの性能に直接的で大きな影響を与える。車両環境の動的性質を考慮すると,効果的な資源共有を行うための混合戦略の考案は魅力的である。本論文では,深層学習技法を用いて,車両の移動性パターンを予測する。次に,集中意思決定と分散チャネル割当から成るアーキテクチャを提案し,含まれるすべての車両のスペクトル効率を最大化する。これを達成するために,2つの深い強化学習技術,すなわち,深いQネットワーク(DQN)と利点アクター-批評(A2C)技術を利用した。さらに,ユーザ移動性の時間変化特性を与えて,さらに,長い短期メモリ(LSTM)をDQNとA2C技術に組み込んだ。組合せシステムはユーザ移動性,様々な要求とチャネル条件を追跡し,動的に資源配分を適応させる。広範囲なシミュレーションを通して提案した方法の性能を検証し,California状態輸送部門から得られた実際のデータを用いて,提案したLSTM-DQNとLSTM-A2Cアルゴリズムの有効性を証明した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  意思決定 ,  *ネットワーク ,  経時変化 ,  資源割付 ,  有効性 ,  チャネル ,  計算機アーキテクチャ ,  *強化学習 ,  周波数利用効率
準シソーラス用語： 資源共有 ,  *チャネル割当 ,  *マルチエージェント ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 移動通信  (ND08030H)

タイトルに関連する用語 (4件)： マルチエージェント ,  深層強化学習 ,  パワー ,  チャネル割当