基于GCN-DDPG的超密集物联网资源分配方法及系统技术方案

本发明专利技术涉及D2D辅助的超密集物联网技术领域，具体公开了一种基于GCN‑DDPG的超密集物联网资源分配方法及系统，包括步骤：构建超密集物联网的通信模型；根据通信模型建立冲突图；将冲突图简化为冲突超图；基于所述冲突超图采用基于图卷积神经网络的深度强化学习模型即GCN‑DDPG模型对超密集物联网进行资源分配。本发明专利技术通过构建冲突图模型来分析资源复用冲突关系，将冲突图模型转化为冲突超图模型同时分析多个传输链路(transmission link，TL)之间的冲突关系，并将资源分配问题转化到超图的顶点强着色问题。最后提出了基于图卷积强化学习算法(GCN‑DDPG)的无冲突资源分配策略。实验结果表明，与对比算法相比，本算法具有更高的网络资源重用率和吞吐量，在D2D辅助的UD‑IoE中具有更好的性能。

【技术实现步骤摘要】

本专利技术涉及d2d辅助的超密集物联网，尤其涉及基于gcn-ddpg的超密集物联网资源分配方法及系统。

技术介绍

1、随着无线通信技术的发展，万物互联(ioe，internet of everything)迅速发展，万物互联的设备(ioed，internet ofeverything devices)数量激增，这意味着物联网在未来会演变为超密集物联网(ud-ioe，ultra-dense internet of everything)，并会面临网络吞吐量和频谱资源利用率有限等挑战。设备到设备(d2d，device-to-device)通信方式可用于缓解ud-ioe中网络吞吐量和资源利用率有限等挑战。d2d通信支持两个ioed之间直接通信，并在两个设备之间共享资源。然而，当ioed间通信范围交叠且采用同一信道进行传输时，将会出现严重的干扰现象。因此，在d2d辅助的ud-ioe中，必须依靠有效的资源管理管理方法，既保障网络性能，又避免严重干扰。

2、针对d2d辅助的ud-ioe资源管理，现有研究多关注于网络吞吐量性能，且多采用最优化方法建立优化模型本文档来自技高网...

【技术保护点】

1.基于GCN-DDPG的超密集物联网资源分配方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于GCN-DDPG的超密集物联网资源分配方法，其特征在于，在所述步骤S4中，所述GCN-DDPG模型还包括行动者目标网络和批判者目标网络；

3.根据权利要求2所述的基于GCN-DDPG的超密集物联网资源分配方法，其特征在于，通过最小化均方误差训练所述批判者网络，均方误差L(θQ)由下式计算：

4.根据权利要求3所述的基于GCN-DDPG的超密集物联网资源分配方法，其特征在于，通过最大化环境状态初始分布的预期收益训练所述行动者网络，环境状态初始分布的预期...

【技术特征摘要】

1.基于gcn-ddpg的超密集物联网资源分配方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于gcn-ddpg的超密集物联网资源分配方法，其特征在于，在所述步骤s4中，所述gcn-ddpg模型还包括行动者目标网络和批判者目标网络；

3.根据权利要求2所述的基于gcn-ddpg的超密集物联网资源分配方法，其特征在于，通过最小化均方误差训练所述批判者网络，均方误差l(θq)由下式计算：

4.根据权利要求3所述的基于gcn-ddpg的超密集物联网资源分配方法，其特征在于，通过最大化环境状态初始分布的预期收益训练所述行动者网络，环境状态初始分布的预期收益j(θμ)由下式计算：

5.根据权利要求1所述的基于gcn-ddpg的超密集物联网资源分配方法，其特征在于，在所述行动者网络或所述批判者网络中，所述图卷积神经网络的操作表示为：

...

【专利技术属性】
技术研发人员：黄杰，李幸星，杨凡，杨成，喻涛，张仕龙，姚凤航，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：