一种用于RIS-UAV网络优化的探索增强DDPG算法制造技术

本发明专利技术提供一种用于RIS‑UAV网络优化的探索增强DDPG算法，包括以下步骤：步骤1，一种融合UAV轨迹控制、UAV波束赋形及RIS相移优化的RIS‑UAV网络联合通信优化模型，以提升网络传输性能；步骤2，设计一种探索增强策略网络，以解决DDPG算法因策略网络输出确定性动作而导致探索能力不足的问题。最后，将探索增强策略网络有机融合到DDPG算法中，形成了一种探索增强DDPG算法。本发明专利技术方法通过利用步骤2的方法对步骤1建立的模型进行优化求解，以最优化RIS‑UAV网络的信息传输速率。这一发明专利技术不仅为RIS‑UAV网络优化研究开辟了新方法，还拓宽了DDPG算法在RIS‑UAV网络中的应用范围。

【技术实现步骤摘要】

本专利技术涉及遥感，具体涉及一种用于ris-uav网络优化的探索增强ddpg算法。

技术介绍

1、智能超表面(reconfigurable intelligent surfaces, ris)辅助无人机(unmanned aerial vehicle, uav)通信在网络性能上展现出极大潜力，已成为6g通信中的一项关键技术。ris-uav网络涉及多个关键参数，如uav轨迹、ris反射矩阵和uav波束赋形矩阵等，这些优化变量呈现出高维特性。同时，为了保障向用户提供稳定可靠的通信服务，ris-uav网络必须满足一系列约束条件，包括uav发射功率和空间位置等限制。此外，uav在飞行过程中与用户之间的信道参数会不断发生变化，这进一步增加了网络优化的复杂性。因此，ris-uav网络优化具有高维度、多约束和高动态的特性，这对网络的实时优化能力提出了很高要求。

2、深度强化学习(deep reinforcement learning, drl)有机融合了深度神经网络的强大特征提取能力，以及强化学习的优异决策能力，成为解决复杂动态优化问题的一种重要手段。在dr本文档来自技高网...

【技术保护点】

1.一种用于RIS-UAV网络优化的探索增强DDPG算法，其特征在于，包括步骤：

2.根据权利要求1所述的一种用于RIS-UAV网络优化的探索增强DDPG算法，其特征在于，所述的Step1.1中建立系统模型的具体过程为：

3.根据权利要求2所述的一种用于RIS-UAV网络优化的探索增强DDPG算法，其特征在于，所述的Step1.2中建立信道模型的具体过程为：

4.根据权利要求3所述的一种用于RIS-UAV网络优化的探索增强DDPG算法，其特征在于，所述的Step1.3中建立信息传输速率模型的具体过程为：

5.根据权利要求4所述的一种用于RI...

【技术特征摘要】

1.一种用于ris-uav网络优化的探索增强ddpg算法，其特征在于，包括步骤：

2.根据权利要求1所述的一种用于ris-uav网络优化的探索增强ddpg算法，其特征在于，所述的step1.1中建立系统模型的具体过程为：

3.根据权利要求2所述的一种用于ris-uav网络优化的探索增强ddpg算法，其特征在于，所述的step1.2中建立信道模型的具体过程为：

4.根据权利要求3所述的一种用于ris-uav网络优化的探索增强ddpg算法，其特征在于，所述的step1.3中建立信息传输速率模型的具体过程为：

5.根据权利要求4所述的一种用于ris-uav网络优化的探索增强ddpg算法，其特征在于，所述的step1.4中建立优化模型的具体...

【专利技术属性】
技术研发人员：张磊，徐磊，文方青，张清河，
申请(专利权)人：三峡大学，
类型：发明
国别省市：