LTE‐V 下基于深度强化学习的基站选择算法

针对长期演进 车辆(long term evolution‐vehicle ,LT E‐V )下的车辆随机竞争接入网络容易造成网络拥塞的问题,提出基于深度强化学习(deep reinforcement learning ,DRL )为 LT E‐V 下的车辆接入最佳基站(evolved node B ,eNB)的选择算法.使用L T E核心网中移动管理单元(mobility management entity ,M M E)作为代理,同时考虑网络侧负载与接收端接收速率,完成车辆与eNB的匹配问题,降低网络拥塞概率,减少网络时延.使用竞争 双重深度Q 网络(dueling‐double deep Q‐netw ork ,D‐DDQN )来拟合目标动作 估值函数(action‐value function ,AVF) ,完成高维状态输入 低维动作输出的转化.仿真表明,D‐DDQN 训练完成参数收敛后,L T E‐V网络拥塞概率大幅下降,整体性能有较大提升.