摘要
本文介绍了一种节能的、软件定义的车辆边缘网络，用于不断发展的智能互联交通系统。研究了一个联合的以用户为中心的虚拟小区形成和资源分配问题，将生态解决方案带到了边缘。这个联合问题的目的是在保证可靠性和数据速率的同时对抗耗电的边缘节点。更具体地说，通过优先考虑动态生态路由的下行链路通信，高度移动的自动驾驶车辆可以同时使用多个低功耗接入点，以实现无处不在的连接和有保证的网络可靠性。由于其复杂的组合结构，公式化优化在多项式时间内求解特别麻烦。为此，提出了一种分布式多智能体强化学习算法，多智能体协作学习以获得最佳回报。首先，该算法将集中式动作空间分割成多个更小的组。基于无模型分布式Q学习器，每个边缘智能体从各自的组中采取其动作。此外，在每个学习状态中，软件定义的控制器从分布式智能体的个体最佳中选择全局最佳动作。数值结果验证了与现有基线相比，我们的学习解决方案在少量训练集内实现了接近最优的性能。
引语
-
以用户为中心的沟通引起了极大的关注。
-
虚拟设备在高速公路上快速移动，导致V2I通信频繁切换。在非常短的时间内，在传统的以网络为中心的通信基础设施中，下行链路虚拟设备处的接收信号强度会严重恶化。因此，V2I通信对于连通运输来说是明显有问题的。这些问题的潜在解决方案应该确保**通用连接性、可靠性、更高的吞吐量和更低的延迟。除此之外，能源效率(EE)**也应该被考虑。
-
本文致力于为互联交通中以用户为中心的可靠的车辆边缘网络揭示一种节能的解决方案。特别地，我们表达了在复杂的可持续发展环境中，高度移动的虚拟单元的联合虚拟单元形成和功率分配问题。
-
由于多个接入点服务于每个VU，因此为用户最佳地形成虚拟小区并分配这些接入点的最佳传输功率是至关重要的。虽然我们的联合公式解决了这些问题，但这是一个困难的组合优化问题。因此，我们使用一个无模型的分布式MARL (D-MARL)解决方案，可以有效地制定虚拟细胞和切片资源。
行文安排
- 第二节中介绍软件定义网络和问题表述。
- 第三节介绍了资源切片的高效RL解决方案。
- 第四节介绍了结果和调查结果。
- 第五节对论文进行了总结。