Matching-Driven Deep Reinforcement Learning for Energy-Efficient Transmission Parameter Allocation in Multi-Gateway LoRa Networks

长距离（LoRa）通信技术以其低功耗和长通信距离而广泛应用于物联网。然而，LoRa MAC层采用纯ALOHA进行介质访问控制，随着网络规模的扩大，可能会遭受严重的数据包冲突，从而降低系统的能源效率（EE）。为了解决这个问题，需要仔细分配传输参数，如信道（CH）、传输功率（TP）和扩频因子（SF）到每个终端设备（ED）。由于LoRa网络的低占空比和零散流量，评估各种参数设置下的系统EE是耗时的。因此，我们提出了一个分析模型，旨在充分考虑多个网关、占空比、准正交SF和捕获效应的影响，计算系统EE。在此基础上，我们研究了一个联合CH、SF和TP分配问题，旨在优化上行传输的系统EE。由于问题的NP-hard复杂度，优化问题被分解为两个子问题：CH分配和SF/TP分配。首先，引入了一种基于匹配的算法来解决CH分配子问题。然后，采用基于注意力的多智能体强化学习技术来解决分配给同一CH的ED的SF/TP分配子问题，以减少学习代理的数量以实现快速收敛。仿真结果表明，所提出的方法在各种参数设置下快速收敛，并获得比基线算法显著更好的系统EE。

本文旨在解决LoRa网络中纯ALOHA介质访问控制可能导致的数据包冲突问题，提高系统能量效率。

本文提出了一种联合信道、扩频因子和传输功率分配的方案，以优化上行传输的系统能量效率。通过匹配算法和基于注意力机制的多智能体强化学习技术，解决了优化问题。

本文提出的方案在各种参数设置下都能快速收敛，并且比基线算法获得了显着更好的系统能量效率。同时，本文还考虑了多个网关、占空比、准正交扩频因子和捕获效应等因素。

近期的相关研究包括《LoRaWAN中的自适应数据速率算法》、《一种基于深度学习的LoRa网络性能预测方法》等。