【标题】Approximate reinforcement learning to control beaconing congestion in distributed networks（近似强化学习以控制分布式网络中的信标拥塞）

【作者团队】J. Aznar-Poveda, A.-J. García-Sánchez, E. Egea-López, J. García-Haro。Universidad Politécnica de Cartagena

【发表日期】7January, 2022

【论文链接】https://www.nature.com/articles/s41598-021-04123-9.pdf

【推荐理由】在车辆通信中，由过多的周期性消息（信标）引起的信道负载增加是必须控制的一个重要方面，以确保安全应用程序和驾驶员辅助系统的适当运行。迄今为止，大多数拥塞控制解决方案都涉及在传输消息的有效负载中包含附加信息，这可能会在信道条件不利时危及这些控制解决方案的适当操作，从而引发数据包丢失。这项研究利用了非合作分布式信标分配的优势，其中车辆独立运行，不需要任何昂贵的道路基础设施。特别是，本文将信标率控制问题表述为马尔可夫决策过程，并使用近似强化学习来解决它以执行最优动作。将获得的结果与其他传统解决方案进行比较，表明本文的方法（称为 SSFA）能够保持一定比例的通道容量可用，这保证了与其他方案相比，以更快的收敛速度交付紧急相关通知。此外，在数据包传递和冲突率方面获得了良好的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除