面向高密度车间通信的能量特征图谱资源分配算法

来源：电子与信息学报杂志2025年第8期北京时间：

作者：邱恭安, 刘永生, 章国安, 刘敏

单位：1.南通大学信息科学技术学院 南通 2260192.南通大学人工智能与计算机学院 南通 226019

摘要：车联网拓扑的动态性和资源分配的随机性增大了竞争接入相同资源的碰撞概率，降低了频谱资源效率。该文基于高密度车辆运动位置的邻接稳定性，提出了应用深度强化学习算法的能量特征图谱资源分配算法。首先，应用资源感知过程测量值计算候选资源块的时隙接收信号强度指数和子载波信干噪比值，构建候选资源库的时频能量特征图谱。随后，将能量特征图谱输入构建的两层深度神经网络(DNN)，以系统吞吐量为奖励函数训练DNN权值系数矩阵，建立匹配车辆运动状态的双DQN智能体模型，并存储于车载用户终端(VUE)。当车间通信请求分配资源建立通信链路时，VUE将感知过程计算的接收信号强度指数和信干噪比值输入存储的主DQN模型，根据训练后的DNN权值系数矩阵为车间通信选择高质量资源。应用离散时间马尔可夫链推导了资源接入碰撞概率、链路失效率与能量特征指数间的表达式。在高密度车间通信中，所提出的算法提高了交通安全消息传播可靠性和频谱效率，降低了端到端传播时延。在车辆密度不超过160 veh/km时，提出算法的消息分组正确接收率超过95%、时延低于4 ms，有效资源利用率高于0.6，满足编队行驶等车联网应用的性能要求。

关键词：蜂窝车联网, 资源分配, 深度强化学习, 能量特征图谱

基金资助：国家自然科学基金(62471258)