基于迁移深度强化学习的低轨卫星跳波束资源分配方案

针对低轨(LEO)卫星场景下,传统资源分配方案容易造成特定小区资源分配无法满足需求的问题,该文提出一种基于迁移深度强化学习(TDRL)的低轨卫星跳波束资源分配方案。首先,该方案联合星上缓冲信息、业务到达情况和信道状态,以最小化卫星上数据包平均时延为目标,建立支持跳波束技术的低轨卫星资源分配优化模型。其次,针对低轨卫星网络的动态多变性,该文考虑动态随机变化的通信资源和通信需求,采用深度Q网络(DQN)算法利用神经网络作为非线性近似函数。进一步,为实现并加速深度强化学习(DRL)算法在其他目标任务中的收敛过程,该文引入迁移学习(TL)概念,利用源卫星学习的调度任务快速寻找目标卫星的波束调度和功率分配策略。仿真结果表明,该文所提出的算法能够优化卫星服务过程中的时隙分配,减少数据包的平均传输时延,并有效提高系统的吞吐量和资源利用效率。

面向能效的低轨卫星联合跳波束调度和功率分配算法

该文针对低轨(LEO)卫星载荷容量受限且功率资源稀缺的问题,面向搭载跳波束(BH)天线的低轨卫星通信系统,提出一种联合跳波束调度和功率分配机制,在满足用户服务质量需求的前提下降低卫星通信载荷功耗,提高卫星通信系统能效。首先建立时延受限下联合考虑波束调度和功率分配的卫星功耗最小化模型。针对网络拓扑的时变特性,基于李雅普诺夫优化方法,将原多时隙优化问题转化为单时隙优化问题,然后采用交替优化的方法获得单时隙问题的次优解。其中,证明波束调度子问题是凸问题,同时通过逐次凸近似和对数变换将功率分配子问题转为凸问题,并提出相应算法获得子问题最优解。仿真结果表明,提出的策略在保证用户平均时延要求的同时,降低了低轨卫星系统平均功耗,并且可通过调整控制参数实现时延和功耗的动态平衡。