认知无线网络中基于无休止多臂赌博机模型的多用户频谱接入机制

针对如何协调多个认知用户择机接入多段空闲频域信道的问题,提出了一种基于无休止多臂赌博机(RMAB)模型的动态频谱接入机制。首先,考虑到实际环境下认知用户的信道感知误差,推导出能有效处理感知误差的Whittle索引值算法,该算法通过历史经验积累给予每个信道一定的信任值,并综合考虑在当前信任值下选择每个信道的立即收益与未来收益的多少,选择出需要感知接入的信道;其次,对于多个认知用户接入相同信道时产生冲突的问题,提出了基于多标拍卖的协调机制,通过多标拍卖的方式处理认知用户之间的冲突。仿真结果表明,在相同的环境中,所提出的频谱接入机制与未处理误差的或者未采用多标拍卖的接入机制相比,认知用户获得的吞吐量更大。

基于多臂赌博机模型的信道选择

在择机频谱接入系统中,为解决未知信道环境先验知识下的信道选择问题,提出了一种基于多臂赌博机(MAB)模型的改进UCB(Upper Confidence Bound)索引选择策略。该策略是通过在UCB索引的置信因子中引入收益方差值来调整对未知信道环境的探索过程,以降低探索成本。结合理论证明了本策略有较快的收敛速度,还证明了本策略下的学习后悔值曲线与时隙呈近似对数关系而较缓慢增长。仿真结果表明,与原UCB策略以及贪心算法相比,所提策略更能自适应地选择可用性较好的信道,有效降低学习后悔值并加快其收敛速度,从而提高了系统吞吐量。

结合聚类与CMAB的群智感知车联网任务分配方法

基于车联网(IoV,Internet of vehicles)用户的群智感知网络具有节点覆盖广泛、数据全面及时等优点。该技术实现的一大难点在于,如何通过充分挖掘和利用车联网用户的信息(如用户地理位置等)来选择合适的感知任务参与者,以合理地进行任务分配,进而提高感知任务的完成质量和任务发布者收益。为此提出了一种结合车辆用户轨迹特征与组合多臂赌博机(CMAB,combinatorial multi-armed bandits)算法的群智感知用户任务分配机制。首先,基于用户历史行车轨迹的相似程度,将用户聚类。然后,利用CMAB模型,将轨迹聚类信息作为用户任务分配的依据,求解最佳工作者组合。最后,利用真实出租车轨迹数据集对上述算法进行了验证。实验结果表明,考虑轨迹特征信息的任务分配算法具有更高的准确率,并能使任务发布者获得高收益。同时,所选出的工作者集合有相近的行车轨迹,对于同一地点的任务具有高的完成质量,能有效提高感知数据质量和任务发布者收益,适用于实际应用场景。

基于Whittle索引的RFID多阅读器信道资源分配算法

针对无线射频识别(RFID)系统中多标签-多阅读器环境下标签与信道资源的分配问题,提出了一种基于Whittle索引的多阅读器信道资源分配算法。在RFID多阅读器信道分配问题中建立无休止多臂赌博机(RMAB)模型,并采用Whittle索引算法进行求解。该算法依据信道前期的忙、闲状态,将信道空闲概率作为信任值赋予每个信道,并根据信道当前的信任值计算其Whittle索引值。标签选择索引值最大的信道作为可能感知接入的信道,随后根据每个时隙数据发送成功与否来动态更新信道信任值。对信道分配过程中可能出现的标签碰撞问题,采用等待一个时隙后再根据识别反馈信息重新选择接入信道的方式来解决。将文中所提算法从两个方面与典型的DiCa算法和Gentle算法进行比较:一是在阅读器数量固定的前提下,其系统吞吐量随待识别标签数量的变化情况;二是在待识别标签数量固定的前提下,其系统吞吐量随阅读器数量的变化情况。仿真结果表明,所提算法在上述两种情况下的系统吞吐量均优于DiCa算法和Gentle算法,其吞吐量在阅读器数量固定的前提下分别平均提高了150.34%和23.98%,在待识别标签数量固定的前提下分别平均提高了205.01%和43.37%。随着阅读器和待识别标签数量的增多,所提算法在系统吞吐量方面的优势更加明显。因此,采用提出的算法可以对有限的信道资源进行合理的动态分配,有效提高RFID多阅读器系统的识别效率。

基于Bandit学习的航空集群认知抗干扰信道选择

为解决航空集群网络(ASNET)利用认知抗干扰频谱接入时会发生信道碰撞从而降低通信性能问题,研究了基于多臂赌博机(MAB)理论的航空认知抗干扰频域信道选择技术.首先,构建航空集群网络抗干扰信道选择MAB博弈模型,给出了准确估算动态集群网络电台数量的算法;然后,基于此先验信息提出碰撞规避(CA)的klUCB++抗干扰信道选择策略,并进一步推导出信道碰撞次数的理论上界.仿真结果表明:所提出的CA kl-UCB++抗干扰信道选择策略降低了电台频谱接入的碰撞概率和累积悔值(regret),能够有效提高航空集群网络的频域抗干扰通信性能.