分布式车载通信网络中基于Q学习的双向退避公平增强智能MAC方案

随着人们对前沿车载通信应用的日益关注，分布式资源分配有利于车辆节点之间的直接通信。然而，在高度动态的分布式车辆网络中，在缺乏足够的链路知识的情况下，由于严重的分组冲突，系统的服务质量（QoS）将显著降低。针对公平性优化问题，在一个智能分布式媒体访问控制协议中，提出了一种基于Q学习的冲突避免（QCA）方案，该方案的特点是巧妙地建立了对应于任意退避阶段转换的双向退避-奖励模型RQCA。在QCA中，基于马尔可夫决策过程模型的智能双向退避代理可以主动激励每个车辆代理通过正向或负向双向转换来向最优退避子层BSIopt更新自己，从而在资源分配的适当平衡下实现独特的公平通信。根据强化学习理论，退避阶段自主选择策略的优度评估问题等于当前环境下车辆Q函数最大化的问题。通过最大化Q值或$Q_｛\max｝$，解决了与最佳争用窗口范围相关的BSIopt的最终决策。ε-qreedy算法用于保持$Q_｛\max｝$解的合理收敛性。为了评估QCA的公平性，使用网络模拟器NS2研究了四种对车辆网络的动态影响：移动性、密度、有效载荷大小和数据速率。因此，QCA可以有效而稳健地实现公平通信，具有优越的Jain公平指数、相对较高的分组传递率和较低的时延等优点。