【通信】基于UCB的多智能体多臂老虎机算法降低 OBSS 干扰、提升系统吞吐量与公平性附Matlab代码

✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍一、多智能体通信系统中的挑战OBSS 干扰问题在无线通信环境中重叠基本服务集OBSS干扰是一个常见且棘手的问题。当多个无线设备的覆盖区域相互重叠时它们之间会产生干扰导致信号质量下降、误码率增加。例如在一个拥挤的办公区域或居民小区多个无线路由器可能会工作在相同或相近的频段相互干扰影响用户的网络体验。这种干扰不仅会降低单个设备的通信性能还会对整个通信系统的稳定性和效率产生负面影响。系统吞吐量与公平性平衡通信系统需要在提升整体吞吐量的同时保证各个用户或智能体之间的公平性。系统吞吐量反映了单位时间内成功传输的数据量而公平性则确保每个智能体都能合理地获取通信资源避免某些智能体占用过多资源而其他智能体资源匮乏的情况。然而在实际通信场景中要同时实现高吞吐量和公平性是具有挑战性的因为一些旨在提高吞吐量的策略可能会牺牲公平性反之亦然。二、多臂老虎机算法基础基本概念多臂老虎机Multi - Armed Bandit, MAB算法模拟了一个玩家面对多个摇臂每个摇臂对应一个选择的赌博场景。每次拉动摇臂会得到一个随机奖励玩家的目标是在有限次数的尝试内通过合理选择摇臂最大化累计奖励。在通信领域每个摇臂可以看作是一种通信资源选择如不同的信道、功率设置等奖励则对应通信性能指标如传输速率、成功传输概率等。探索与利用困境多臂老虎机算法面临着探索与利用的困境。探索意味着尝试不同的摇臂以发现可能带来更高奖励的选择而利用则是选择当前已知奖励最高的摇臂以获取即时收益。在通信场景中探索新的通信资源可能会发现更好的传输方式但在探索过程中可能会暂时降低性能过度利用当前最优资源则可能错过潜在的更优选择。三、UCB上置信界算法原理四、基于 UCB 的多智能体多臂老虎机算法多智能体扩展在多智能体通信系统中每个智能体都面临自己的多臂老虎机问题即如何选择通信资源以优化自身性能。基于 UCB 的多智能体多臂老虎机算法允许每个智能体独立地根据 UCB 策略选择通信资源。例如每个智能体可以将不同的信道作为摇臂根据自身的通信需求和环境情况通过 UCB 算法选择信道。降低 OBSS 干扰当多个智能体同时使用基于 UCB 的算法选择通信资源时它们会根据自身对干扰的感知和通信性能的反馈动态地调整资源选择。例如如果某个信道受到 OBSS 干扰严重智能体在尝试该信道时获得的奖励如传输速率低、误码率高会较低根据 UCB 算法该信道被选择的概率会逐渐降低从而促使智能体选择其他干扰较小的信道有效地降低了 OBSS 干扰。提升系统吞吐量与公平性从系统层面看每个智能体通过 UCB 算法选择资源整体上能够更有效地利用通信资源从而提升系统吞吐量。同时由于每个智能体都基于相同的 UCB 策略进行资源选择避免了某些智能体过度抢占资源的情况在一定程度上保证了公平性。例如当某个智能体发现一种资源摇臂能带来较高奖励吞吐量时其他智能体也会逐渐尝试并利用该资源而不是让单个智能体独占从而实现了吞吐量与公平性的平衡。⛳️ 运行结果 部分代码function [i,j,k] val2indexes(x,a,b,c)% We can know i,j,k of each states with this (e.g. state x)% k ceil(x/(size(actions_TxPower,2)*size(actions_CCA,2));% j ceil(x/(size(actions_channel,2));% i mod(x,size(actions_channel,2)1); - obtaining 0 means max(actions_channel)i mod(x,a);if i 0, i a; endy mod(x,(a*b));j ceil(y/a);if j 0, j b; endk ceil(x/(a*b));if k c, k c; endend 参考文献 往期回顾可以关注主页点击搜索