公开(公告)号：CN112929900A

公开(公告)日：2021-06-08

申请号：CN202110081524.8

申请日：2021-01-21

Applicant: 华侨大学

Inventor： 高振国 ,  赵楠 ,  姚念民 ,  卢志茂 ,  谭国真 ,  丁男 ,  李培华 ,  蔡绍滨

IPC: H04W24/02 ,  H04W80/02 ,  H04W84/18 ,  H04B13/02 ,  H04B11/00

Abstract: 本发明公开了一种水声网络中基于深度强化学习实现时域干扰对齐的MAC协议，包括以下步骤：构建分时隙模型；将深度强化学习算法DQN应用到水声网络MAC协议，通过训练深度强化学习算法DQN实现时域干扰对齐；使用训练好的DQN来调度节点传输。与现有技术相比，本发明采用深度强化学习方法为节点分配时隙，使用DQN来实现时域干扰对齐，并使用训练好的DQN来调度节点传输；DQNSA‑MAC将干扰在非目的节点处对齐，并保留更多的无干扰时隙用作消息的传输和接收，从而提高吞吐量；此外，基于训练好的DQN，每个节点可以从目前的状态映射到传输动作，有效地解决了由于状态空间大而造成计算开销大的问题。综述，本发明能够提高水声网络MAC协议的吞吐量、成功传输率和公平性等。

公开(公告)号：CN112929900B

公开(公告)日：2022-08-02

申请号：CN202110081524.8

申请日：2021-01-21

Applicant: 华侨大学

Inventor： 高振国 ,  赵楠 ,  姚念民 ,  卢志茂 ,  谭国真 ,  丁男 ,  李培华 ,  蔡绍滨

IPC: H04W24/02 ,  H04W80/02 ,  H04W84/18 ,  H04B13/02 ,  H04B11/00

Abstract: 本发明公开了一种水声网络中基于深度强化学习实现时域干扰对齐的MAC协议，包括以下步骤：构建分时隙模型；将深度强化学习算法DQN应用到水声网络MAC协议，通过训练深度强化学习算法DQN实现时域干扰对齐；使用训练好的DQN来调度节点传输。与现有技术相比，本发明采用深度强化学习方法为节点分配时隙，使用DQN来实现时域干扰对齐，并使用训练好的DQN来调度节点传输；DQNSA‑MAC将干扰在非目的节点处对齐，并保留更多的无干扰时隙用作消息的传输和接收，从而提高吞吐量；此外，基于训练好的DQN，每个节点可以从目前的状态映射到传输动作，有效地解决了由于状态空间大而造成计算开销大的问题。综述，本发明能够提高水声网络MAC协议的吞吐量、成功传输率和公平性等。