افزایش توان عملیاتی در شبکه خودرویی VANET با استفاده از الگوریتم یادگیری عمیق تقویتی

شبکه های وسایل نقلیه به عنوان عامل کلیدی برای کاربردهای ترافیک هوشمند آینده با هدف بهبود ایمنی در جاده افزایش کارایی ترافیک شناخته شده اند. خدمات سرگرمی اطلاعاتی پیشرفته برای بهبود سایش داخل خودرو شناسایی می شوند. کیفیت شبکه های خودرویی با معیارهای نرخ داده های با تاخیر کم و قابلیت اطمینان بالا سنجیده می شود، در حالی که دارای چالش های پایداری، توسعه شبکه و بهره وری انرژی است. پیشرفت های فناوری های ارتباطی خودرو با ویژگی های شبکه های خودرویی، راه حل های شبکه سنتی را حول پارامترهای ثابت طراحی و بهینه سازی شده اند، به چالش می کشد که نیاز به استفاده از الگوریتم های یادگیری ماشین (ML) برای استخراج الگوهای پنهان در جمع آوری داده های عبور وسایل نقلیه بین ایستگاه های پایه (BS) دارد. این مقاله بر بهینه سازی تعویض سلول موبایل (HO) حین عبور وسایل نقلیه تمرکز دارد. بدین منظور یک الگوریتم یادگیری عمیق تقویتی (DRL) پیشنهاد می کنیم نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی می تواند تصمیم بهینه HO را در شبیه سازی واقعی تضمین کند. همچنین توان عملیاتی ۶.۳ درصد نسبت به الگوریتم پایه RSRP A۳ افزایش یافته است.

کلیدواژه ها:

VANET ، یادگیری عمیق تقویتی ، توان عملیاتی ، DLR Hand Over