یک الگوریتم ابتکاری مبتنی بر یادگیری عمیق برای حل مسئله واگذاری ارتباط در شبکه ناهمگن RF-VLC

در شبکه های ناهمگن که فناوری های ارتباطی فرکانس رادیویی (RF) و نور مرئی (VLC) به صورت یکپارچه عمل می کنند، فرآیند واگذاری ارتباط برای تضمین اتصال و کیفیت خدمات (QoS) به ویژه در محیط های داخلی پویا اهمیت بسیاری دارد. این مقاله یک الگوریتم ابتکاری جدید به نام DLHA را معرفی می کند که با بهره گیری از یادگیری عمیق، فرایند پیش بینی، بهینه سازی و اجرای تصمیمات واگذاری ارتباط را در شبکه های تلفیقی RF-VLC مدیریت می کند. الگوریتم مذکور از یک شبکه عصبی عمیق (DNN) مبتنی بر واحد بازگشتی دروازه دار (GRU) برای پیش بینی شرایط کانال و الگوهای تحرک کاربران استفاده کرده و این پیش بینی ها را با یک چارچوب تصمیم گیری هوشمند ترکیب می کند. هدف این ترکیب کاهش تاخیر در واگذاری ارتباط، کاهش نرخ از دست دادن بسته ها و ایجاد توازن در بار شبکه است. مسئله اصلی به عنوان یک مسئله بهینه سازی چند هدفه در نظر گرفته شده است، به طوری که که محدودیت هایی نظیر تاخیر، مصرف انرژی و تداخل را شامل می شود. این مسئله با استفاده از اصول بهینه سازی و اصلاح فرآیندهای تصمیم گیری مارکوف (MDP) حل شده است. نتایج شبیه سازی که مبتنی بر مدل های کانال داخلی واقعی و سناریوهای معتبر تحرک هستند، نشان می دهند که الگوریتم پیشنهادی DLHA در مقایسه با روش های سنتی مبتنی بر آستانه، عملکرد بهتری دارد.

کلیدواژه ها:

واگذاری ارتباط ، RF-VLC ، یادگیری عمیق ، بهینه سازی ، شبکه های ناهمگن