基于深度强化学习的认知物联网资源分配的策略研究

摘　要：能量采集（Energy Harvesting，EH）和认知无线电（Cognitive Radio，CR）技术的组合可为物联网设备提供持续的能量，并有效地提高物联网系统的频谱效率。然而，在衬底模式下的认知物联网（Cognitive Radio IoT，CIoT）系统中，物联网设备之间的无线通信常常遭受窃听攻击。针对存在多窃听者条件下的 CIoT 系统无线通信场景，以保密速率作为系统保密性能指标。为解决所提的资源分配问题，将长短期记忆网络（Long-Term Memory Network，LSTM）、生成对抗网络（Generative Adversarial Networks，GAN）和深度强化学习（Deep Reinforcement Learning，DRL）算法相结合，设计一种联合能量采集时间和传输功率分配方案。数值仿真表明，与其他基准算法相比，所提方法能够有效地提高系统保密性能。

内容目录：

1　系统模型

2　深度强化学习算法设计

2.1　深度强化学习框架设计

2.2　状态空间设计

2.3　动作空间设计

2.4　奖励函数设计

2.5　GAN-DRQN 资源分配算法