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

3　实验仿真及结果分析

4　结　语

随着无线通信技术的快速发展，物联网正日益成为连接众多智能设备的新范式 。物联网规模的扩大使得物联网设备需要越来越多的频谱资源以满足日益增长的服务需求。然而，频谱资源已成为制约物联网未来发展的重要因素。认知无线电（Cognitive Radio，CR）允许次用户