高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多Agent强化学习的Ad hoc网络跨层拥塞控制策略

邵飞 伍春 汪李峰

邵飞, 伍春, 汪李峰. 基于多Agent强化学习的Ad hoc网络跨层拥塞控制策略[J]. 电子与信息学报, 2010, 32(6): 1520-1524. doi: 10.3724/SP.J.1146.2009.01092
引用本文: 邵飞, 伍春, 汪李峰. 基于多Agent强化学习的Ad hoc网络跨层拥塞控制策略[J]. 电子与信息学报, 2010, 32(6): 1520-1524. doi: 10.3724/SP.J.1146.2009.01092
Shao Fei, Wu Chun, Wang Li-feng. Research on Cross-layer Congestion Control Strategy Based on Multi-agent Reinforcement Learning in Ad hoc Network[J]. Journal of Electronics & Information Technology, 2010, 32(6): 1520-1524. doi: 10.3724/SP.J.1146.2009.01092
Citation: Shao Fei, Wu Chun, Wang Li-feng. Research on Cross-layer Congestion Control Strategy Based on Multi-agent Reinforcement Learning in Ad hoc Network[J]. Journal of Electronics & Information Technology, 2010, 32(6): 1520-1524. doi: 10.3724/SP.J.1146.2009.01092

基于多Agent强化学习的Ad hoc网络跨层拥塞控制策略

doi: 10.3724/SP.J.1146.2009.01092

Research on Cross-layer Congestion Control Strategy Based on Multi-agent Reinforcement Learning in Ad hoc Network

  • 摘要: 该文首先证明基于MAC层竞争造成的网络拥塞模型中存在纳什均衡点。其次,基于WOLF-PHC学习策略提出了一种跨层拥塞控制(WCS)机制。它在路由层中选择一对去耦合节点作为转发节点,同时在MAC层对源节点的发送数据进行分流,从而提高链路的空间重用性。仿真结果表明:在不需要交互任何信息的情况下,通过节点之间的相互博弈以后,采用WOLF-PHC算法能够找到每个节点的最佳分流概率进而使整体网络吞吐量达到最大值;同时当外界环境发生改变时,该算法能够较快地找到新的最佳分流概率从而实现对环境的自适应能力。
  • 加载中
计量
  • 文章访问数:  3799
  • HTML全文浏览量:  81
  • PDF下载量:  2136
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-08-17
  • 修回日期:  2009-12-29
  • 刊出日期:  2010-06-19

目录

    /

    返回文章
    返回