面向移动场景的空地协同UDN中基于Graph-DRL的频谱资源分配

作     者：孟芸 魏帆 刘鑫一 王威 柴佳辉 

作者机构：长安大学电子与控制工程学院 长安大学信息工程学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2025年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(NO.2020YFB1807001) 装备预研教育部联合基金(NO:8091B032226) 陕西省重点研发计划(NO.2023-YBGY-212) 

主　　题：空地协同UDN(Ultra Dense Network,UDN) 频谱资源分配 基于图神经网络的深度强化学习Graph-DRL(Deep Reinforcement Learning) 

摘      要：为了支持各类移动用户实时数据传输和稳定连接，采用空地协同超密集网络(Ultra Dense Network，UDN)是关键技术方案之一。在这种新型网络结构中，空中基站能够更好的支持用户移动性，而地面UDN能够实现更充分的频谱复用。然而，差异化的信道条件与覆盖范围使得干扰与频谱分配问题面临着新的挑战。因此，本文面向新型的空地协同UDN，针对该网络模型下移动场景中的干扰协调与频谱效率平衡问题，提出基于图神经网络的深度强化学习算法(Graph-DRL)，动态调度频谱资源并提高算法的实时性。首先，利用图神经网络构建基站间邻小区的用户移动相关性模型，通过共享本小区的需求信息来加强合作，确定带宽复用度。其次，设计基于价值的学习网络，以网络中的平均吞吐量为优化目标，考虑用户移动性、用户密度和频谱复用度等因素，利用训练好的Q价值网络进行资源分配。最后，通过仿真验证所提出的算法相较于对比算法显著提高了高移动性用户和小区边缘用户的传输速率。