系统工程与电子技术

作者：唐斯琪, 潘志松, 胡谷雨, 吴炀, 李云波

单位：1. 陆军工程大学指挥控制工程学院, 江苏 南京 210007；2. 北京信息通信技术研究中心, 北京 100036

关键词：天基信息网络,深度强化学习,中继选择,网络性能优化

基金：国家自然科学基金(62076251)

未来天基信息网络(space information network, SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战。数据驱动的深度强化学习(deep reinforcement learning, DRL)作为一种应对上述挑战的可行思路被引入SIN领域。首先简要介绍了DRL的基本方法, 并全面回顾了其在SIN领域的研究进展。随后, 以星地网络场景的中继选择为例, 针对大规模节点问题提出了基于平均场的DRL算法, 并提出一种基于微调的模型迁移机制, 用以解决仿真环境与真实环境之间的数据差异问题。仿真证明了其对网络性能优化的效果, 且计算复杂度和时间效率均具有可行性。在此基础上归纳和总结了DRL方法在SIN领域的局限性与面临的挑战。最后，结合强化学习前沿进展, 讨论了此领域未来的努力方向。

来源：2023年第3期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2023年第3期