AI全文阅读精要

这篇文章主要提出了使用近端策略优化（PPO）算法来解决异构网络（包括LiFi和WiFi）接入选择中的吞吐量提升和公平性保持问题。以下是文件的核心内容总结：

1. 研究背景与动机：

• 随着LiFi和WiFi异构网络的兴起，选择合适的接入点（AP）成为提升网络性能和用户体验的关键。

• 传统方法在处理复杂室内环境和多用户场景时存在局限性，因此需要新的解决方案。

2. PPO算法提出：

• 提出了基于强化学习的PPO算法，旨在通过与环境交互并采样数据，以最大化用户长期吞吐量和满意度。

• 随机模拟用户位置，收集用户属性数据进行模型训练，以获取最优网络接入点分配策略。

3. 算法设计与实现：

• 模型设定：室内环境中包含4个LiFi AP和1个WiFi AP，分别提供区域和全局覆盖。

• 奖励函数：结合了吞吐量和用户满意度的比例因子，以平衡两者在优化目标中的权重。

• 动作定义：用户从5个可用的AP中选择一个进行接入，不同用户可以选择不同的AP。

• 算法流程：包括输入参数、模型训练、更新Actor和Critic网络参数等步骤，通过多轮训练确定最优接入方案。

4. 仿真结果与分析：

• 复杂度比较：PPO算法复杂度适中，在用户数量增加时比穷举搜索算法低。

• 接入用户数量：PPO算法实现了WiFi和LiFi用户间的均衡分布，有效避免AP过载。

• 可实现速率：接入用户数量最大时，PPO算法的平均可实现速率仍高于其他方法，且最低速率也更高。

• 满意度：PPO算法使用户平均满意度达到30%以上，显著优于其他算法。

• 吞吐量：用户数量增多时，PPO算法平均吞吐量提升显著，最高可达72%。

• 公平指数：接入用户数最大时，PPO算法的公平指数高达0.82，表明用户间体验差异小。

5. 结论与未来工作：

• PPO算法在提升吞吐量和用户满意度、保持用户间公平性方面表现优异。

• 未来将进一步优化算法以适应复杂环境，并提升性能和收敛速度。