ترجمه فارسی مقاله یک روش تطبیق چابک برای شبکه‌های ارتباطی چند حالته خودرو

چکیده

This paper focuses on discovering the impact of communication mode allocation on communication efficiency in the vehicle communication networks. To be specific, Markov decision process and reinforcement learning are applied to establish an agile adaptation mechanism for multi-mode communication devices according to the driving scenarios and business requirements. Then, Q-learning is used to train the agile adaptation reinforcement learning model and output the trained model. By learning the best actions to take in different states to maximize the cumulative reward, and avoiding the problem of poor adaptation effect caused by inaccurate delay measurement in unstable communication scenarios. The experiments show that the proposed scheme can quickly adapt to dynamic vehicle networking environment, while achieving high concurrency and communication efficiency.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به کشف تأثیر تخصیص حالت ارتباطی بر بهره وری ارتباطات در شبکه های ارتباطی خودرو پرداخته شده است.به طور خاص ، فرایند تصمیم گیری مارکوف و یادگیری تقویت برای ایجاد مکانیسم سازگاری چابک برای دستگاه های ارتباطی چند حالته مطابق با سناریوهای رانندگی و نیازهای تجاری استفاده می شود.سپس ، از یادگیری Q برای آموزش مدل یادگیری تقویت کننده سازگاری چابک و خروجی مدل آموزش دیده استفاده می شود.با یادگیری بهترین اقدامات برای انجام در حالت های مختلف برای به حداکثر رساندن پاداش تجمعی و جلوگیری از مشکل اثر سازگاری ضعیف ناشی از اندازه گیری تأخیر نادرست در سناریوهای ارتباطی ناپایدار.آزمایشات نشان می دهد که طرح پیشنهادی می تواند به سرعت در حالی که به همزمانی بالا و کارآیی ارتباطی دست پیدا می کند ، با محیط شبکه پویا وسیله نقلیه سازگار شود.