基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题，提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中，每个车辆用户作为一个智能体，根据获取的本地信道状态信息，以网络信道容量最佳为目标函数，采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度，即将各智能体的本地模型上传至基站进行聚合形成全局模型，再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比，所提出的方案具有更快的模型收敛速度，并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.