Deep Reinforcement Learning-Based Dynamic Mode Selection and Power allocation for Clustered Vehicular Networks
Cet article propose un cadre d'optimisation de politique proximale (PPO) à partage de paramètres multi-agents pour la sélection dynamique de modes et l'allocation de puissance dans les réseaux véhiculaires en grappes, lequel surpasse de manière significative les références traditionnelles en améliorant la fiabilité, en réduisant la latence et en abaissant la puissance de transmission grâce à un apprentissage adaptatif des conditions locales du réseau.