电子信息技术

本申请公开一种基于强化学习的车联网资源分配方法，包括：车联网环境模块收集当前环境数据传输存放到初始经验回放模块；余弦相似性模块对初始经验回放模块存放数据过滤发送到频谱分配模块和发射功率分配模块用以训练Target网络；基于DQN算法的功率分配模块和基于DDPG算法的发射功率分配模块输出分配动作，经最终策略模块将动作复合，作用于车联网环境模块。本发明通过将环境变化的变量作为参量计算，提高车联网资源分配的可靠性；通过将频谱与功率条件复合分析，使车联网资源分配结果偏差降低；通过对经验回放加入了余弦相似性过滤，使整个系统更快的趋向于收敛。

基于强化学习的车联网资源分配方法、存储介质及设备主要应用于动态变化的车联网（V2X）通信环境，包括车辆与车辆（V2V）、车辆与基础设施（V2I）、车辆与行人（V2P）以及车辆与云端（V2N）的高效频谱共享与计算资源优化。该方法通过智能学习网络状态和用户需求，自适应调整信道分配、功率控制和任务卸载策略，适用于高密度车辆场景（如城市交通拥堵、高速公路）、时变信道条件（如多普勒效应、遮挡）以及异构网络（5G/6G、边缘计算节点）。其存储介质记录强化学习模型参数与历史数据，支持设备（如车载OBU、路侧RSU、云端服务器）实时决策，提升低时延、高可靠通信能力，并扩展至自动驾驶协同感知、智慧交通流量优化及紧急救援通信等关键领域。

本发明通过将环境变化的变量作为参量计算，提高车联网资源分配的可靠性；通过将频谱与功率条件复合分析，使车联网资源分配结果偏差降低；通过对经验回放加入了余弦相似性过滤，使整个系统更快的趋向于收敛。