基于多智能体模糊深度强化学习的跳频组网智能抗干扰决策算法.docx

"基于多智能体模糊深度强化学习的跳频组网智能抗干扰决策算法" 本文研究了基于多智能体模糊深度强化学习的跳频组网智能抗干扰决策算法，旨在解决复杂电磁环境下跳频异步组网中的抗干扰问题。该算法首次应用多智能体深度强化学习算法进行各子网参数智能决策，实现避免同频干扰和对抗敌意干扰的目的。 跳频通信技术具有抗传统干扰能力较强、难以截获和易组网的特点，基于其建立的跳频通信网广泛应用于通信领域。然而，随着无线设备不断增加，干扰技术逐渐智能化，跳频网络工作的电磁环境变得越来越复杂，需要大量频谱资源支持的传统抗干扰技术已无法满足需求。 智能抗干扰技术由于具有更强的灵活性和抗干扰性能，已逐渐受到关注。通信设备的网络化运用不仅可以提升系统信息传递速率，其抗侦察、抗截获和抗干扰能力也明显优于点对点通信。跳频组网通信中需要同时应对同频干扰、敌意干扰和自然干扰。 基于多智能体模糊深度强化学习的跳频组网智能抗干扰决策算法可以解决多智能体系统中各 Agent 相互影响和环境不稳定的问题。该算法将集中式训练分散式执行框架以及共享经验池引入多智能体深度强化学习中，以解决 Agent 的差异性和协调合作问题。 此外，该算法还提出了基于模糊推理系统的融合权重分配策略，采用模糊推理系统以 Agent 获得的累计平均奖赏和样本优先度为标准估计各网络性能并分配权重用于网络融合，使性能好的 Agent 能做出更大的贡献，从而提高算法性能。 该算法的优点在于可以实时适应复杂电磁环境，避免同频干扰和对抗敌意干扰，提高跳频组网的抗干扰能力和系统性能。该算法的提出将为跳频组网智能抗干扰技术的发展提供新的思路和方法论。