一种利用优先经验回放深度Q-Learning的频谱接入算法

针对认知无线传感器网络中频谱接入算法的频谱利用率不高、重要经验利用率不足、收敛速度慢等问题，提出了一种采用优先经验回放双深度Q-Learning的动态频谱接入算法。该算法的次用户对经验库进行抽样时，采用基于优先级抽样的方式，以打破样本相关性并充分利用重要的经验样本，并采用一种非排序批量删除方式删除经验库的无用经验样本，以降低能量开销。仿真结果表明，该算法与采用双深度Q-Learning的频谱接入算法相比提高了收敛速度；与传统随机频谱接入算法相比，其阻塞概率降低了6%~10%，吞吐量提高了18%~20%，提高了系统的性能。     

采用混合图的双向异质频谱拍卖算法

为了解决频谱稀缺的问题,提高频谱利用率,采用频谱拍卖方法激励主用户（卖家）出售空闲的频谱,次用户（买家）通过在拍卖中获胜得以接入其急需的频谱,提出了一种采用混合图的双向异质频谱拍卖算法(Double Auction based on Mixed Graph for heterogeneous spectrums,MGDA)。该算法使用混合图能够更准确地量化买家之间对于频谱的干扰情况,使频谱交易数量最大化,显著提高了频谱利用率。MGDA还考虑了频谱的异质性,允许买家表达对不同频率频谱的偏好,为不同的频谱建立不同的频谱干扰图。仿真结果表明,MGDA在空间利用率、买家满意度和拍卖收益等方面具有良好的性能,空间利用率比采用无向图的拍卖算法提高5.8%~13.6%。