خوارزمية جديدة ذكية مضادة للتشويش تعتمد على التعلم العميق المعزز بمساعدة التعلم الذاتي لأنظمة الاتصالات اللاسلكية

في مجال مكافحة التشويش الذكي، تعتبر خوارزميات التعلم العميق المعزز وسائل تقنية رئيسية. ومع ذلك، تتطلب عملية التعلم لخوارزميات التعلم العميق المعزز بيئة تعلم مستقرة لضمان فعاليتها. علاوة على ذلك، فإن القيود الداخلية لخوارزميات التعلم العميق المعزز تعني أنها يمكن أن تظهر قدرات تعلم ممتازة فقط في مهام محددة مع معلمات ثابتة. عندما تتغير المعلمات، يمكنها فقط إعادة أخذ العينات وإعادة التعلم للوصول إلى التقارب. في بيئة تشويش متغيرة، قد يتم تحدي استقرارها وسرعة تقاربها، مما يؤثر على متانتها وقدراتها على التعميم. تستهدف هذه الورقة، خصائص التشابه الفريدة والبسيطة لمشكلة مكافحة التشويش في الاتصالات، وتصمم خوارزمية جديدة للتعلم العميق المعزز Meta-PPO تجمع بين تحسين السياسة القريب (PPO) وأفكار التعلم الذاتي MAML. تدمج الخوارزمية المقترحة مبدأ التعلم الذاتي المستخدم في نموذج التعلم الذاتي غير المرتبط بالنموذج (MAML) مع الأنظمة القائمة على تحسين السياسة القريب (PPO)، مما يمكّن أنظمة الاتصال من الاستفادة من تجاربها السابقة المكتسبة من مهام مكافحة التشويش السابقة لتسهيل وتسريع عملية اتخاذ القرارات المثلى عند مواجهة هجمات تشويش قادمة مع ميزات مشابهة. تم التحقق من الخوارزمية المقترحة من خلال تحليلات المحاكاة الحاسوبية، وأظهرت النتائج أن خوارزمية Meta-PPO الجديدة المقترحة يمكن أن تتفوق على خوارزميات DQN- و PPO التقليدية من حيث متانة أفضل وقدرات التعميم، مما يمكن استخدامها لتعزيز قدرات مكافحة التشويش في أنظمة الاتصالات اللاسلكية.