Optimierung von Fahrzeugnetzwerken mit verstärkendem Lernen basierend auf variationalen Quanten-Schaltkreisen

In Fahrzeugnetzwerken (VNets) ist die Gewährleistung sowohl der Verkehrssicherheit als auch einer zuverlässigen Netzwerkverbindung von größter Bedeutung. Dies erfordert die Schaffung von widerstandsfähigen und effizienten Entscheidungsrichtlinien, die mehrere Ziele priorisieren. In dieser Arbeit entwickeln wir ein auf variationalen Quanten-Schaltkreisen (VQC) basierendes Multi-Objective Reinforcement Learning (MORL) Framework, um effiziente Netzwerkwahl- und autonome Fahrrichtlinien in einem Fahrzeugnetzwerk (VNet) zu charakterisieren. Numerische Ergebnisse zeigen bemerkenswerte Verbesserungen sowohl bei Konvergenzgeschwindigkeiten als auch bei Belohnungen im Vergleich zu konventionellen Deep-Q-Netzwerken (DQNs), was die Wirksamkeit der VQC-MORL-Lösung validiert.