面向动态超密集异构网络的图神经网络驱动多智能体深度强化学习联合资源调度OA

5G/6G网络呈现超密集异构形态,海量设备接入、无线环境动态变化,业务QoS需求差异化显著。传统集中式调度难以应对高维状态与复杂决策,现有分布式方案也难以保障全局最优。提出图神经网络驱动的多智能体深度强化学习资源调度框架,实现动态超密集异构网络频谱、功率、计算资源联合优化。将网络拓扑与资源关联构建图模型,借助图神经网络完成智能体信息互通与特征提取,捕捉空间依赖关系。基站与接入点作为智能体迭代优化分配策略,提升吞吐与用户体验,降低网络能耗。设计注意力图神经网络结构,结合集中训练分布式执行范式改进算法,兼顾学习效率与扩展性。仿真证实该方案综合性能优于基准算法,可有效支撑异构网络资源管控。