本文提出了一種基于深度強化學習的智能服務質量（QoS）優化算法（DRLIQ），用于提高車載自組織網絡（VANETs）中的路由效率。特别是在沒有路邊單元（RSU）的環境中，該算法通過動态學習和适應網絡變化，智能選擇最優數據傳輸路徑，有效減少通信中斷和延遲，提高數據傳輸的準确性。

實驗結果表明，DRLIQ算法在減少通信中斷、比特錯誤率（BER）和網絡延遲方面優于現有的熱門算法，尤其是在高車流密度的環境下表現突出。此外，該算法還展示了應對網絡拓撲變化和車輛動态的高适應性和穩定性。

本文的主要貢獻包括：

1.提出了一種适用于無RSU環境的深度強化學習路由決策算法，能夠動态調整路由策略，實現路由決策的智能化和效率優化。

2.集成了多維度的網絡性能指标，如通信中斷概率、網絡負載、傳輸速率和誤碼率，優化了這些指标，從而提供多維優化的智能路由方案。

3.實驗評估顯示，在RSU缺失的高動态環境中，DRLIQ算法顯著降低了網絡延遲和通信中斷次數，同時減少了比特錯誤率，證明其在複雜車輛網絡環境中的有效性。

此研究為智能交通系統（ITS）中的VANETs提供了高效的路由解決方案，具有廣泛的應用前景。

本論文為2019年廣東省普通高校特色創新類項目《基于深度學習的車載自組織網絡自适應路由技術（2019KTSCX237）》資助的研究成果。

（圖文/人工智能學院 責任編輯/劉育靜）