26、无线网状网络：从机器学习到量子计算的革新

无线网状网络：从机器学习到量子计算的革新

1. 无线网状网络资源分配与博弈论

1.1 资源分配与分组

在无线网状网络（WMNs）中，假设要将资源块集合 (V) 分配给 (N) 个毫微微小区。首先会把这些毫微微小区（玩家）分成不同的组，组内的玩家相互合作。若 (N’) 个玩家属于组 (G)，即 (G(N’, V))，可以通过特定公式计算博弈核心 (C(V) = \sum_{i\in N} x_i = V(N)) 且 (\sum_{i\in S} x_i \geq v(S))。

1.2 沙普利值分配资源

计算沙普利值是在所有玩家间分配总优势的最佳方式。对于第 (i) 个毫微微小区，其沙普利值为：
(\varphi_i(V) = \sum_{S\subseteq N\setminus{i}} \frac{|S|!(n - |S| - 1)!}{n!} (V(S \cup {i}) - V(S)))
其中求和是对 (N) 中不包含第 (i) 个玩家的所有子集 (S) 进行的。基于沙普利值，资源块可分配给组 (G) 中的每个玩家。处理完一组后，网络会继续处理下一组，即 (G := G + 1)。

2. 大规模 WMN 中的智能与决策技术

2.1 智能与决策方式

在大规模 WMN 中，智能和决策过程可采用集中式（如机器学习（ML）和深度学习（DL））或分布式（如协作学习和博弈论）方式。学习算法使用非线性处理单元进行特征提取和转换，学习的一个关键特征是特征或数据的多层次表示，这种层次结构可表示为动态交互环境，进而映射为战略博弈问题。

2.2 博弈论在学习中的应用