Mit der Ausweitung der menschlichen Erkundung des Ozeans steigt die Nachfrage nach kontinuierlicher, hochwertiger und allgegenwärtiger maritimer Kommunikation stetig an. Die dynamische Natur der Meeresumgebung und Ressourcenbeschränkungen stellen jedoch erhebliche Herausforderungen für traditionelle heuristische Ressourcenallokationsmethoden dar, was die Balance zwischen hochwertiger Kommunikation und begrenzten Netzwerkressourcen erschwert. Dies führt zu suboptimalem Systemdurchsatz und einer übermäßigen Abhängigkeit von spezifischen Problemstrukturen. Um diese Probleme zu lösen, stellen wir in diesem Papier eine gemeinsame Ressourcenallokationsmethode basierend auf Wissenseinbettung vor. Der vorgeschlagene Ansatz beinhaltet ein Aktionsverteilungsabstimmungsmodul, das darauf ausgelegt ist, die Ressourcennutzung zu verbessern, indem unvernünftige Aktions-Ausgabe-Kombinationen verhindert werden. Darüber hinaus wird durch die Integration von Wissenseinbettung mit Meta-Verstärkungslernverfahren eine physikalische Führungsverlustfunktion formuliert, die effektiv die für das Modelltraining erforderliche Stichprobengröße reduziert und somit die Generalisierungsfähigkeit des Algorithmus verbessert. Simulationsergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zum modellagnostischen Meta-Learning-Proximal-Policy-Optimization-Algorithmus (MAML-PPO) eine Steigerung des durchschnittlichen Systemdurchsatzes um 31,19 % und im Vergleich zum RL²-Algorithmus um 80,91 % in verschiedenen Kanalumgebungen erzielt.

Maritime drahtlose Kommunikation;Ressourcenallokation;Wissenseinbettung;Meta-Verstärkungslernen