5G/6G 智能自适应调制编码 (AI-AMC)

项目背景

在复杂动态变化的无线信道环境下，传统基于静态查表的 AMC 机制难以实现最优的频谱效率， 且容易面临信道快变导致的调度滞后问题。本项目用强化学习替代查表，实现链路自适应 (Link Adaptation) 的智能决策。

核心算法（强化学习 & DQN）

• 设计并落地了基于 DQN 的智能调度算法，取代传统启发式规则。
• 实现了调制编码策略 (MCS) 与秩指示 (RI) 的联合动态分配。
• 将历史信道质量指示 (CQI)、信噪比 (SNR) 等通信指标抽象为状态空间，使智能体能够精准预测并输出最优策略。

模型调优与工程落地

• Reward Shaping：为加速 DQN 在复杂状态空间下的收敛，引入了对数变换的奖励塑形机制，有效解决了强化学习中常见的奖励稀疏与抖动问题。
• Q-value 可视化：开发自动化脚本绘制 Q-value 热力图，直观监控模型在不同信道特征下的动作价值分布，指导探索策略的快速迭代。

业务收益

• 算法有效适应了快衰落信道。
• 在保障底层通信链路可靠性（控制目标误块率）的前提下，显著提升系统的整体频谱效率和边缘用户的吞吐量。