本文提出了一种基于深度强化学习的智能服务质量（QoS）优化算法（DRLIQ），用于提高车载自组织网络（VANETs）中的路由效率。特别是在没有路边单元（RSU）的环境中，该算法通过动态学习和适应网络变化，智能选择最优数据传输路径，有效减少通信中断和延迟，提高数据传输的准确性。

实验结果表明，DRLIQ算法在减少通信中断、比特错误率（BER）和网络延迟方面优于现有的热门算法，尤其是在高车流密度的环境下表现突出。此外，该算法还展示了应对网络拓扑变化和车辆动态的高适应性和稳定性。

本文的主要贡献包括：

1.提出了一种适用于无RSU环境的深度强化学习路由决策算法，能够动态调整路由策略，实现路由决策的智能化和效率优化。

2.集成了多维度的网络性能指标，如通信中断概率、网络负载、传输速率和误码率，优化了这些指标，从而提供多维优化的智能路由方案。

3.实验评估显示，在RSU缺失的高动态环境中，DRLIQ算法显著降低了网络延迟和通信中断次数，同时减少了比特错误率，证明其在复杂车辆网络环境中的有效性。

此研究为智能交通系统（ITS）中的VANETs提供了高效的路由解决方案，具有广泛的应用前景。

本论文为2019年广东省普通高校特色创新类项目《基于深度学习的车载自组织网络自适应路由技术（2019KTSCX237）》资助的研究成果。

（图文/人工智能学院 责任编辑/刘育静）