1.一种智能反射面辅助的智能语义通信系统资源分配方法，其特征在于，所述方法包括如下步骤：步骤1：建立语义通信系统模型和建立IRS辅助语义通信系统模型；

步骤1‑1：建立语义通信系统模型；

设定DeepSC网络集合 引入语义相似度 和语义频谱效

率 发送方由语义编码器和信道编码器组成，接收方由语义解码器和信道解码器组成，物理信道模拟了真实的传输情况，包括IRS反射波束赋形、噪声，在接收端，接收到的信号通过信道解码和语义解码进行恢复，以获得目标文本，在发送端，传输文本可以表示为s＝[s1，s2，...，si，...，sl],其中l是句子长度，si表示句子中的第i个词，句子s依次经过语义编码器、信道编码器、模拟信道、信道解码器、语义编码器进行传输，由DeepSC网络组成的语义通信网络集合可以表示为 每个DeepSC网络具有不同数量的语义符号输出；

步骤1‑2：建立IRS辅助的语义传输系统；

设置基站、K个用户及IRS的位置，对基站到IRS、IRS到K个用户、基站到K个用户之间的信道进行建模，获取信道增益，设置基站、K个用户及IRS的位置，对基站到IRS、IRS到K个用户、基站到K个用户之间的信道进行建模，获取信道增益，如下定义：T

所有通信节点建立三维笛卡尔坐标系，节点A位置可以定义为wA＝[xA，yA，zA] ，其中每个位置表达式中的三个数分别表示对应的轴坐标，固定高度的基站有M根天线，固定位置的每个用户有一根天线，IRS配有E个反射单元用于增强频谱感知与次级传输，并且每个反射单元的相位可以由基站控制中心动态调整，定义从BS到用户的信道服从瑞利衰弱，从BS到IRS和从IRS到用户的信道服从莱斯衰弱，路径损耗被建模为PL＝(PL0‑10τlog10(d/D0))dB，其中PL0＝30dB，参考距离D0＝1m，τ代表路径损耗因子，具体来说，从基站到用户的路径损耗因子为τbu，从基站到IRS的路径损耗因子为τbr，从IRS到用户的路径损耗因子为τru；

定义IRS阵元偏移为 Θ ， 其中

代表了第e个反射阵元的振幅相关系数，φe∈[0，2π]代表了相位相关系数，定义基站到第k个用户的信道为 基站到IRS的信道为 IRS到第k个用户的信道为 定义子信道集合为 第k个用户的信道分配情况可以

被定义为ρk＝{ρk,1,ρk,2,...,ρk,c,...ρk,C}，其中ρk，c∈{0，1}代表了第k个用户使用第c个子信道情况，如果第k个用户占用第c个子信道进行传输，ρk，c为1，否则，ρk，c为0，每个用户只能占用一个信道，信道数量和用户数量一致，定义基站通过第c个子信道向第k个用户发射的波束为fk，c；

从基站通过第c个子信道到第k个用户的传输速率可以表示为：

其中，B代表带宽资源，C代表子信道数量，hk代表基站到用户k的信道，gk代表IRS到用户k的信道，Θ代表IRS反射阵元系数，G代表基站到IRS的信道，fk，c代表基站通过信道c向用户k发射的波束赋形， 代表用户k处的噪声方差；

步骤2：获得资源分配优化问题，定义有效S‑SE(ES‑SE)，如果没有达到给定语义相似度容忍值ξth的传输被视作无效传输，定义ηk，c代表第k个用户在第c个信道上是否达成给定语义相似度容忍值ξth，如果ξk，c＞ξth，则ηk，c＝1，否则，ηk，c＝0，定义ES‑SE为Ψ，Ψ可以表示为：通过联合优化语义通信网络DeepSC选择、子信道分配、基站发射波束和IRS阵元反射因子，系统目标为最大化ES‑SE；

资源分配问题约束：第一个约束条件为用户占用子信道约束，每个用户和子信道只存在占用和不占用关系，且每个用户只能占用一个信道，即 且第二个约束条件为基站总传输功率不能超过最大传输功率，即

其中TP代表了基站最大传输功率，第三个约束为IRS反射阵元振幅和

相位约束，即 第四个约束为用户选择DeepSC约束，

每个用户和每个DeepSC网络间只存在选择和不选择，且每个用户只能选择一个DeepSC网络进行语义传输，即 和 第四个约束为最小ES‑SE约束，即Ψ≥Ψth， 其中ψth代表可容忍有效语义频谱效率；

步骤3：目标问题转化为马尔可夫问题，设定基站控制中心为智能体，设计状态空间st＝{at‑1，{hk，t}，{ξk，t}，ψt，rt}、动作空间at＝{ζt，ρt，Θ t，Ft}、回报函数和状态转移概率 建立强化学习模型，将IRS辅助语义通信系统中资源分配问题转化为马尔可夫问题，并提取资源分配问题中关键元素，建立强化学习模型，包括智能体、动作空间、状态空间、回报值模型、状态转移概率，设定基站控制中心为智能体，语义通信网络DeepSC选择、子信道分配、基站发射波束和IRS反射阵元组成动作空间，在t时刻，动作空间可以表示为：at＝{ζt，ρt，Θt，Ft}，

其中，ζt代表DeepSC选择，ρt代表子信道分配，Ft代表基站发射波束，Θt代表IRS元素反射偏移，设定动作选择、信道因子、可达语义相似度、有效语义频谱效率、回报值组成状态空间，在t时刻，状态空间可以表示为：st＝{at‑1，{hk，t}，{ξk，t}，Ψt，rt}，

其中，at‑1代表进入状态st前的动作选择，{hk，t}代表信道因子集合，{ξk，t}代表用户可达语义相似度集合，Ψt代表系统可达的有效频谱效率，rt代表回报值，在回报值函数设计中综合考虑可达有效语义频谱效率，语义频谱效率容忍值以及语义相似度容忍值，因此，回报值函数表示为：其中，Ψ代表系统可达ES‑SE，w1和w2为给定权重因子，uΨ和uξ，k分别表示系统没有达到语义频谱效率容忍值和用户k达到语义相似度容忍值的惩罚因子，可以表示为：其中，ψth代表有效语义频谱效率容忍值，ξth代表最低语义相似度，此外，使用代表状态st下执行动作at进入状态st+1的状态转移概率；

步骤4：利用基于D3QN‑SAC的混合算法联合优化语义通信网络DeepSC选择、子信道分配、基站发射波束和IRS阵元反射偏移，最大化有效语义频谱效率，具体包括以下步骤：步骤4‑1：设计基于D3QN‑SAC的智能资源分配算法；

步骤4‑2：语义通信系统预训练，获得语义相似度与真实信噪比之间映射关系表；

步骤4‑3：智能体与系统交互，获得训练经验；

智能体决策语义通信网络DeepSC选择，子信道分配，智能反射面阵元反射系数，基站发射波束，并输入IRS辅助语义通信系统，进入新系统状态，得到奖励值，智能体将每步迭代产生的新旧系统状态、动作选择、奖励值存入经验池；

步骤4‑4：算法参数更新；

当智能体与环境交互满足设定次数后，通过回放存储在经验池的经验，智能体以最小化损失函数为目标进行学习，通过反向梯度对网络参数进行更新，返回上述步骤4‑3至训练结束；

步骤4‑5：算法收敛，将各网络参数进行本地保存；

步骤5：利用基于D3QN‑SAC的智能资源分配方法求出信道分配、DeepSC选择、基站波束赋形以及IRS相位的次优解。