1.密集干扰车联网的资源管理方法，其特征在于，包括：构建密集干扰车联网的通信模型；构建的密集干扰车联网的通信模型包括L个车辆用户设备即VUE和N个V2V通信链路即VL和一个路侧基站即BS；VUE与基站之间的链路已事先分配了通信信道和发射功率，第l个信道被第l个VUE使用，因此共有L个通信信道，每个信道的带宽为W，l＝1,2,…,L；每个VUE的信道允许被多个VL重复使用，但一个VL在一个时隙内只能访问一个信道；

将所述通信模型中的冲突关系建模为冲突模型；所述冲突模型包括两种冲突关系，直接冲突和隐藏冲突；直接冲突是指在同一时隙t，两个VL使用相同的资源块即RB，并具有相同的发送或接收顶点；隐藏冲突是指在同一时隙t，两个VL同时分配了相同的RB，且其中一个VL的发送或接收顶点位于另一个VL的发送或接收顶点的通信范围内；

采用服务质量指标来衡量所述通信模型的需求，建立所述通信模型的服务质量模型；

所述通信模型的服务质量模型构建为：

其中， 为第l个VUE能够达到的传输速率， 为每个VUE的最小数据速率， 为当分配到为第l个信道时、第n个VL的瞬时信号干扰加噪声比即SINR，γ 0为SINR阈值；

为第n个VL在时隙t的延迟 大于等于VL数据传输的最大可接受延迟Dmax的概率， 为在时隙t开始时第n个VL的队列长度 大于等于延迟超过Dmax的数据包Qmax的概率；po为概率阈值；

基于所述通信模型和所述冲突模型建立超图干扰模型；在所述超图干扰模型中，每个VUE作为一个顶点，VL连接着顶点作为超边，使顶点之间能够通信；t时隙的所述超图干扰模t t t型用入射矩阵I来表征，矩阵I的行代表顶点，列代表超边，矩阵I第n行第e列的元素in,e＝

1时为第n个传递顶点包含在第e个超边中，否则in,e＝0；

t t t t

用网络冲突度矩阵Φ ＝log(max(I′R ,1))表征时隙t时密集干扰车联网的情况，I′为t t t入射矩阵I的转置，R 为时隙t时的资源矩阵，资源矩阵R第n行第j列的元素 表示第d个资源块即RB被分配给第n个VL，否则t

密集干扰车联网的整体网络冲突度 计算为： 表示Φ 中1的数量， 表示没有冲突发生，否则

基于所述超图干扰模型和所述服务质量模型，建立所述通信模型的资源分配模型；所述资源分配模型构建为：t

其中，max为最大化，s.t.为使满足，C1至C9为不同的约束条件；T为时隙数量，γl为时隙t时的第l个VUE的信号干扰加噪声比， 为VUE集合， 为VL集合， 为第n个VL的发射功率， 为每个VL的最大发射功率， 为VL的分配索引， 为第l个信道被分配给第n个VL，否则将所述资源分配模型转化为马尔科夫决策模型；

在所述马尔科夫决策模型中：将每一个VL表示为一个代理，每个代理都要接受训练，以制定一种策略，决定其信道选择的最优行动，从而最大化其奖励函数；N个代理的马尔科夫决策模型定义为一个元组 其中 是状态空间， 是行动空间， 是转移概率， 为奖励函数，γ是贴现因子；

状态空间包括V2V信号链路的信道系数 VUE的信道系数 在上一个时隙t‑1与第n个VL相邻的VL的信道分配和第n个VL发射机上队列的当前长度指当前时隙t内将第l个信道上与第n个V2V链路相关的信道功率增益， 指当前时隙t内当重复使用第n个信道通信时第n个VL对第l个VUE的信道干扰参数；

行动空间包括每个代理执行的操作，包括选择信道 和发射功率时隙t时的奖励函数设计为：

其中，惩罚函数U(z)会在奖励的任何部分未得到满足时施加惩罚，z指代惩罚函数括号内的值，U(z)具体如下：其中，常数A1<0，λ1、λ2和λ3是已定义的奖励三个组成部分的权重系数；

对所述马尔科夫决策模型进行求解，获取当前时刻所述密集干扰车联网的资源分配策略。

2.根据权利要求1所述的密集干扰车联网的资源管理方法，其特征在于，在对所述马尔科夫决策模型进行求解时，采用DQN算法逼近所述马尔科夫决策模型的Q值函数；在DQN算法中，每个代理由两个神经网络即Q网络和目标Q网络以及一个经验回放池组成；DQN算法的输入为密集干扰车联网的当前状态，输出为一组动作，即资源分配方案；

在Q网络中，代理接收每个时间步长t的状态信息st作为输入，并输出当前状态st下执行行动空间中各个行动at的行动Q值Q(st,at；w)，其中w为Q网络的权重；得到估计Q值后，采用贪婪算法策略选择最佳行动at，即选择Q值最高的行动at；

在代理指定行动at之后，系统会收到返回的回报rt，并进入下一个状态st+1；每个时间步长的一组数据(st,at,rt,st+1)使用经验重放法存储在大小为D的经验重放缓冲区中；

在目标Q网络中，随机采样元组(st,at,rt,st+1)用于计算目标Q网络的期望值，即：‑

yt＝rt+maxQ(st+1,at+1；w).

‑

Q(st+1,at+1；w)为目标Q网络在下一状态st+1下执行行动空间中各个下一行动at+1的Q值，‑w是在之前的训练过程中获得的目标Q网络的参数；目标Q网络可以通过最小化损失函数来训练，即：2

L(w)＝(yt‑Q(st,at；w))

使用随机梯度下降法计算损失函数，并使用Q网络的权重更新目标Q网络的权重。

3.根据权利要求2所述的密集干扰车联网的资源管理方法，其特征在于，利用联邦学习方法来提高DQN算法的收敛速度，具体为：所有代理都使用全局模型建立本地DQN网络，在全局模型训练过程中，第k个代理从自己的回放缓冲区Dk中随机选择一小批样本Bk，以最小化损失函数进行训练，并更新本地参数然后，在一轮学习结束时，通过参数加权平均得出的全局模型全局参数；

t

时隙t时，全局模型的损失函数L(w)的最小化为：

t

其中，w为时隙t时全局模型的网络参数， 为时隙t时第k个代理的网络参数，K为代理的总数；

时隙t时，全局模型的网络参数更新如下：

其中，η为学习率；在一轮训练过程中，在当前时隙t，每个代理首先获取全局模型的最t‑1新参数w 作为自己的最新参数 计算其损失函数 然后，每个代理计算损失函数的梯度 得到新的本地参数 更新本地模型；本地训练完成后，每个代理将新的本地参数 发送给全局模型的服务器；全局模型的服务器对所有代理的参数进行聚合，得到t新的全局参数w并将该参数群发给每个代理进行下一轮的训练。