Az érkezési ráta változásának hatása Poisson- és exponenciális üzemmódváltásánál a 6G mobilhálózatok újrapróbáló sorbanállási rendszereiben: Effect of Arrival Rate Changes During Poisson and Exponential Mode Switching in 6G Mobile System Retrial Queu

This study examines arrival-rate shifts in a DQN-controlled M/M/1/K retrial queue for 6G mobile net-work access. Traffic transitions from Poisson arrivals to an exponential process derived from a Gam-ma distribution (k = 1). Simulations show that training increases served terminals while reducing queue length and orbit occupancy, with smoother behaviour in the exponential phase. Reward weighting determines whether the controller favours aggressive backlog reduction or stable moderate queues. Overall, reinforcement learning adapts effectively to non-stationary traffic and improves service efficiency in next-generation wireless access networks. KivonatJelen dolgozat a DQN-vezérelt M/M/1/K újrapróbálkozási várakozási sorban az érkezési ráta eltoló-dásait vizsgálja 6G mobilhálózati hozzáférés esetén. A forgalom Poisson-eloszlású érkezésekről Gammaeloszlásból származó exponenciális folyamatba (k = 1) megy át. A szimulációk azt mutatják, hogy a betanítás növeli a kiszolgált terminálok számát, miközben csökkenti a várakozási sorhosszt és a pálya foglaltságát, az exponenciális fázisban pedig simább viselkedést eredményez. A jutalom súlyozása határozza meg, hogy a vezérlő az agresszív várakozáscsökkentést vagy a stabil, mérsékelt sorokat részesíti-e előnyben. Összességében a megerősítéses tanulás hatékonyan alkalmazkodik a nem stacionárius forgalomhoz és javítja a szolgáltatás hatékonyságát a következő generációs vezeték nélküli hozzáférési hálózatokban.