波形参数决策作为认知通信及智能通信的核心部分,可以看作是自适应调制编码(Adaptive Modulation and Coding,AMC)等技术的进一步发展,因多种智能算法的引入而降低了其对先验知识的依赖程度,使决策的灵活性和通用性得到了提升。在众多的智能算法中,强化学习(Reinforcement Learning,RL)因其实现原理和自主学习的特点而非常适合于解决决策类问题,但目前已有的基于RL的波形参数决策大多沿用了基于优化的决策思想,没有充分利用RL的自主学习性,决策效率还有待提升。因此,针对现有决策模型仍存在的不足,本文首先从RL的核心思想出发,设计了新的RL-based波形参数决策模型,将波形参数决策转化为序列性决策问题,从而充分利用RL中智能体与环境之间的交互性,并基于通用性强、可配置灵活度高的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)通信系统对决策模型进行仿真研究与实现。与已有的基于RL的决策模型相比,新模型的探索过程耗时更短,决策效率更高。仿真结果表明RL-based决策模型不仅能够在理想的加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道下给出性能不差于调制与编码策略(Modulation and Coding Scheme,MCS)索引表的决策结果,并且能适应于任意的衰落信道,在无需任何先验知识的情况下,通过在线学习实时地生成适合当前信道环境的决策结果,且决策性能优于MCS所提供的映射结果。其次,本文通过在Q-learning算法中引入“动作判断机制”对RL-based决策模型中仍然较为冗余的探索过程进行了优化,仿真表明优化后的模型在保证同等的决策性能的同时,缩短了在线学习的探索过程,使模型既能快速探索到最优波形参数的位置并收敛,又能在一定程度上使探索过程中的通信质量也得以保证。最后,考虑到RL-based在线决策模型无法对已有的决策结果形成记忆,所以本文还在对信道进行有效特征提取的基础上,利用决策树和随机森林两种分类器算法构建了决策知识库,从而对已有信道环境下的决策结果进行合理有效地存储和利用。仿真结果表明,随机森林在本文的数据集上表现出了更为优异的分类性能,可以为在线RL-based决策模型提供合理的决策结果预判。加入基于随机森林的决策知识库后,模型的决策效率得到了进一步的提升。