进入21世纪以来,人民日常的生产生活渐渐变得与电子设备息息相关。但无法回避的现实是,大量的设备同时寻求申请频段资源使用,对于相对复杂的环境,其内部的电磁频谱资源可能极为有限,如何有效地对复杂环境内部设备进行适宜的频谱分配则成为了一项重要问题。不仅是在民用生活中,在真实的战场条件下,大量的多类别、多型号设备要在同一时间投入到一小块战场中,同时兼顾实际战场的各项需求,这就要求上层决策部门在遴选最具可行性的方案时必须考虑到战场内设备的各项具体数据、战场环境的动态信息以及不同战场的计划信息等多种数据流,使得已经稍显困难的频谱分配问题变得更加复杂。在目前的频谱资源分配的相关研究中,比较传统的是以逐步优化作为主要解决工具的方式,比如图论模型、博弈论算法、生物算法等都被证明可解决频谱分配方面的问题,但这几种算法也都因各种不足而在一定程度上被限制了广泛性;而对于频谱分配随机性较强的问题,在人工智能领域则更偏向于利用强化学习来解决,但传统的强化学习则更擅长使用决策能力解决问题,却对感知问题无从下手,并且目前频谱分配领域的多数研究都针对于通信模型下的吞吐量研究,对带有实际工程性的频谱分配方案这一方面的研究则相对较少。综合上述背景及问题所述,本文的主要工作和创新如下:首先,本文首先对传统算法与人工智能领域针对电磁频谱分配的方式进行介绍,在此基础上,分别研究了传统优化算法与人工智能方法本身存在的优势与缺陷所在。最终在理论层面选择从这两方面分别设计频谱分配算法,一是在传统算法中,根据各项算法存在的优劣势,分析出蚁群算法能较好地解决解决离散型问题,此时联合粒子群算法形成对通信系统模型进行频谱资源分配;二是针对强化学习解决无模型问题的特点,计划联合深度学习对通信系统模型进行频谱资源分配。其次,分析了针对合理分配电磁频谱资源的各项功能性需求与非功能性特点,同时分析了模拟现实战场的电磁频谱环境中获取频谱分配方案所必须考虑的各项约束条件,结合环境内部所包含的通信设备情况,形成了模拟实际环境下的通信系统模型,并对传统算法理论进行展开描述,设计了一种基于粒子群与蚁群序贯联合优化的频谱资源分配方法,在理论仿真中验证了算法的合理性,并在针对具有模拟实际设备输入测试数据的情况下进行了相关工程性测试,最后对比了其与遍历分配方法的时间性能、结果准确率等不同情况,并获得了良好的结果。最后,在人工智能领域,利用强化学习对无模型问题的解决能力,辅以LSTM网络对历史数据的处理能力,设计出一种基于LSTM优化的深度强化学习频谱分配方法,通过在本文所采用的模拟战场电磁频谱环境设置的相关条件数据下进行实验,实验表明在除约束条件外无预先频段监测与频段倾向状态的情况下,本文基于DRL的频谱分配算法能够有效地为环境内设备分配有效的频段,继而进行正常的通信工作。