1.一种异构蜂窝网络D2D通信资源分配方法，其特征在于，步骤如下：

在构建的异构蜂窝网络中引入毫米波频段用于D2D用户的通信，构建蜂窝通信模式和毫米波通信模式；

计算不同通信模式下蜂窝用户和D2D用户接收到的干扰功率、信噪比与传输速率，并根据干扰功率、信噪比和传输速率建立D2D用户的效用函数；

在满足蜂窝用户和D2D用户服务质量需求的情况下，利用构建的深度强化学习模型，根据D2D用户的当前状态，以D2D用户的效用最大化为目标进行D2D用户的通信模式和信道的选择；

所述D2D用户的效用函数，具体为：

其中，定义二进制变量δd，当δd＝1时，D2D用户利用蜂窝频段通信，否则δd＝0利用毫米波频段通信，ρd＞0是单位传输速率的收益，λd是单位传输功率的价格， 为D2D用户利用蜂窝频段通信时的传输功率， 为D2D用户利用毫米波频段通信时的传输功率， 为D2D用户接收到来自复用同一信道的蜂窝用户和其他D2D用户的干扰时的传输速率， 为D2D用户接收到来自共用同一毫米波频段的其他D2D用户的干扰时的传输速率，Pout：d，d表示在毫米波模式中D2D用户d的发送器和接收器之间的视线(LOS)路径中的阻塞概率；

所述深度强化学习模型为用于D2D资源分配的分布式多智能体深度强化学习模型，具体构建方法为：针对预设时隙，定义状态空间、行动空间和奖励函数；

在预设时隙内，D2D用户作为智能体，从状态空间中观察到一个状态，然后根据策略和当前状态从动作空间中选择一个动作，所述动作为D2D用户选择合适的通信模式和信道；

然后执行动作，并转移到新的状态，并得到一个奖励值，智能体根据获得的奖励值调整策略，逐步收敛以获得最优奖励；

所述分布式多智能体深度强化学习模型引入经验回放机制，具体为：把每次迭代智能体和环境交互得到的经验样本数据存储到经验池中，当需要进行网络训练时，从经验池中随机抽取小批量数据进行训练；

所述奖励函数具体为：

其中，Φd＞0表示D2D用户的动作选择成本， 为预设时隙内的D2D用户的效用函数。

2.如权利要求1所述的异构蜂窝网络D2D通信资源分配方法，其特征在于，所述异构蜂窝网络包括至少一个基站、多个蜂窝频段、与蜂窝频段个数相同的蜂窝用户、多个D2D用户以及多个毫米波频段。

3.如权利要求1所述的异构蜂窝网络D2D通信资源分配方法，其特征在于，所述D2D用户只能选择一种通信模式下的一条信道进行通信；如果D2D用户选择在蜂窝模式下通信，则D2D用户共享一个蜂窝用户的上行链路，每个蜂窝用户占用一条信道，每条信道可被多个D2D用户复用，其中蜂窝上行通信链路采用正交频分复用技术；如果D2D用户选择在毫米波通信模式下通信，D2D用户占用毫米波频段中的一个频段进行通信。

4.如权利要求1所述的异构蜂窝网络D2D通信资源分配方法，其特征在于，异构蜂窝网络系统中D2D用户的传输速率，具体为：

5.如权利要求4所述的异构蜂窝网络D2D通信资源分配方法，其特征在于，蜂窝用户和D2D用户的最小服务质量约束为：SINRc为蜂窝用户接收到来自与蜂窝用户复用同一信道的D2D用户的干扰时的信噪比，为D2D用户接收到来自复用同一信道的蜂窝用户和其他D2D用户的干扰时的信噪比， 为D2D用户接收到来自共用同一毫米波频段的其他D2D用户的干扰时的信噪比。

6.一种异构蜂窝网络D2D通信资源分配系统，其特征在于，包括：

蜂窝网络构建模块，被配置为：在构建的异构蜂窝网络中引入毫米波频段用于D2D用户的通信，构建蜂窝通信模式和毫米波通信模式；

数据处理模块，被配置为：计算不同通信模式下蜂窝用户和D2D用户接收到的干扰功率、信噪比与传输速率，并根据干扰功率、信噪比和传输速率建立D2D用户的效用函数；

资源分配模块，被配置为：在满足蜂窝用户和D2D用户服务质量需求的情况下，利用构建的深度强化学习模型，根据D2D用户的当前状态，以D2D用户的效用最大化为目标进行D2D用户的通信模式和信道的选择；

所述D2D用户的效用函数，具体为：

其中，定义二进制变量δd，当δd＝1时，D2D用户利用蜂窝频段通信，否则δd＝0利用毫米波频段通信，ρd＞0是单位传输速率的收益，λd是单位传输功率的价格， 为D2D用户利用蜂窝频段通信时的传输功率， 为D2D用户利用毫米波频段通信时的传输功率， 为D2D用户接收到来自复用同一信道的蜂窝用户和其他D2D用户的干扰时的传输速率， 为D2D用户接收到来自共用同一毫米波频段的其他D2D用户的干扰时的传输速率，Pout：d，d表示在毫米波模式中D2D用户d的发送器和接收器之间的视线(LOS)路径中的阻塞概率；

所述深度强化学习模型为用于D2D资源分配的分布式多智能体深度强化学习模型，具体构建方法为：针对预设时隙，定义状态空间、行动空间和奖励函数；

在预设时隙内，D2D用户作为智能体，从状态空间中观察到一个状态，然后根据策略和当前状态从动作空间中选择一个动作，所述动作为D2D用户选择合适的通信模式和信道；

然后执行动作，并转移到新的状态，并得到一个奖励值，智能体根据获得的奖励值调整策略，逐步收敛以获得最优奖励；

所述分布式多智能体深度强化学习模型引入经验回放机制，具体为：把每次迭代智能体和环境交互得到的经验样本数据存储到经验池中，当需要进行网络训练时，从经验池中随机抽取小批量数据进行训练；

所述奖励函数具体为：

其中，Φd＞0表示D2D用户的动作选择成本， 为预设时隙内的D2D用户的效用函数。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5任一项所述的异构蜂窝网络D2D通信资源分配方法中的步骤。