در شبکه‌های ناهمگن که فناوری‌های ارتباطی فرکانس رادیویی (RF) و نور مرئی (VLC) به صورت یکپارچه عمل می‌کنند، فرآیند واگذاری ارتباط برای تضمین اتصال و کیفیت خدمات (QoS) به‌ویژه در محیط‌های داخلی پویا اهمیت بسیاری دارد. این مقاله یک الگوریتم ابتکاری جدید به نام DLHA را معرفی می‌کند که با بهره‌گیری از یادگیری عمیق، فرایند پیش‌بینی، بهینه‌سازی و اجرای تصمیمات واگذاری ارتباط را در شبکه‌های تلفیقی RF-VLC مدیریت می‌کند. الگوریتم مذکور از یک شبکه عصبی عمیق (DNN) مبتنی بر واحد بازگشتی دروازه‌دار (GRU) برای پیش‌بینی شرایط کانال و الگوهای تحرک کاربران استفاده کرده و این پیش‌بینی‌ها را با یک چارچوب تصمیم‌گیری هوشمند ترکیب می‌کند. هدف این ترکیب کاهش تأخیر در واگذاری ارتباط، کاهش نرخ از دست دادن بسته‌ها و ایجاد توازن در بار شبکه است. مسئله اصلی به عنوان یک مسئله بهینه‌سازی چند هدفه در نظر گرفته شده است به طوریکه که محدودیت‌هایی نظیر تأخیر، مصرف انرژی و تداخل را شامل می‌شود. این مسئله با استفاده از اصول بهینه‌سازی و اصلاح فرآیندهای تصمیم‌گیری مارکوف (MDP) حل شده است. نتایج شبیه‌سازی که مبتنی بر مدل‌های کانال داخلی واقعی و سناریوهای معتبر تحرک هستند، نشان می‌دهند که الگوریتم پیشنهادی DLHA در مقایسه با روش‌های سنتی مبتنی بر آستانه، عملکرد بهتری دارد.
