Debido a las graves amenazas planteadas por los interferidores inteligentes, la toma de decisiones anti-interferencia se ha convertido en una tecnología esencial para las comunicaciones inalámbricas. La mayoría de los enfoques existentes de toma de decisiones anti-interferencia han adoptado el Q-Learning para mejorar la precisión. Sin embargo, el rendimiento de estos enfoques disminuye drásticamente en entornos de interferencia que varían rápidamente. Por lo tanto, se propone un enfoque avanzado de Q-Learning que utiliza un grafo de conocimiento de dominio como conocimiento previo para seleccionar las estrategias óptimas con alta flexibilidad y precisión en diferentes entornos de interferencia. Específicamente, al tomar un grafo de conocimiento que contiene conocimiento anti-interferencia para inicializar la tabla Q, el Q-Learning puede evitar quedar atrapado en soluciones subóptimas locales y obtener estrategias precisas con menos iteraciones. Las iteraciones del enfoque propuesto son un tercio de las de otros enfoques basados en Q-Learning y las recompensas promedio del enfoque propuesto han mejorado un 2 por ciento. Los resultados numéricos demuestran la optimalidad y excelente rendimiento del enfoque propuesto sobre varios puntos de referencia existentes.