在无线系统中学习最佳资源分配
本文提出了一种基于深度神经网络的学习算法来近似数值优化算法,在无线资源管理的应用中,此算法可以在几乎实时完成资源分配,大大提高了计算效率。同时,本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近,并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。
May, 2017
本文介绍深度学习在车联网中用于资源分配的关键动因和障碍,并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术,探究当前设计方法所面临的挑战,并提出未来资源分配研究的一些方向。
Jul, 2019
本文介绍了无监督学习和强化学习算法,用于解决无模型或函数优化问题,其中深度神经网络可用于维度较高的可变优化问题,而强化学习适用于不可行的情况,并以用户关联问题为例进行模拟和应用验证。
Jan, 2020
本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架,其中使用基于本地信息的有效状态分配。通过引入深度神经网络,将原始问题转化为基于非凸约束的 DNN 的训练任务,并开发了一种基于原始 - 对偶方法的约束训练策略,为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。
May, 2019
本论文提出了使用无监督深度学习解决无约束和有约束变量优化问题的统一框架,并以资源配置为例证明了这一框架的有效性。实验结果表明,与监督学习相比,无监督学习在保证服务质量约束的同时可以更快地达到最优策略和减少 QoS 违规概率。
May, 2020
该文考虑了一组通过非稳态无线信道相互连接的多个独立控制系统,通过在固定预算内分配发送功率,最大化所有系统的控制性能。通过对未知无线信道进行采样,可以将问题转化为经验风险最小化问题,并使用 Lagrangian dual 问题进行约束优化。由于无线信道的非稳态性,最优的功率分配必须随着信道的演化而持续学习和更新。通过使用牛顿法以随时间演化为样本的对偶函数,学习接近最优的功率分配策略并取得二次收敛特性。数值模拟阐明了该方法的近最优性能和在无线控制问题上的稳定性。
Mar, 2018
基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统,并针对最小化功耗目标,在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下,通过优化理论和深度强化学习两个阶段的组合来实现,该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能,接近最优性能且复杂度较低。
Nov, 2023
本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配,通过卷积神经网络构建 REGNN,利用无监督模型进行权重训练,并测试其性能和转移能力。
Sep, 2019
本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题,同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性,并以功率控制问题作为例子证明了模型无关学习的效率。
Jul, 2019