我们提出了一种新颖的框架，将约束优化方法和深度学习模型相结合，从而实现了强大的泛化能力和优越的逼近能力，基于该框架，我们设计了一种新的神经辅助算法，以在切片之间的资源限制下最大化网络效用，该算法具有高可扩展性，轻松适应不同数量的切片和切片配置，通过与深度强化学习方法等最先进的解决方案进行比较，我们在系统级网络模拟器中实施了该解决方案，并通过大量评估结果表明，在不同网络切片场景下，我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。

Jan, 2024

本研究探讨了深度强化学习在网络切片资源管理中的应用，并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时，从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。

May, 2018

本文提出了一种具有先进的深度弈算法的网络切片方法，用于快速实时的网络资源分配，该方法在动态用户需求时，通过将各种类型的资源切片到不同的用户类别下的虚拟切片中来最大化网络提供商的长期回报，并能够在多资源同时优化时更快地获得最优平均回报。

Feb, 2019

本文介绍了如何使用深度强化学习（DRL）解决无线接入网络中多个切片共享物理资源，且包含多种不同要求的服务，针对此类场景中的需求感知资源分配问题，作者提出了一种基于生成式对抗网络（GAN）和 DDQN 算法的切片联网资源优化方法。实验表明，所提出的算法可以有效地提高网络切片的资源利用率和服务性能。

May, 2019

本文介绍了使用基于回归的模型来学习 QoS 和资源分配之间的关系，并利用基于风险的强化学习代理进行动态缩放截片资源以维持所需的 QoS 水平和最大限度地提高资源效率的方法。我们的新方法不需要将 QoS 度量数学地公式化为流量，可以减少网络建模误差的影响，并具有针对不确定网络条件，定向于各种 QoS 度量的鲁棒性，同时具有在不同实际流量模式下推广的性质。结果表明，该方法能够在先前未见的流量上将 QoS 降级保持在预设的 10％以下，同时最小化分配的资源，并展示了拟议方法对不同的网络条件和不准确的流量预测的鲁棒性

Jun, 2023

网络切片通信系统通过动态和高效地分配资源来满足各种服务的需求。本文提出了一种由数字孪生和强化学习代理构成的框架来处理资源分配的问题，并验证了该框架的可扩展性，展示了数字孪生对切片优化策略性能的显著改进。

Nov, 2023

本文综述了多租户网络分片技术在 5G 蜂窝网络中的重要性，其提供了作为一种新类型公共云服务的网络切片，因此增加了服务的灵活性和增强了网络资源效率，并探讨了机器学习在其中的角色。

Jan, 2020

本文介绍了一种基于 O-RAN 模块和分布式代理合作，利用注意力机制的深度强化学习（ADRL）技术，以实现更好的网络性能，通过有效信息提取和实现泛化，提出了在分布式代理之间引入值 - 注意力网络来实现可靠和最优决策。模拟结果证明，与其他深度强化学习基线方法相比，该方法显著提高了网络性能。

Jun, 2023

本文介绍了一种新的管理网络切片的框架，该框架使用了基于演化的深度强化学习 (EDRL) 方法，将 O-RAN 切片表示为马尔可夫决策过程 (MDP)，并通过对资源分配的最优解来满足服务需求，模拟结果表明，所提出的方法比 DRL 基线提高了 62.2% 的服务质量。

Aug, 2022

基于容器虚拟化的云原生无线网络架构，应用深度强化学习算法来监控网络状态和动态分配资源，优化了网络分片和多接入边缘计算等场景的资源分配，大幅提高了网络效率。

May, 2023