MMMar, 2021

MC-NOMA 的联合资源管理：一种深度强化学习方法

PDF
TL;DR本文提出了基于深度强化学习的联合资源管理方法来应对多载波非正交多址系统中的硬件敏感性和不完美连续干扰消除，包括对子载波赋值和功率分配两个迭代子任务的决策过程。经过广泛实验验证，该方法在系统吞吐量和抗干扰能力方面较现有替代方案更加优越，并可以灵活满足用户的个性化服务要求。
发现论文，激发创造
  • 深度强化学习的毫米波非正交多址下行系统联合功率分配和波束成形器

    该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

    May, 2022

  • 毫米波非正交多址通信中的深度强化学习：联合功率分配和混合波束成形

    本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

    May, 2022

  • 上行 NOMA-IoT 网络资源分配：一种强化学习方法

    本文针对非正交多址技术中的公平资源分配问题，基于强化学习提出了一种高效的资源分配方案，结合深度强化学习算法和 SARSA-learning 算法处理不同网络负载下的差异性问题，并通过数值实验得出在物联网中，非正交多址技术可以比正交多址技术更好地提高系统的吞吐量。

    Jul, 2020

  • 基于 RIS 的 EH-NOMA 网络：一种深度强化学习方法

    该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

    Apr, 2023

  • 多智能体学习调度：一种分布式无线资源管理框架

    提出了一种使用多智能体深度强化学习的机制来管理无线电资源，从而在最大化用户吞吐量和保证公平分配资源之间取得平衡。

    Jun, 2019

  • 异构无线网络的深度强化学习多路访问

    本文研究了深度强化学习在异构无线网络的 MAC 协议中的应用，通过观察环境、采取行动和获得回报，DLMA 节点可以学习一种最优的 MAC 策略，以实现多个时隙网络的协调共存。

    Dec, 2017

  • MC-NOMA 系统的最佳联合功率和子载波分配

    本文提出了一种基于单调优化的子载波分配策略的资源分配算法，该算法在计算复杂度和性能之间取得了平衡，并对其进行了模拟实验。结果表明，该算法可以显著提高多载波非正交多址接入系统的系统吞吐量。

    Mar, 2016

  • 绿色深度强化学习用于无线电资源管理：架构，算法压缩与挑战

    本文针对 5G 及更高版本中的高复杂度无线资源管理问题，通过引入基于深度强化学习的云计算和分布式决策方案，并结合压缩算法和空间迁移学习，提出一种实现绿色深度强化学习的架构和算法，为实现绿色智能设备带来了潜在的解决方案。

    Oct, 2019

  • 面向下一代 HetNets 的多层次多智能体 DRL 框架：联合多 RAT 分配和动态资源分配

    本文提出了一个基于分阶段多代理深度强化学习框架 DeepRAT 来解决下一代异构无线网络中成本感知的下行总速率最大化的问题。通过模拟实现，我们证明各种 DRL 代理的有效互动，学习系统动态并导出全局最优策略，同时也证明了 DeepRAT 算法在网络效用方面优于现有的最先进的启发式方法，并进一步量化了 DeepRAT 模型在快速适应网络动态、例如设备的移动方面的能力。

    Feb, 2022

  • 分布式非协调认知无线电资源分配的深度强化学习

    本文提出了一种基于深度强化学习的分布式资源分配技术，用于多代理环境下的认知无线电网络，该网络通过干扰下动态频谱访问与主干网络共存。该技术是分布式的，且不需要与其他代理协调，通过模拟结果可以显示出，该技术能够在有限的学习时间内，找到使性能在 3％之内的策略。

    Oct, 2019