MIX-MAB:基于强化学习的 LoRaWAN 资源分配算法
本文探讨了使用强化学习的在线协议合成的概念。 该研究在使用超低复杂度无线收发器的传感器和物联网网络的背景下进行。 该论文介绍了在不同的网络和流量条件下使用 RL 和 Multi Armed Bandit(MAB)(一种特定类型的 RL)来进行介质访问控制(MAC)。 该机制不依赖于载波感知、网络时间同步、碰撞检测和其他低级复杂操作,因此非常适合资源受限的传感器和物联网网络中使用的超简单收发器硬件。
Jan, 2023
基于多智能体强化学习的传输参数分配算法(MALoRa)用于最大化 LoRa 网络的系统能效,显著提高系统能效,并在包传递率方面接受可接受的降低。
Sep, 2023
该论文研究了如何利用机器学习算法实现开放式无线接入网络的智能化管控,提出了一种基于多智能体和多臂赌博机的负载平衡和资源分配策略,并通过仿真实验证明,该算法在有效提升网络吞吐率的同时,相对于基于规则的和其他启发式算法,更能实现开放接入单元之间的负载均衡。
Mar, 2023
本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题,并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明,该算法在信息交互开销和性能提升之间取得了良好的平衡。
Oct, 2018
本文旨在研究一种利用强化学习算法在无线多业务系统中处理无线电资源分配问题的方法,通过在本地环境中与局部互动来寻找策略,实现了关于 9LTE 系统满足保证和 QoS 约束的无线资源分配。此外,通过计算模拟,本文与文献中的最新解决方案进行比较,并展示了后者在吞吐量和故障率方面近乎最优的性能。
Mar, 2020
本文研究了雾射频接入网络(F-RAN)中的模式选择和资源分配,并采用混合整数规划方法优化性能。此外,基于机器学习的强化学习算法用于解决原始高复杂性问题。最终的仿真结果表明,我们提出的算法可以在系统功耗和队列延迟之间实现权衡。
Feb, 2020
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
本文研究了两个不同的 5G 服务,即 Ultra-Reliable Low Latency Communications(URLLC)和 enhanced Mobile BroadBand(eMBB)在动态多路复用场景下的资源切片问题。通过优化问题的形式化,提出了一种基于深度强化学习的资源分配算法,以最大化 eMBB 数据速率并满足 URLLC 可靠性约束,避免 URLLC 流量对 eMBB 可靠性造成的瞬时影响。模拟结果显示,该方法能够满足严格的 URLLC 可靠性要求,同时使 eMBB 的可靠性保持在 90%以上。
Mar, 2020
通过利用编码在 RMAB-F 中的内在结构,我们提出了一个结构化强化学习解决方案 mmDPT-TS,最小化了由 AP 的有限服务能力和 AP 与用户之间不可靠无线信道引起的系统平均延迟。
Apr, 2024
本文探讨了无线供电物联网网络上行传输的有效资源分配问题,选取 LoRa 技术作为物联网网络的例子,通过用户分组和功率分配达到提高网络吞吐量的目的;通过提出的 ECAA 方法和功率分配算法,实现了在用户本地分配通道访问和动态功率分配;通过数值结果说明,我们提出的算法成本略小于最优方法,优于随机通道分配,分布式功率分配策略比集中式离线方案具有更好的性能。
Oct, 2018