Mar, 2023

基于深度强化学习的 MIMO-NOMA 物联网系统中功率分配以最小化 AoI 和能耗

PDF
TL;DR本文提出了一种基于深度强化学习的 MIMO-NOMA 物联网系统的最优功率分配策略以最小化信息时延和能耗，并通过广泛的模拟实验证明了其优越性。
发现论文，激发创造
  • 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划：在 CSI 不确定性下减小 AoI

    用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

    May, 2023

  • 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

  • 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

  • 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

  • 基于学习的多个无人机轨迹规划，以最小化 IoT 网络中的 AoI

    应用深度强化学习算法，联合设计无人机的轨迹，以最小化信息的年龄，从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案，该算法平均可降低 25％的信息年龄，并需要少至 50％的能量。

    Sep, 2022

  • 使用在线竞争力和学习的 NOMA 在 5G 网络及其它领域中的大规模物联网接入

    本文研究了超出 5G 基于蜂窝的物联网网络中在线用户分组、调度和功率分配的问题。采用非正交多址接入方法来容纳多个设备在相同的无线电资源块中。作者提出了高效的在线竞争算法，并演示了如何在强化学习设置中使用这些在线算法并组合它们的解来获得功能强大的动力分配和全局解决方案。

    Feb, 2020

  • 缓存辅助的 NOMA 系统中的功率分配：优化与深度强化学习方法

    本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题，并提出了两种方法，一种基于分治策略，另一种使用深度强化学习算法，通过仿真实验验证了这两种方法的有效性和性能。

    Sep, 2019

  • 上行毫米波大规模 MIMO 中的能效功率分配与 NOMA

    本文研究了一种上行毫米波大规模多输入多输出系统的能量效率最大化问题，应用非正交多址访问技术和混合模拟数字波束成形方案，并提出了一种功率分配算法，同时利用基站的全局信息进行改进，数值结果表明，与传统正交多址访问技术相比，所提出的非正交多址访问技术实现了更优越的能量效率。

    Mar, 2019

  • 下行非正交多址系统中的最优功率分配

    本文研究了多信道下行 NOMA 系统的资源分配问题，分别考虑了最小最大公平性、加权和速率最大化、带服务质量约束的速率最大化、能量效率最大化和带权重或服务质量约束的情况，并考虑了用户功率上的约束和影响，提出了相应的功率分配和信道分配的优化方案，并且在模拟实验中验证了其优越性。

    Jul, 2017

  • 部分可观测状况下的信息时代协同优化

    该研究探讨了一种去中心化的传输策略，通过利用传感器传输过程和网络拥塞对信息年龄（AoI）的影响，结合基于粒子滤波和强化学习的方法，实现了多代理间的协同最小化预期的 AoI。

    Dec, 2023