基于多智能体深度强化学习的 IAB 网络联合功率与子信道分配
本文提出了一种基于两级层次结构的管理方法,结合统一接入 - 回传约束、联邦式机器学习和双注意力深度强化学习模型,在考虑移动接入点规划的同时,优化无人机的部署和网络结构设计,提高 5G 网络中移动接入点的效率。
Jun, 2023
本研究主要探讨无线路由方案的优化,特别关注于集成接入回程(IAB)网络,旨在通过采取多智能体强化学习和马尔可夫决策过程等方法,最大化分组到达比率同时最小化网络延迟,并提升网络效率。在本研究中,我们提出了一种称为关系型优势演员评论家(Relational A2C)的算法,并对其进行了三种不同的训练范式。研究结果表明,相较于其他强化学习算法,该算法具有更好的性能和更低的个体自私行为,为 IAB 网络的路由策略优化提供了新的思路。
May, 2023
本文研究了基于模型驱动的电力分配算法在具有干扰多接入信道(IMAC)的无线蜂窝网络中的应用。通过深度强化学习(DRL)的两步训练框架,采用深度 Q 网络(DQN)和深度 Q 学习算法(DQL)从离线学习中获得指定数据集,而对于在线学习过程中的真实数据来说,DQN 可进一步微调。这种方法比现有的 DQL 训练方法更好,具有很好的推广能力。
Dec, 2018
本文提出了一个学习框架来优化无线网络的频谱和功率分配,使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练,模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。
Dec, 2020
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
本文提出了一种基于深度强化学习的下行功率分配方案,旨在最大化总网络吞吐量,该方案与传统的功率分配方案相比表现更好,在多小区场景中,通过深度 Q 学习方法实现近似最优功率分配策略,使用遗传算法作为基准来获得近似最优功率分配解。
Apr, 2019
利用深度强化学习优化实时的无人机部署,实现 5G 网络的增强与改进,填补了无人机辅助 5G 网络的空白,为未来移动网络提供可扩展且适应性强的解决方案。
Dec, 2023
该研究论文探讨了一种面向空中无人机的干扰感知联合路径规划和功率分配机制,旨在最大化上行吞吐量并降低地面用户设备的干扰,模拟结果表明该方法可以实现专家级别的性能水平。
Jun, 2023
本文提出了一种分布式执行的动态功率分配方案,基于无模型深度强化学习技术,通过收集 CSI 和服务质量(QoS)信息,每个发射机适应自己的发射功率,旨在最大化加权和速效用函数,可特化为实现最大总速率或比例公平调度。本方案特别适用于系统模型不精确,CSI 延迟不可忽略的实际场景,能够在真实时间内实现几乎最优的功率分配。
Aug, 2018
本文研究了基于深度强化学习的无模型无需解析解的动力控制方案在跨单元合作、离线 / 在线集中训练和分布式执行等方面的数学分析和具体实现。 分析和仿真结果表明,DRL 设计在性能、鲁棒性和广泛可用性方面优于基于模型的方法,特别是 actor-critic 深度确定性策略梯度算法,可用于现有资源分配方案。
Jan, 2019