无探索的联合波束赋型学习强化策略:一种批量约束的离线策略
本文讨论了如何使用深度强化学习来优化 5G 网络中的波束成形、功率控制和干扰协同,并将其构建为一个非凸优化问题,以最大化信号干扰加噪声比(SINR); 该算法在子 6 GHz 和毫米波(mmWave)频段的语音无线电和数据无线电中都取得了更好的性能。
Jun, 2019
本研究采用离线强化学习算法解决无线电资源管理问题,通过评估使用行为策略收集的异构数据集来提出一种新的离线强化学习解决方案,表明在适当混合数据集的情况下,离线强化学习能够产生接近最优的强化学习策略。
Nov, 2023
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
该文章提出一种利用智能反射面技术的利用无线电波在多天线接入点和接收器间进行信息传输的无线通信方案,并运用深度强化学习来优化天线束成形策略,从而最小化天线接入点的传输功率。
May, 2020
本研究提出基于批次强化学习的算法,仅使用固定的离线数据集而非在线与环境的交互来学习有效策略,并通过策略约束和价值约束对数据集不足的情况进行干扰,实现对候选策略的控制,相比于现有的最新方法在多项连续动作批处理强化学习基准测试中表现优异。
Feb, 2021
本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法,其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比(SINR)平衡问题,首先设计了快速次梯度算法,然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后,开发了一种算法泛化的方法,以适应不断变化的用户和天线数量,实现了更好的性能与复杂度的平衡。
Feb, 2020
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
本文研究了基于深度学习的 C-RAN 系统优化问题,提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题,并验证了该方法的有效性。
Jul, 2021