Oct, 2023

能效基站小区切换自适应动态规划

PDF
TL;DR利用近似动态规划（ADP）基于在线优化的方法，在维持充分的服务质量（QoS）指标的同时，通过打开 / 关闭基站的方式减少网络功耗。通过使用多层感知器（MLP）来预测功耗和 QoS，以及长短期记忆（LSTM）进行手 over 预测，结合在线优化算法，可以实现适应性 QoS 阈值，以根据整体 QoS 历史记录对基站切换行动进行过滤，并在包含动态流量模式的各种真实场景中使用实际网络模拟器评估该方法的性能。
energy savingwireless networksapproximate dynamic programmingpower consumptionquality of service
发现论文，激发创造
  • 无线网络中动态功率分配的多智能体深度强化学习

    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

  • 学习在随机动态环境中持续优化无线资源

    本文提出了一种在动态环境中实现数据驱动方法持续学习和优化的方法，通过将持续学习（CL）概念融入到无线系统学习的建模过程中，使学习模型不断适应新的情境，同时不忘记从前几次情境中学习的知识，并针对两种流行的基于深度神经网络的模型进行定制。数值结果表明，所提出的 CL 方法不仅能够迅速而无缝地适应新场景，而且在先前遇到的场景中保持高性能。

    Nov, 2020

  • 高空卫星通信网络中的小区切换：流量负载的不可见性如何影响决策

    通过引入 HAPS 辅助网络中的基站切换方法中的小区负载估计问题，本研究旨在解决基站切换决策中的负载估计问题，以提高能量效率。研究表明，估计误差可以改变切换决策，并导致性能差异。此外，开发的 Q 学习算法表现良好，与最优算法之间仅有微小差异（0.3%）。

    May, 2024

  • 无线网络下动态视频流的体验质量优化

    本文研究了如何通过选择视频质量和发射功率来最小化视频流中断及低质量视频数据包的数量，同时满足 AP 的平均功率约束。作者将问题建模为受限制的马尔可夫决策过程，并证明了最优策略具有阈值结构。

    Sep, 2015

  • DroneOptiNet: 5G 及更高的太阳能小型蜂窝网络优化无人机载荷转移机制的框架

    通过使用空中基站（由无人机搭载）进行可靠和安全的电力再分配，减少基站的停电，并保持一致的吞吐稳定性，从而提高无线通信系统的可靠性和稳健性。

    Nov, 2023

  • 多智能体强化学习在多小区大规模 MIMO 系统中的能源节约

    我们开发了一种多智能体强化学习算法，通过对多个大规模 MIMO 基站的多级高级休眠模式和天线切换进行决策，以最小化多个多基站多小区网络的总能耗，同时保持整体服务质量。该问题被建模为分散式部分可观察马尔可夫决策过程 (DEC-POMDP)，以实现个别基站之间的协作，以解决小区间的干扰。设计了一种多智能体近端策略优化 (MAPPO) 算法来学习一个协作基站控制策略。为了增强可扩展性，进一步提出了 MAPPO - 邻近策略的改进版本。仿真结果表明，训练得到的 MAPPO 智能体相比基准策略取得更好的性能。具体而言，与自动休眠模式 1 (符号级睡眠) 算法相比，MAPPO - 邻近策略在低流量小时内减少了约 8.7% 的功耗，在高流量小时内提高了约 19% 的能源效率。

    Feb, 2024

  • 非随机学习方法在能源高效移动管理中的应用

    本文采用基于学习的方法来解决超密集、异构蜂窝，大规模节点的无线网络能源效率管理问题。其中，操作实时性以及基站切换成本等问题也被考虑。本文提出了 Batched Randomization with Exponential Weighting (BREW) 策略和 Ranking Expert (RE) 策略，并针对其复杂度的问题做了进一步的优化和证明。经过实验和对各种情况的演示，以上两种策略不仅可以极大地降低系统能耗，还具备了较强的实用性和鲁棒性。

    Aug, 2016

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

    Mar, 2020

  • 无线网络中动态多通道接入的深度强化学习

    研究多通道接入的问题，应用深度 Q 网络实现对于未知系统动态的自适应学习，以最大化长期回报，通过仿真与实际数据跟踪比较表明该方法在更为复杂的情境下具有最佳性能。

    Feb, 2018

  • 面向低功耗计算机视觉的即时深度神经网络优化控制

    移动设备上处理视觉数据具有多种应用，但现有的计算机视觉技术通常过于耗电无法部署在资源受限的边缘设备上。本文提出一种新技术，通过引入超参数来动态调整深度神经网络的精确度和能源消耗，无需重新训练即可适应不同边缘应用的硬件约束与精确度要求。该技术称为 AdaptiveActivation，实验证明其在流行的边缘设备上可以达到基准的误差范围内，并且比基准技术所需内存减少了 10% 到 38%，从而提供更多的精确度与效率权衡选项。

    Sep, 2023