基于深度强化学习的异构云无线接入网自适应无线资源分配算法

摘要：

为了满足无线数据流量大幅增长的需求,异构云无线接入网(H-CRAN)的资源优化仍然是亟待解决的重要问题.该文在H-CRAN下行链路场景下,提出一种基于深度强化学习(DRL)的无线资源分配算法.首先,该算法以队列稳定为约束,联合优化拥塞控制、用户关联、子载波分配和功率分配,并建立网络总吞吐量最大化的随机优化模型.其次,考虑到调度问题的复杂性,DRL算法利用神经网络作为非线性近似函数,高效地解决维度灾问题.最后,针对无线网络环境的复杂性和动态多变性,引入迁移学习(TL)算法,利用TL的小样本学习特性,使得DRL算法在少量样本的情况下也能获得最优的资源分配策略.此外,TL通过迁移DRL模型的权重参数,进一步地加快了DRL算法的收敛速度.仿真结果表明,该文所提算法可以有效地增加网络吞吐量,提高网络的稳定性.

关键词：异构云无线接入网络、资源分配、深度强化学习、迁移学习

所属期刊栏目：42

分类号：TN929.5

资助基金：国家自然科学基金;重庆市教委科学技术研究项目

在线出版日期：2020-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1468-1477