基于DQN的超密集网络能效资源管理

摘要：

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量(QoS)并提高网络能效,构建一种基于深度强化学习(DRL)的资源分配和功率控制联合优化框架.综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题.针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数.利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略.仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效.

关键词：超密集网络、能效、资源分配、强化学习、功率控制、深度学习

所属期刊栏目：47

分类号：TN929.5

资助基金：国家自然科学基金61501289

在线出版日期：2021-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：169-175