基于DQN的超密集网络能效资源管理

• 作者: 郑冰原 孙彦赞 吴雅婷 王涛 方勇
• 来源期刊: 计算机工程
• 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
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 移动互联与通信技术|Mobile Internet and Communication Technology
• 页码范围: 169-175
• 页数: 7页
• 分类号: TN929.5
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0057720

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.