基于强化学习的5G切换
信息论
2020-10-20 v4 math.IT
摘要
在典型的无线蜂窝系统中，切换机制涉及将由一个小区处理的进行中会话重新分配给另一个小区。为了支持增长的容量需求并实现更新的用例，下一代无线系统将具有非常密集的部署以及先进的波束成形能力。在此类系统中，提供更好的移动性以及增强的吞吐量性能需要改进的切换策略。在本文中，我们将详述一种利用强化学习（RL）在5G蜂窝网络中进行切换优化的新方法。与传统方法相反，我们提议使用一个集中式RL智能体来控制基站（BSs）之间的切换。该智能体处理来自用户设备（UEs）的无线测量报告，并根据RL框架选择合适的切换动作以最大化长期效用。我们表明切换机制可被表述为上下文多臂老虎机问题，并使用Q-learning方法求解。我们使用不同的传播与部署环境分析了这些方法的性能，并将结果与最先进（state-of-the-art）算法进行比较。结果表明，在实际传播环境下链路波束性能增益约为0.3至0.7 dB。
引用
@article{arxiv.1904.02572,
title = {5G Handover using Reinforcement Learning},
author = {Vijaya Yajnanarayana and Henrik Rydén and László Hévizi},
journal= {arXiv preprint arXiv:1904.02572},
year = {2020}
}
备注
6 Pages, Accepted for publication in IEEE 5G World Forum (5GWF) 2020 Conference