基于深度强化学习的截断信道反转功率控制 NOMA 随机接入网络方法
网络与互联网体系结构
2022-02-23 v1 信号处理
摘要
作为 5G 及未来无线网络的典型应用场景，日益增长的机器类通信（MTC）设备近年来给 MTC 网络带来了严峻挑战。在资源受限的情况下支持海量 MTC 设备势在必行。为此，基于非正交多址接入（NOMA）的随机接入网络已被视为 MTC 网络的有前景候选方案。本文提出一种基于深度强化学习（RL）的截断信道反转功率控制 NOMA 随机接入网络方法。具体而言，每个 MTC 设备以一定概率随机选取预定义功率电平进行数据传输。设备采用信道反转功率控制但受传输功率上限约束。由于信道衰落的随机特性与有限传输功率，具有不同可达功率电平的设备被归类为不同类型。为在考虑所有设备间公平性的同时实现高吞吐，我们构建了两个目标函数：一是最大化所有 MTC 设备的最小长期期望吞吐，二是最大化所有 MTC 设备长期期望吞吐的几何平均。进一步采用基于策略的深度强化学习方法来调整各设备的传输概率，以求解所构造的优化问题。大量仿真表明了所提方法的优势。
引用
@article{arxiv.2202.10955,
title = {A Deep Reinforcement Learning based Approach for NOMA-based Random Access Network with Truncated Channel Inversion Power Control},
author = {Ziru Chen and Ran Zhang and Lin X. Cai and Yu Cheng and Yong Liu},
journal= {arXiv preprint arXiv:2202.10955},
year = {2022}
}
备注
Accepted (IEEE ICC 2022)