一种用于天线倾角优化的图注意力学习方法
机器学习
2022-05-06 v2 人工智能
摘要
6G将使移动网络走向日益增长的复杂度。为应对此复杂度，网络参数的优化是确保高性能及动态网络环境及时适配的关键。天线倾角优化提供了一种实用且高性价比的方法来改善网络覆盖与容量。先前基于强化学习（RL）的方法通过学习自适应策略优于传统倾角优化方法，在倾角优化中展现出巨大前景。然而，多数现有RL方法基于单小区特征表示，无法充分刻画智能体状态，导致次优性能。同时，此类方法大多因状态-动作爆炸而缺乏可扩展性与泛化能力。本文提出一种用于倾角优化的图注意力Q学习（GAQ）算法。GAQ依靠图注意力机制选择相关邻域信息，改进智能体状态表示，并基于历史观测使用深度Q网络（DQN）更新倾角控制策略。我们表明GAQ高效捕获重要网络信息，并以较大优势优于基于局部信息的标准DQN。此外，我们展示了其泛化至不同规模与密度网络部署的能力。
引用
@article{arxiv.2112.14843,
title = {A Graph Attention Learning Approach to Antenna Tilt Optimization},
author = {Yifei Jin and Filippo Vannella and Maxime Bouton and Jaeseong Jeong and Ezeddin Al Hakim},
journal= {arXiv preprint arXiv:2112.14843},
year = {2022}
}