考虑 QoS 的 HetNets 中功率分配的机器学习方法
信息论
2018-03-20 v1 math.IT
摘要
为了提高下一代异构无线网络（HetNets）的性能和覆盖范围，小基站或毫微微基站的使用日益增加。然而，在密集的 HetNets 中，毫微微基站对相邻基站造成的干扰是限制性能的因素。这种干扰正通过分布式资源分配方法进行管理。然而，随着网络密度的增加，此类资源分配方法的复杂性也随之增加。此外，毫微微基站的无计划部署需要一种自适应和自组织的算法以使 HetNets 切实可行。因此，我们提出使用一种基于 Q-learning 的机器学习方法来解决此类复杂网络中的资源分配问题。通过将每个基站定义为一个智能体，蜂窝网络被建模为多智能体网络。随后，协作 Q-learning 可作为一种有效方法来管理多智能体网络的资源。此外，所提出的方法考虑了每个用户的服务质量（QoS）以及网络中的公平性。与先前的工作相比，所提出的方法可使支持的毫微微基站数量增加四倍以上，同时使用协作 Q-learning 来减少资源分配开销。
关键词
引用
@article{arxiv.1803.06760,
title = {A Machine Learning Approach for Power Allocation in HetNets Considering QoS},
author = {Roohollah Amiri and Hani Mehrpouyan and Lex Fridman and Ranjan K. Mallik and Arumugam Nallanathan and David Matolak},
journal= {arXiv preprint arXiv:1803.06760},
year = {2018}
}
备注
7 pages, 7 figures, IEEE ICC'18