基于强化学习的上行载波聚合自干扰下的资源分配框架
信息论
2025-11-25 v1 机器学习
信号处理
math.IT
摘要
载波聚合（Carrier Aggregation, CA）是一种允许移动网络组合多个载波以提高用户数据速率的技术。对于上行链路上的功率受限用户而言，这意味着需要一种高效的资源分配方案，即每个用户在其分配给自己的上行载波之间分布其可用功率。选择一组合适的载波并在这些载波上分配合适的功率至关重要。如果上行载波分配使得用户上行载波的谐波落在该用户的下行频率上，则会导致该用户下行接收机受到自耦合引起的灵敏度降低。本文将上行载波聚合问题建模为具有由自干扰引起的非线性约束的优化资源分配问题。这涉及对离散变量（哪些载波需要开启）和连续变量（在所选载波上分配多少功率）进行动态优化，由于优化变量的混合特性以及需要考虑自干扰约束，传统方法难以求解。我们采用包含复合动作演员-批判（CA2C）算法的强化学习（RL）框架来解决上行载波聚合问题。我们提出了关键用于使 CA2C 算法高效处理自干扰的新型奖励函数。CA2C 算法及提出的奖励函数能够在线学习为上行载波分配和激活合适的载波。数值结果表明，所提出的基于 RL 的方案能够实现高于朴素方案的更高总吞吐量。结果还表明，所提出的奖励函数使 CA2C 算法能够在存在和不存在自干扰的情况下适应性地进行优化。
引用
@article{arxiv.2511.17931,
title = {A Reinforcement Learning Framework for Resource Allocation in Uplink Carrier Aggregation in the Presence of Self Interference},
author = {Jaswanth Bodempudi and Batta Siva Sairam and Madepalli Haritha and Sandesh Rao Mattu and Ananthanarayanan Chockalingam},
journal= {arXiv preprint arXiv:2511.17931},
year = {2025}
}
备注
Accepted in IEEE Trans. on Machine Learning in Communications and Networking