基于深度强化学习的 NOMA MEC 网络能量与 AoI 联合优化统一框架
信号处理
2020-11-03 v1
摘要
本文为一种智能移动边缘计算（MEC）辅助的无线接入网络设计了一种新颖的调度与资源分配算法。不同于以往基于能效（EE）或平均信息年龄（AAoI）的网络设计，我们提出一种统一度量来同时优化网络的 ESE 与 AAoI。为进一步提升系统容量，非正交多址（NOMA）被提出作为未来蜂窝网络多址方案的候选。我们的主要目标是在 AoI、NOMA 和资源容量约束下使用随机优化最大化长期目标函数。为克服网络参数（如无线信道与干扰）的复杂性与未知动态，我们应用强化学习概念并实现深度 Q 网络（DQN）。仿真结果说明了所提框架的有效性，并分析了不同参数对网络性能的影响。基于结果，我们提出的奖励函数收敛快且损失值可忽略。同时，结果表明我们的工作在目标函数上优于现有 SOTA 基线至多 64%，在 AAoI 上优于至多 51%，这些仅为示例。
引用
@article{arxiv.2011.00436,
title = {A Unified Framework for Joint Energy and AoI Optimization via Deep Reinforcement Learning for NOMA MEC-based Networks},
author = {Abolfazl Zakeri and Mohammad Parvini and Mohammad Reza Javan and Nader Mokari and Eduard A Jorswieck},
journal= {arXiv preprint arXiv:2011.00436},
year = {2020}
}
备注
Under review in IEEE for possible publication