面向动态 LEO-B5G 系统的自适应：基于元评论家学习的高效资源调度
信号处理
2021-10-14 v1 人工智能
机器学习
摘要
低地球轨道（LEO）卫星辅助通信已被视为超越 5G（B5G）系统中提供广覆盖与高性价比数据服务的关键要素之一。此类动态空天地拓扑使网络管理中的自由度呈指数级增长。本文针对过载 LEO-地面系统面临的两个实际问题展开研究。第一个挑战是如何高效调度资源以服务海量连接用户，从而传输/服务更多数据与用户。第二个挑战是如何使算法解在适应动态无线环境时更具弹性。为应对上述挑战，我们首先提出一种迭代次优算法以提供离线基准。为适应未知变化，我们提出一种增强型元评论家学习算法（EMCL），其中在 EMCL 中设计了用于参数化的混合神经网络与用于动作映射的 Wolpertinger 策略。结果表明，与以往的 actor-critic 及元学习方法相比，EMCL 在过载系统及动态环境适应中具备有效性与快速响应能力。
引用
@article{arxiv.2110.06787,
title = {Adapting to Dynamic LEO-B5G Systems: Meta-Critic Learning Based Efficient Resource Scheduling},
author = {Yaxiong Yuan and Lei lei and Thang X. Vu and Zheng Chang and Symeon Chatzinotas and Sumei Sun},
journal= {arXiv preprint arXiv:2110.06787},
year = {2021}
}
备注
12 pages, 9 figures