基于深度强化学习的密集无线接入网多基站协作功率管理
信号处理
2023-04-18 v1
摘要
网络能效是无线通信系统设计与运行的主要支柱。本文研究了一种能够在基站(BS)进行辐射功率管理的密集无线接入网(dense-RAN)。旨在提升长期网络能效,通过在用户业务量与可达速率约束下协作管理多基站辐射功率水平,构建了一个优化问题。考虑到用户处的随机业务到达与时变网络干扰,我们首先将该问题建模为马尔可夫决策过程(MDP),随后基于云无线接入网(cloud-RAN)运行方案开发了一种新颖的深度强化学习(DRL)框架。为应对复杂度与性能之间的权衡,将带乘性复杂度约束的多基站能效整体优化建模为利用深度Q网络(DQN)实现近最优性能的问题。在DQN中,每个基站首先最大化其个体能效,然后与其他基站协作以最大化多基站整体能效。仿真结果表明,所提算法相比Q-learning与休眠(sleep)基准方案分别可实现更快收敛,且网络能效提升5%和10%。
引用
@article{arxiv.2304.07976,
title = {Collaborative Multi-BS Power Management for Dense Radio Access Network using Deep Reinforcement Learning},
author = {Yuchao Chang and Wen Chen and Jun Li and Jianpo Liu and Haoran Wei and Zhendong Wang and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:2304.07976},
year = {2023}
}
备注
IEEE Transactions on Green Communicaitons and Networking