基于多智能体联邦加权深度强化学习的无线通信与计算资源分配协同优化
网络与互联网体系结构
2024-04-03 v1
摘要
随着人工智能驱动的无线通信系统的持续演进，分布式学习因其在无线通信应用中能够提供更强的数据隐私保护、更高的资源利用率和更好的容错能力而受到广泛关注。联邦学习在此基础上进一步增强了跨节点的资源协调和模型泛化能力，从而实现了人工智能驱动的通信与计算一体化无线网络。本文提出了一种新颖的无线通信系统，以满足隐私敏感型和隐私非敏感型用户的个性化服务需求。我们基于多智能体联邦加权深度强化学习（MAFWDRL）设计了该系统。该系统在满足用户服务需求的同时，促进了本地通信资源分配的实时优化以及计算资源的并发决策。此外，引入了探索噪声以增强离策略深度强化学习（DRL）对无线信道的探索过程。联邦加权（FedWgt）有效补偿了通信节点间信道状态的异构差异。大量仿真实验表明，所提方案在吞吐量、计算延迟和能耗改善方面显著优于基线方法。
引用
@article{arxiv.2404.01638,
title = {Collaborative Optimization of Wireless Communication and Computing Resource Allocation based on Multi-Agent Federated Weighting Deep Reinforcement Learning},
author = {Junjie Wu and Xuming Fang},
journal= {arXiv preprint arXiv:2404.01638},
year = {2024}
}