深度强化学习辅助的 HARQ 增强 NOMA 网络年龄最优传输策略
信息论
2023-04-18 v1 信号处理
math.IT
摘要
近期 AI 与 6G 技术的交织引发了对于进一步增强可靠且及时通信的广泛研究兴趣。信息年龄（Age of Information, AoI）作为一项新颖且综合的指标，隐含了可靠性、时延与更新频率之间的复杂权衡，自提出以来已被充分研究。本文通过采用深度强化学习（DRL）方法，在新鲜度敏感的下行多用户混合自动重传请求追尾合并（HARQ-CC）增强的非正交多址接入（NOMA）网络中智能决定如何分配功率资源以及何时重传，为该领域贡献了新结果。具体地，一个 AoI 最小化问题被建模为马尔可夫决策过程（MDP）问题。随后，为实现确定性、年龄最优且智能的功率分配与重传决策，采用了双竞争深度 Q 网络（DQN）。此外，提出了一种更灵活的重传方案，称为按需重传（Retransmit-At-Will）方案，以进一步促进 HARQ 增强 NOMA 网络的时效性。仿真结果验证了所提智能方案的优越性，并展示了重传策略的阈值结构。同时，通过大量仿真结果讨论了用户配对是否必要的问题。
引用
@article{arxiv.2304.07813,
title = {Deep Reinforcement Learning-Assisted Age-optimal Transmission Policy for HARQ-aided NOMA Networks},
author = {Kunpeng Liu and Aimin Li and Shaohua Wu},
journal= {arXiv preprint arXiv:2304.07813},
year = {2023}
}