基于深度强化学习的功率分配以最小化 MIMO-NOMA IoT 系统中的 AoI 与能耗
信息论
2023-03-14 v1 人工智能
math.IT
摘要
多输入多输出与非正交多址（MIMO-NOMA）物联网（IoT）系统可显著提升信道容量与频谱效率，以支撑实时应用。信息年龄（AoI）是实时应用的一项重要指标，但尚无文献最小化 MIMO-NOMA IoT 系统的 AoI，这促使我们开展本工作。在 MIMO-NOMA IoT 系统中，基站（BS）确定采样收集需求并为每个 IoT 设备分配传输功率。各设备根据采样收集需求决定是否采样数据，并采用所分配功率经 MIMO-NOMA 信道将采样数据传至 BS。随后，BS 采用连续干扰消除（SIC）技术解码各设备所传数据信号。采样收集需求与功率分配会影响系统的 AoI 与能耗。确定包含采样收集需求与功率分配的最优策略以最小化 MIMO-NOMA IoT 系统的 AoI 与能耗至关重要，其中传输速率在 SIC 过程中非常量且噪声在 MIMO-NOMA 信道中具有随机性。本文提出基于深度强化学习（DRL）的最优功率分配以最小化 MIMO-NOMA IoT 系统的 AoI 与能耗。大量仿真验证了该最优功率分配的优越性。
引用
@article{arxiv.2303.06411,
title = {Deep Reinforcement Learning Based Power Allocation for Minimizing AoI and Energy Consumption in MIMO-NOMA IoT Systems},
author = {Hongbiao Zhu and Qiong Wu and Qiang Fan and Pingyi Fan and Jiangzhou Wang and Zhengquan Li},
journal= {arXiv preprint arXiv:2303.06411},
year = {2023}
}