深度强化学习在下一代异构无线网络无线资源分配与管理中的应用：综述
信号处理
2022-03-14 v1 系统与控制
系统与控制
摘要
下一代无线网络因其所包含的网络架构类型、所服务的智能物联网设备类型与数量以及所支持的新兴应用类型的巨大异构性，预计将极为复杂。在此类大规模异构网络(HetNets)中，无线资源分配与管理(RRAM)成为系统设计与部署中的主要挑战之一。在此背景下，新兴的深度强化学习(DRL)技术有望成为解决未来无线 HetNets 中 RRAM 问题的主要使能技术之一。本文对 DRL 技术在下一代无线网络 RRAM 中的应用进行了系统、深入且全面的综述。为此，我们首先概述现有传统 RRAM 方法并指出其促使 DRL 用于 RRAM 的局限。随后，我们全面回顾了用于解决 RRAM 问题的最广泛使用 DRL 算法，包括基于值与基于策略的算法，并给出各自优势、局限与用例。接着我们进行详尽文献综述，并依据其所处理的无线资源类型与所研究的无线网络类型对现有相关工作分类。为此，我们仔细辨识每项相关工作中所用的 DRL 算法类型、这些算法的要素以及主要发现。最后，我们强调重要开放挑战，并对基于 DRL 的 RRAM 若干未来研究方向提供见解。本综述旨在引导并激发更多研究努力，以构建面向未来无线网络的高效细粒度基于 DRL 的 RRAM 方案。
引用
@article{arxiv.2106.00574,
title = {Deep Reinforcement Learning for Radio Resource Allocation and Management in Next Generation Heterogeneous Wireless Networks: A Survey},
author = {Abdulmalik Alwarafy and Mohamed Abdallah and Bekir Sait Ciftler and Ala Al-Fuqaha and Mounir Hamdi},
journal= {arXiv preprint arXiv:2106.00574},
year = {2022}
}