蜂窝网络中基于深度强化学习的调度
信息论
2019-07-24 v2 机器学习
math.IT
摘要
将人工智能（AI）集成到无线网络中已在工业界与学术界引起极大关注。一种常见方案是替换传统系统中的部分甚至全部模块，但由于忽视专家知识，其往往缺乏效率与鲁棒性。本文以基于深度强化学习（DRL）的调度为例，研究专家知识如何助力蜂窝网络中的 AI 模块。我们开发了一个考虑了链路自适应、反馈及其他实际机制的仿真平台以支撑研究。除直接从环境学习的传统训练 DRL 智能体方式外，我们提出两种新方法，即从双 AI 模块学习与从专家解学习。结果表明，对所考虑的调度问题，引入专家知识可在性能与收敛速度上改进 DRL 训练过程。因此，相较于替换系统中的传统调度模块，增加一个能与传统模块交互并提供更高灵活性的新引入 AI 模块是更可行的方案。
引用
@article{arxiv.1905.05914,
title = {Deep Reinforcement Learning for Scheduling in Cellular Networks},
author = {Jian Wang and Chen Xu and Yourui Huangfu and Rong Li and Yiqun Ge and Jun Wang},
journal= {arXiv preprint arXiv:1905.05914},
year = {2019}
}