利用深度强化学习实现无小区大规模MIMO系统中的边缘缓存
信息论
2024-09-12 v2 人工智能
math.IT
摘要
无小区大规模多输入多输出通过协调许多连续接入点(AP)相干地为车载用户服务，有望满足铁路无线通信严苛的体验质量(QoE)要求。一个关键挑战是由于列车速度提升导致传播环境剧烈变化，如何及时交付所需内容。本文提出在即将进行相干传输的后续AP上主动缓存可能请求的内容，以降低端到端时延。我们构建了一个长期QoE最大化问题，并提出了两种缓存放置算法。一种基于启发式凸优化(HCO)，另一种利用带软 actor-critic (SAC) 的深度强化学习(DRL)。数值结果表明，与常规基准相比，所提算法在QoE和命中概率上具有优势。借助先进的DRL模型，SAC通过准确预测用户请求，在QoE上优于HCO。
引用
@article{arxiv.2208.12453,
title = {Exploiting Deep Reinforcement Learning for Edge Caching in Cell-Free Massive MIMO Systems},
author = {Yu Zhang and Shuaifei Chen and Jiayi Zhang},
journal= {arXiv preprint arXiv:2208.12453},
year = {2024}
}
备注
The focus of the research has shifted, and the current submission is no longer aligned with our objectives