面向受 QoS 约束限制的干扰受限多信道无线网络资源分配的图神经网络
机器学习
2025-09-09 v1 信号处理
摘要
满足最低数据速率约束是无线通信系统中的重要挑战，尤其是随着网络复杂度的增加。传统的深度学习方法通常通过在损失函数中加入惩罚项并经验调节超参数来解决这些约束。然而，这种启发式处理没有理论收敛保证，并且经常在实际场景中未能满足 QoS 要求。基于 WMMSE 算法的结构，我们首先将其扩展到具有 QoS 约束的多信道设置， resulting in enhanced WMMSE（eWMMSE）算法，据证在问题可行时可收敛到局部最优解。为了进一步降低计算复杂度并提高可扩展性，我们开发了一种 GNN-based 算法 JCPGNN-M，能够支持每个用户的同时多信道分配。为克服传统深度学习方法的局限性，我们提出了将 GNN 与基于拉格朗日的原子对偶优化方法相结合的原则框架。通过在拉格朗日框架内训练 GNN，我们确保满足 QoS 约束并收敛到平稳点。大量仿真结果表明，JCPGNN-M 在推理速度、对更大网络的泛化以及在信道状态不完美时的鲁棒性方面均显著优于 eWMMSE。本工作为未来无线网络中的受约束资源分配提供了一种可扩展且理论上有据循的解决方案。
引用
@article{arxiv.2509.06395,
title = {Graph Neural Networks for Resource Allocation in Interference-limited Multi-Channel Wireless Networks with QoS Constraints},
author = {Lili Chen and Changyang She and Jingge Zhu and Jamie Evans},
journal= {arXiv preprint arXiv:2509.06395},
year = {2025}
}