基于图神经网络的多频道无线网络资源分配
机器学习
2025-06-05 v1 信号处理
摘要
随着移动设备数量的持续增长，干扰已成为提升无线网络数据速率的主要瓶颈。高效的联合频道和功率分配 (JCPA) 对管理干扰至关重要。本文首先提出了增强型 WMMSE (eWMMSE) 算法，以解决多频道无线网络中的 JCPA 问题。为降低迭代优化的计算复杂度，我们进一步引入 JCPGNN-M，即基于图神经网络的解决方案，使每个用户能够同时进行多频道分配。我们将问题重新表述为拉格朗日函数，从而系统地强制总功率约束。我们的解决方案涉及将拉格朗日框架与 GNNs 结合，并迭代更新拉格朗日乘数和资源分配方案。与现有 GNN 方法不同，后者限制每个用户仅使用单个频道，而 JCPGNN-M 支持有效的频谱复用，并在稠密网络场景中具有良好的扩展性。仿真结果表明，JCPGNN-M 在数据速率方面优于 eWMMSE。同时，JCPGNN-M 的推理时间远低于 eWMMSE，并且在更大网络上具有良好的推广能力。
引用
@article{arxiv.2506.03813,
title = {Graph Neural Networks for Resource Allocation in Multi-Channel Wireless Networks},
author = {Lili Chen and Changyang She and Jingge Zhu and Jamie Evans},
journal= {arXiv preprint arXiv:2506.03813},
year = {2025}
}