集成陆基与非陆基网络中自适应资源管理的层次化深度强化学习
信号处理
2025-01-17 v1
摘要
随着无线连接设备数量的激增, 高效的频谱分配已成为关键需求, 以支持更多用户和应用的无缝连接, 这一趋势预计在6G时代继续扩大. 卫星技术创新如SpaceX的Starlink已使非陆基网络(NTN)能够与陆基网络(TN)协同工作, 根据区域需求分配频谱. 现有的TN中的频谱共享方法使用机器学习通过功率分配和频谱感知实现干扰最小化, 但NTN独特特征如可变轨道动力学和覆盖图案需要更为精细的协调机制. 本文提出的方法采用层次化深度强化学习(HDRL)用于TN-NTN网络中的高效频谱分配. 在每个TN-NTN层次中都存在DRL智能体, 它们动态学习并根据区域趋势分配频谱. 该框架相对于穷举搜索算法快50倍, 同时实现了95%的最优频谱效率. 此外, 它相对于常用于频谱共享的多智能体DRL快3.75倍, 且总体平均吞吐量提高12%.
引用
@article{arxiv.2501.09212,
title = {Hierarchical Deep Reinforcement Learning for Adaptive Resource Management in Integrated Terrestrial and Non-Terrestrial Networks},
author = {Muhammad Ahmed Mohsin and Hassan Rizwan and Muhammad Umer and Sagnik Bhattacharya and Ahsan Bilal and John M. Cioffi},
journal= {arXiv preprint arXiv:2501.09212},
year = {2025}
}
备注
Accepted to AAAI 2025