基于深度强化学习的大规模MIMO系统联合QoS感知调度与预编码
网络与互联网体系结构
2024-04-02 v1
摘要
移动网络的快速发展使得第五代（5G）及超越五代（B5G）移动网络对高数据速率、低时延和高可靠性应用的需求激增。同时，大规模多输入多输出（MIMO）技术对实现该愿景至关重要，并需要与资源管理功能协同以保障高用户体验。尽管已开发传统跨层适配算法来调度和分配网络资源，但在多样化的服务质量（QoS）需求与B5G特性下，所得规则的复杂度很高。本工作中，我们考虑大规模MIMO系统中的联合用户调度、天线分配与预编码问题。不同于直接分配天线数量等资源，该分配过程被转化为基于深度强化学习（DRL）的动态算法选择问题，以实现高效的马尔可夫决策过程（MDP）建模与策略训练。具体而言，所提出的效用函数将QoS需求与约束整合为与MDP回报匹配的长期系统级目标。带动作嵌入的组件化动作结构进一步将资源管理过程纳入模型。仿真表明，在严苛场景下，相较于静态算法选择及相关工作，满意用户数分别多出7.2%与12.5%。
引用
@article{arxiv.2104.04492,
title = {Joint QoS-Aware Scheduling and Precoding for Massive MIMO Systems via Deep Reinforcement Learning},
author = {Chih-Wei Huang and Yen-Cheng Chou and Hong-Yunn Chen and Cheng-Fu Chou},
journal= {arXiv preprint arXiv:2104.04492},
year = {2024}
}