MC-NOMA中的联合资源管理：一种深度强化学习方法
人工智能
2021-03-30 v1 机器学习
摘要
本文提出了一种新颖且有效的基于深度强化学习（DRL）的方法，用于解决实际多载波非正交多址（MC-NOMA）系统中的联合资源管理（JRM）问题，其中考虑了硬件灵敏度和不完美的串行干扰消除（SIC）。我们首先将JRM问题公式化以最大化加权系统和吞吐量。然后，将JRM问题解耦为两个迭代子任务：子载波分配（SA，包括用户分组）和功率分配（PA）。每个子任务都是一个序贯决策过程。通过调用深度确定性策略梯度算法，我们提出的基于DRL的JRM（DRL-JRM）方法联合执行这两个子任务，其中子任务的优化目标和约束通过一种新的联合奖励和内部奖励机制来处理。采用多智能体结构和卷积神经网络来降低PA子任务的复杂度。我们还针对DRL-JRM的稳定性和收敛性定制了神经网络结构。大量实验证实，所提出的DRL-JRM方案在系统吞吐量和抗干扰性方面优于现有替代方案，尤其是在存在大量用户和强小区间干扰的情况下。DRL-JRM可以灵活满足用户的个性化业务需求。
引用
@article{arxiv.2103.15371,
title = {Joint Resource Management for MC-NOMA: A Deep Reinforcement Learning Approach},
author = {Shaoyang Wang and Tiejun Lv and Wei Ni and Norman C. Beaulieu and Y. Jay Guo},
journal= {arXiv preprint arXiv:2103.15371},
year = {2021}
}
备注
14 pages, 10 figures, Accepted by IEEE Transactions on Wireless Communications