学习分支：加速无线网络中的资源分配
信息论
2020-12-22 v3 math.IT
摘要
无线网络中的资源分配，例如设备到设备 (D2D) 通信，通常被建模为混合整数非线性规划 (MINLP) 问题，这类问题通常是 NP-hard 且难以获得最优解。解决这些 MINLP 问题的传统方法都基于数学优化技术，例如分支定界 (B&B) 算法，该算法收敛缓慢且对于实时实现具有令人望而却步的复杂度。因此，机器学习 (ML) 近来已被用于解决无线通信中的 MINLP 问题。在本文中，我们使用模仿学习方法来加速 B&B 算法。利用与问题无关的不变特征和针对 D2D 通信的适当问题相关特征选择，可以以有监督的方式学习到一个良好的辅助剪枝策略，从而加速 B&B 算法中最耗时的分支过程。此外，我们开发了一种混合训练策略以进一步增强泛化能力，并设计了一个具有新颖损失函数的深度神经网络 (DNN) 以实现对最优性与计算复杂度的更好动态控制。大量仿真表明，所提方法能同时实现良好的最优性并降低计算复杂度。
引用
@article{arxiv.1903.01819,
title = {Learning to Branch: Accelerating Resource Allocation in Wireless Networks},
author = {Mengyuan Lee and Guanding Yu and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:1903.01819},
year = {2020}
}
备注
to appear in IEEE Transactions on Vehicular Technology