基于图 Q 网络的多智能体强化学习天线调优

未来几代移动网络预计将包含越来越多具有更高复杂度和更多参数的天线。优化这些参数对于确保网络良好性能是必要的。移动网络的规模使得使用人工干预或手工策略优化天线参数具有挑战性。强化学习是解决这一挑战的有前景的技术，但现有方法常使用局部优化来扩展到大型网络部署。我们提出了一种新的多智能体强化学习算法来全局优化移动网络配置。通过使用值分解方法，我们的算法可以从全局奖励函数训练，而不是依赖于网络性能在不同小区之间临时的分解。该算法使用图神经网络架构，可泛化到不同网络拓扑并学习协调行为。我们在模拟环境中在天线倾角调优问题和联合倾角与功率控制问题上实证展示了算法的性能。