用于无线电资源管理的离线与分布式强化学习
机器学习
2025-01-24 v2 人工智能
多智能体系统
摘要
强化学习（RL）已被证明在未来智能无线网络中具有广阔的前景。在线 RL 已被用于无线电资源管理（RRM），取代了传统方案。然而，由于依赖于与环境的在线交互，在无法进行在线交互的实际现实问题中，其作用受到限制。此外，传统 RL 在面对现实世界随机环境中的不确定性和风险时显得不足。为此，我们针对 RRM 问题提出了一种离线与分布式 RL 方案，该方案使用静态数据集进行离线训练，无需与环境进行任何交互，并利用回报分布考虑不确定性来源。仿真结果表明，所提出的方案优于传统的资源管理模型。此外，它是唯一超越在线 RL 的方案，比在线 RL 提高了 10%。
引用
@article{arxiv.2409.16764,
title = {Offline and Distributional Reinforcement Learning for Radio Resource Management},
author = {Eslam Eldeeb and Hirley Alves},
journal= {arXiv preprint arXiv:2409.16764},
year = {2025}
}