提升绿色毫蜂窝网络能效：一种分层强化学习方法
机器学习
2013-03-20 v1 计算机科学与博弈论
摘要
部署毫蜂窝（femtocells）是提升蜂窝网络覆盖范围和增加容量的有效方案之一。随着蜂窝网络日益复杂，整个网络基础设施的能耗在运营成本和环境影响方面变得愈发重要。本文通过结合博弈论与随机学习，研究了双层毫蜂窝网络的能效问题。基于 Stackelberg 博弈框架，应用了一种分层强化学习架构，以研究在满足最小信干噪比（signal-to-interference-plus-noise-ratio）要求的前提下，宏蜂窝与毫蜂窝的联合期望效用最大化问题。在学习过程中，宏蜂窝充当领导者，毫蜂窝充当跟随者。在每个时间步，领导者根据跟随者的最佳响应制定动态策略，而跟随者之间则仅依据领导者的传输参数进行竞争，无其他额外信息。本文提出了两种基于强化学习的智能算法，用于调度每个小区的随机功率水平。数值实验验证了本研究的有效性。结果表明，这两种学习算法显著提升了毫蜂窝网络的能效。
引用
@article{arxiv.1303.4638,
title = {On Improving Energy Efficiency within Green Femtocell Networks: A Hierarchical Reinforcement Learning Approach},
author = {Xianfu Chen and Honggang Zhang and Tao Chen and Mika Lasanen and Jacques Palicot},
journal= {arXiv preprint arXiv:1303.4638},
year = {2013}
}
备注
arXiv admin note: substantial text overlap with arXiv:1209.2790