基于深度强化学习的下行 NOMA 系统最优功率分配与次优信道分配
人工智能
2026-01-21 v1 机器学习
网络与互联网体系结构
摘要
近年来，随着深度机器学习的发展，非正交多址接入（NOMA）系统已成为多址接入框架中一个有前景的候选方案，研究者们正尝试将深度机器学习融入 NOMA 系统。此类研究活跃的主要动机在于，随着物联网（IoT）的扩展导致网络资源稀缺，优化网络资源利用的需求日益增长。NOMA 通过功率复用来满足这一需求，允许多个用户同时接入网络。然而，NOMA 系统存在一些局限性。已有若干工作提出缓解这些局限性的方法，包括被称为联合资源分配（JRA）方法的功率分配优化，以及 JRA 方法与深度强化学习的集成（JRA-DRL）。尽管如此，信道分配问题仍不明确，需要进一步研究。本文提出了一种结合经验回放与在线策略算法的深度强化学习框架，用于在 NOMA 系统中分配网络资源以泛化学习。此外，我们还进行了广泛的仿真，以评估学习率、批次大小、模型类型以及状态中特征数量变化的影响。
引用
@article{arxiv.2601.12242,
title = {Optimal Power Allocation and Sub-Optimal Channel Assignment for Downlink NOMA Systems Using Deep Reinforcement Learning},
author = {WooSeok Kim and Jeonghoon Lee and Sangho Kim and Taesun An and WonMin Lee and Dowon Kim and Kyungseop Shin},
journal= {arXiv preprint arXiv:2601.12242},
year = {2026}
}