基于深度强化学习的异构无线网络资源分配优化
机器学习
2026-04-08 v2 网络与互联网体系结构
信号处理
摘要
开放无线接入网（O-RAN）异构网络中的动态资源分配在变化的用户负载下提出了复杂的优化挑战。我们提出了一种利用深度强化学习（DRL）的近实时无线接入网智能控制器（Near-RT RIC）xApp，以联合优化发射功率、带宽切片和用户调度。利用真实网络拓扑，我们将近端策略优化（PPO）和双延迟深度确定性策略梯度（TD3）与标准启发式算法进行了基准比较。结果表明，基于PPO的xApp实现了更优的权衡，在密集场景下将网络能耗降低高达70%，且与吞吐量贪婪基线相比，用户公平性提高了30%以上。这些发现验证了在未来6G架构中采用集中式、能量感知的AI编排的可行性。
引用
@article{arxiv.2509.25284,
title = {Optimisation of Resource Allocation in Heterogeneous Wireless Networks Using Deep Reinforcement Learning},
author = {Oluwaseyi Giwa and Jonathan Shock and Jaco Du Toit and Tobi Awodumila},
journal= {arXiv preprint arXiv:2509.25284},
year = {2026}
}
备注
Accepted at the 2026 EuCNC & 6G Summit