用于两层异构网络自组织与功率控制的强化学习
信息论
2019-03-19 v2 math.IT
摘要
自组织网络（SONs）有助于管理密集异构网络（HetNets）中的严重干扰。鉴于其需要自动配置功率及其他设置，机器学习是SONs中数据驱动决策的 promising 工具。本文将HetNet建模为传统宏小区叠加更密集小小区的密集两层网络（例如毫微微小区或微微小区）。首先，提出了一种基于多智能体马尔可夫决策过程的分布式框架，对网络中的功率优化问题进行建模。其次，我们给出了基于该优化问题设计奖励函数的系统方法。第三，我们引入了基于Q学习的分布式功率分配算法（Q-DPA）作为一种自组织机制，使新小小区的加入能够持续进行发射功率调整。此外，给出了Q-DPA算法以高概率达到 -最优性的样本复杂度。我们证明，在每平方公里数千个毫微微小区密度下，可通过适当选择独立或协作学习以及合适的马尔可夫状态模型来维持宏小区用户的所需服务质量。
引用
@article{arxiv.1812.09778,
title = {Reinforcement Learning for Self-Organization and Power Control of Two-Tier Heterogeneous Networks},
author = {Roohollah Amiri and Mojtaba Ahmadi Almasi and Jeffrey G. Andrews and Hani Mehrpouyan},
journal= {arXiv preprint arXiv:1812.09778},
year = {2019}
}
备注
30 pages, 6 figures, This work has been submitted to the IEEE for possible publication