基于梯度提升辅助深度Q网络的C-RAN中物联网资源分配
信息论
2019-10-30 v1 math.IT
摘要
本文研究实时云无线接入网(C-RANs)中物联网(Internet of Things, IoT)的动态资源分配(DRA)问题，结合梯度提升近似与深度强化学习以解决如下两个主要问题。首先，在C-RANs中，资源分配的决策过程耗时且计算开销大，促使我们采用近似方法，即梯度提升决策树(GBDT)来近似二阶锥规划(SOCP)问题的解。此外，考虑到实时C-RAN系统中不可计数的状态，我们采用深度强化学习框架，即深度Q网络(deep Q-network, DQN)来生成控制远端射频头(RRHs)状态的鲁棒策略。我们提出了一种用于DRA问题的基于GBDT的DQN框架，其中求解SOCP问题的繁重计算得以削减，且整个C-RAN系统节省了可观的功耗。我们证明了即使梯度提升回归可能不严格满足原问题的约束，所生成的策略仍具有容错性。所提方法与现有基线方法的对比证实了本方法的优势。
引用
@article{arxiv.1910.13084,
title = {Resource Allocation Using Gradient Boosting Aided Deep Q-Network for IoT in C-RANs},
author = {Yifan Luo and Jiawei Yang and Wei Xu and Kezhi Wang and Marco Di Renzo},
journal= {arXiv preprint arXiv:1910.13084},
year = {2019}
}