自由空间光通信中基于无模型深度学习的资源分配
信号处理
2021-04-20 v2 机器学习
摘要
本文研究自由空间光（FSO）通信中用于缓解信道衰落效应资源分配的一般问题。资源分配问题被建模为约束随机优化框架，其涵盖涉及功率自适应、中继选择及其联合分配的各种 FSO 场景。在此框架下，我们提出两种求解 FSO 资源分配问题的算法。我们首先提出随机对偶梯度（SDG）算法，该算法通过利用强对偶性被证明可精确求解该问题，但其实现必然需要显式且准确的系统模型。作为替代，我们提出基于 SDG 算法的原始-对偶深度学习（PDDL）算法，其用深度神经网络（DNNs）参数化资源分配策略，并通过原始-对偶方法优化后者。由于 DNN 强大的表示能力，参数化资源分配问题仅产生很小的最优性损失，且可在无系统模型知识的情况下实现。我们进行了广泛的数值实验以验证所提算法在 FSO 资源分配问题中的有效性。我们证明了在连续功率分配与二进制中继选择两种设置下，它们相较基线方法具有更优的性能与计算效率。
引用
@article{arxiv.2007.13709,
title = {Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications},
author = {Zhan Gao and Mark Eisen and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2007.13709},
year = {2021}
}