无线网络的自我-X 设计:利用人工智能与引导式学习
网络与互联网体系结构
2018-05-17 v1
摘要
在本工作中,我们开发了一个框架,用于在无线网状网络(WMN)中联合决定无线扩展器的最优位置以及扩展器与接入点(APs)的信道配置。通常,文献中基于规则的方法探索有限,而基于强化学习的方法收敛缓慢。因此,采用人工智能(AI)来支持网络自治并捕获系统与环境的演化洞察。我们提出了一种自我-X(自优化与自学习)框架,其封装了环境与智能体,通过感知、认知、推理和学习以真正自治的方式达到最优运行。该智能体从先前动作中导出充分知识,改进未来决策的质量。在探索和利用环境中可能动作集合时,提供了领域经验以引导智能体。因此,它保证了低成本学习,并实现了近乎最优的网络配置,解决了 WMN 中联合信道分配与位置优化的非确定性多项式时间困难(NP-hard)问题。进行了大量仿真以验证其快速收敛、高吞吐量以及对动态干扰条件的韧性。我们将该框架部署在现成无线设备上,利用 APs 和无线扩展器实现自治的自优化与自部署。
引用
@article{arxiv.1805.06247,
title = {Self-X Design of Wireless Networks: Exploiting Artificial Intelligence and Guided Learning},
author = {Erma Perenda and Samurdhi Karunaratne and Ramy Atawia and Haris Gacanin},
journal= {arXiv preprint arXiv:1805.06247},
year = {2018}
}
备注
14 pages, 9 figures, under review - IEEE TCOM