认知干扰网络中用于分布式动态信道分配的 SINR 感知深度强化学习
信号处理
2024-02-29 v1 机器学习
摘要
我们考虑认知通信网络中的动态信道分配（DCA）问题，目标是在每个网络指定的目标服务质量（QoS）-SINR 下，最大化全局信干噪比（SINR）度量。共享带宽被划分为具有频率间隔的 K 个信道。与大多数假设完美正交性或一对一用户 - 信道分配映射的现有研究不同，本文关注的是经历载波间干扰（ICI）和多个大规模网络重用信道的真实世界系统。这种现实场景显著增加了问题维度，使得现有算法效率低下。我们提出了一种名为 Channel Allocation RL To Overlapped Networks (CARLTON) 的新型多智能体强化学习（RL）框架，用于分布式 DCA。CARLTON 框架基于集中训练与分散执行（CTDE）范式，利用基于值的 DeepMellow RL 算法。为了确保在我们所解决的充满干扰的环境中实现鲁棒性能，CARLTON 采用低维观测表示，在最大化全局 SINR 度量的同时生成 QoS 类型度量，并确保每个网络的目标 QoS-SINR。我们的结果展示了卓越的性能和鲁棒的泛化能力，显示出相比其他最先进方法的优越效率，同时相较于完全集中式方法仅表现出略微降低的性能。
引用
@article{arxiv.2402.17773,
title = {SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks},
author = {Yaniv Cohen and Tomer Gafni and Ronen Greenberg and Kobi Cohen},
journal= {arXiv preprint arXiv:2402.17773},
year = {2024}
}