静态深度Q学习用于绿色下行C-RAN
信息论
2024-05-24 v1 math.IT
摘要
节能是无线通信系统运营的主要支柱。本文研究了云移动接入网络（C-RAN）在以用户设备（UE）需求为基础降低功耗方面的能力。旨在节省长期C-RAN的能源消耗，本文构建了一个在不降低UE需求的前提下管理下行功耗的优化问题，通过设计功率偏移参数来实现。考虑到UE处的随机流量到达，首先将问题建模为马尔可夫决策过程（MDP），随后以下行吞吐量和功耗为目标构建双目标优化问题。为解决该优化问题，本文开发了一种新颖的静态深度Q学习（SDQL）算法，以最大化下行吞吐量和最小化下行功耗。 在本提议算法中，我们设计多Q表同时优化激活RRH的功率降低，为每个UE分配一个Q表。为最大化以下行吞吐量损失和功率降低为度量的累积奖励，本提议算法通过持续的环境交互实现激活RRH的功率降低。仿真结果表明，本提议算法在平均功率降低方面优于激活和睡眠方案，同时具有较低的计算复杂度。
引用
@article{arxiv.2405.13368,
title = {Static Deep Q-learning for Green Downlink C-RAN},
author = {Yuchao Chang and Hongli Wang and Wen Chen and Yonghui Li and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:2405.13368},
year = {2024}
}