TACT：一种用于蜂窝无线接入网络节能的迁移 Actor-Critic 学习框架
网络与互联网体系结构
2014-04-07 v3 人工智能
信息论
机器学习
math.IT
摘要
近期工作验证了通过动态开启/关闭部分基站 (BSs) 来提高无线接入网络 (RANs) 能源效率的可能性。本文扩展了关于基站切换操作的研究，该操作应与流量负载变化相匹配。我们不依赖于仍难以精确预测的动态流量负载，而是首先将流量变化 formulate 为马尔可夫决策过程。随后，为了前瞻性地最小化 RANs 的能耗，我们设计了一种基于强化学习框架的基站切换操作方案。此外，为避免强化学习中潜在的维数灾难，我们提出了一种迁移 Actor-Critic 算法 (TACT)，该算法利用历史时期或邻近区域的迁移学习经验，并被证明是收敛的。最后，我们在各种实际配置下通过大量仿真评估了所提出的方案，结果表明 TACT 算法有助于性能冷启动，并以可容忍的延迟性能为代价，展示了显著提高能源效率的可行性。
引用
@article{arxiv.1211.6616,
title = {TACT: A Transfer Actor-Critic Learning Framework for Energy Saving in Cellular Radio Access Networks},
author = {Rongpeng Li and Zhifeng Zhao and Xianfu Chen and Jacques Palicot and Honggang Zhang},
journal= {arXiv preprint arXiv:1211.6616},
year = {2014}
}
备注
11 figures, 30 pages, accepted in IEEE Transactions on Wireless Communications 2014. IEEE Trans. Wireless Commun., Feb. 2014