强化学习还是非强化学习？基于AI的无线电资源管理算法速查表
网络与互联网体系结构
2024-05-31 v2
摘要
几个无线电资源管理（RRM）用例可以表述为顺序决策规划问题，其中智能体（通常是基站）做出影响网络效用和状态的决策。虽然强化学习（RL）的一般形式可以解决这种情况，但已知其样本效率低下。遵循奥卡姆剃刀原则，我们认为RRM解决方案技术的选择应基于以下问题：“是短期还是长期规划问题？”、“底层模型已知还是需要学习？”、“我们能解析地解决问题吗？”或“是否有专家设计的策略可用？”存在多种技术来解决这些问题，包括静态和随机优化、bandits、模型预测控制（MPC）以及RL。我们回顾了一些已成功应用于RRM的技术，并相信其他技术，如MPC，可能为未来提供令人兴奋的研究机会。
引用
@article{arxiv.2405.19045,
title = {To RL or not to RL? An Algorithmic Cheat-Sheet for AI-Based Radio Resource Management},
author = {Lorenzo Maggi and Matthew Andrews and Ryo Koblitz},
journal= {arXiv preprint arXiv:2405.19045},
year = {2024}
}