文献类型：期刊文章

作　　者：陈前斌[1,2] 管令进[1,2] 李子煜[1,2] 王兆堃[1,2] 杨恒[1,2] 唐伦[1,2]

CHEN Qianbin;GUANG Lingjin;LI Ziyu;WANG Zhaokun;YANG Heng;TANG Lun(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;Key Laboratory of Mobile Communication Technology,Chongqing University of Post and Telecommunications,Chongqing 400065,China)

机构地区：[1]重庆邮电大学通信与信息工程学院,重庆400065 [2]重庆邮电大学移动通信技术重点实验室,重庆400065

出　　处：《电子与信息学报》

基　　金：国家自然科学基金(6157073);重庆市教委科学技术研究项目(KJZD-M201800601)。

年　　份：2020

卷　　号：42

期　　号：6

起止页码：1468-1477

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为了满足无线数据流量大幅增长的需求,异构云无线接入网(H-CRAN)的资源优化仍然是亟待解决的重要问题。该文在H-CRAN下行链路场景下,提出一种基于深度强化学习(DRL)的无线资源分配算法。首先,该算法以队列稳定为约束,联合优化拥塞控制、用户关联、子载波分配和功率分配,并建立网络总吞吐量最大化的随机优化模型。其次,考虑到调度问题的复杂性,DRL算法利用神经网络作为非线性近似函数,高效地解决维度灾问题。最后,针对无线网络环境的复杂性和动态多变性,引入迁移学习(TL)算法,利用TL的小样本学习特性,使得DRL算法在少量样本的情况下也能获得最优的资源分配策略。此外,TL通过迁移DRL模型的权重参数,进一步地加快了DRL算法的收敛速度。仿真结果表明,该文所提算法可以有效地增加网络吞吐量,提高网络的稳定性。

关 键 词：异构云无线接入网络  资源分配 深度强化学习  迁移学习  

分 类 号：TN929.5]