文献类型：期刊文章

作　　者：郑冰原[1,2,3] 孙彦赞[1,2,3] 吴雅婷[1,2,3] 王涛[1,2,3] 方勇[1,2,3]

ZHENG Bingyuan;SUN Yanzan;WU Yating;WANG Tao;FANG Yong(Shanghai Institute for Advanced Communication and Data Science,Shanghai University,Shanghai 200444,China;Key Laboratory of Specialty Fiber Optics and Optical Access Networks,Shanghai University,Shanghai 200444,China;Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication,Shanghai University,Shanghai 200444,China)

机构地区：[1]上海大学上海先进通信与数据科学研究院,上海200444 [2]上海大学特种光纤与光接入网重点实验室,上海200444 [3]上海大学特种光纤与先进通信国际合作联合实验室,上海200444

出　　处：《计算机工程》

基　　金：国家自然科学基金(61501289)。

年　　份：2021

卷　　号：47

期　　号：5

起止页码：169-175

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量(QoS)并提高网络能效,构建一种基于深度强化学习(DRL)的资源分配和功率控制联合优化框架。综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题。针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数。利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略。仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效。

关 键 词：超密集网络  能效 资源分配 强化学习  功率控制 深度学习  

分 类 号：TN929.5]