计算机工程

作者：郑冰原, 孙彦赞, 吴雅婷, 王涛, 方勇

单位：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

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

基金：国家自然科学基金（61501289）。

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。

来源：2021年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2021年第5期