基于深度强化学习的多小区NOMA能效优化功率分配算法.docx
版权申诉
83 浏览量
2022-12-15
14:20:21
上传
评论 2
收藏 311KB DOCX 举报
近年来，随着移动用户数量的爆炸式增长，多小区间的功率分配问题引起了广泛关
注。此外，小区内和小区间的干扰管理对于提高蜂窝网络系统的能量效率也很重要。为了
解决移动用户密度大的问题，非正交多址接入技术成为当前通信系统的研究热点之一
[1-5]
。
非正交多址接入(non-orthogonal multiple access，NOMA)技术的基本思想是在发送端
采用非正交方式发送信号，在接收端采用串行干扰删除技术，从而实现信号的正确解调。
已有很多文献研究了 NOMA 系统的功率分配问题。文献[1]提出一种单输入单输出情况下
的优化问题，随后将单输入单输出解决方案扩展为多输入多输出场景，在满足每个用户的
最小速率要求的服务质量和总功率约束条件下使总容量最大化。文献[2]将深度强化学习
(deep reinforce learning, DRL)应用于无授权 NOMA 系统的决策中，旨在减轻冲突并提高未
知网络环境中的系统吞吐量。文献[3]研究了包含任意用户的单个 NOMA 簇，目标是在满
足每个用户所需的最小数据速率下最大化能量效率。文献[4]研究了集群中多用户多输入多
输出 NOMA 系统中最大化能量效率的功率分配方案。
很多功率优化函数是非凸的，且优化问题是非确定性多项式(non-deterministic
polynomial, NP)难题，机器学习技术被引入用于解决功率优化问题。机器学习包括监督学
习、非监督学习和强化学习等。监督学习需要训练样本带有类别标签，通过训练深度神经
网络逼近已给出的标签，文献[6-7]给出了关于监督学习的实现方案。无监督学习的训练样
本没有标签，文献[8-9]相继提出了多种无监督学习研究方案。强化学习讨论一个智能体如
何在未知环境里面最大化能获得的奖励。因为监督学习需要提前给出类别标签，非监督学
习在学习过程中无反馈，强化学习在近年来成为无线通信中功率分配的热门技术
[10-14]
。文
献[10]将 Actor-critic 算法应用于 NOMA 系统中不同认知无线电之间的功率分配，其目的是
满足认知无线电最小数据速率要求的同时，最大化系统能量效率。文献[11]研究使用深度
Q 网络(deep Q networks, DQN)算法，旨在最大化整个网络的能量效率。文献[12]考虑动态
无线网络中发射功率和信道的联合决策优化问题，通过构造 DQN 解决状态空间过大的复
杂决策问题，提高系统能量效率。文献[13]提出基于 Actor-Critic 算法研究混合能源异构网
络中用户调度和资源分配的最优策略，目的是最大化系统的能量效率。
本文针对单输入单输出的下行多小区 NOMA 系统，研究了一种 DRL 的功率分配算法
(energy efficient power allocation-DQN，EEPA-DQN)，将 DQN 作为动作−状态值函数，目
的是优化信道功率分配，使系统能量效率最大化。将基站到用户的单个信道视为一个智能
体，使用经验回放池将数据进行集中训练，分步执行时使用该智能体学习到的策略。仿真
结果表明，EEPA-DQN 算法与加权最小均方误差(weight minimum mean square error,
WMMSE)
[15]
、分式规划(fractional programming, FP)
[16]
、最大功率(maximal power, MP)
[17]
和
随机功率 (random power, RP)
[18]
等算法相比，得到的能量效率更高，收敛速度更快。
1. 下行多小区 NOMA 系统模型
剩余13页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3550
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
最新资源
- Windows系统下安装与配置Neo4j的步骤
- 基于matlab实现潮流计算和最优潮流计算的程序1，对毕业设计有一定用处.rar
- 基于大数据学习资源推荐系统的设计与实现(部署视频)-kaic.mp4
- 哈工大形式语言和自动机2022期末含答案
- Windows系统下安装与配置Neo4j的步骤
- 哈希算法（Hash Algorithm）是一种将任意长度的二进制数据映射为较短的、固定长度的二进制值的函数.txt
- Windows系统下安装与配置Neo4j的步骤
- 在二叉树或更复杂的树形结构中，先序输出叶结点.txt
- 列出所有祖先结点的概念通常与树形结构或图论中的节点相关.txt
- 基于matlab实现潮流计算程序，MATLAB潮流计算程序.rar
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
