5G异构网络中基于优先级的深度强化学习联合资源分配

作者：宋端正; 郭业才; 李晖^*; 诸**; 王昊

来源：电讯技术, 2023, 1-10.

DOI：10.20079/j.issn.1001-893x.230215003

• 5G
• 异构网络
• 资源分配
• 深度强化学习

异构网络已经成为5G（5th Generation）的重要组网方式，其通过在宏基站覆盖范围内部署多种类型的小型基站，缩短终端设备与基站间的距离，可有效提高频谱利用率和网络容量。为了研究基于深度强化学习（Deep Reinforcement Learning，DRL）的异构网络模型的性能，同时在最小化系统能耗并满足不同类型终端用户的服务质量（Quality of Service，QoS）要求的基础上，制定合理的资源分配方案，提出了一种基于DRL的近端策略优化（Proximal Policy Optimization，PPO）算法，并结合一种基于优先级的分配策略，引入了海量机器类型通信(massive Machine Type Communication，mMTC)、增强移动宽带(enhanced Mobile Broadband，eMBB)和超可靠低延迟通信(Ultra-Reliable and Low Latency Communications，URLLC)业务。结果表明，所提算法相较于Greedy和DQN算法，网络延迟分别降低73.19%和47.05%，能耗分别降低9.55%和6.93%，而且可以保证能源消耗和用户延迟之间的良好权衡。

• 单位
  南京信息工程大学