基于深度强化学习的分布式资源管理

作者：郑冰原; 孙彦赞; 吴雅婷; 王涛

来源：工业控制计算机, 2020, 33(05): 13-16.

• 超密集网络
• 资源分配
• 能源效率
• 强化学习
• 功率控制

超密集网络(Ultra-dense Network,UDN)可以有效提升网络的覆盖率和吞吐量,但密集部署的小基站会产生严重的干扰和能耗问题。为了减小网络干扰,进而提升网络的能源效率(Energy Efficiency,EE),提出了联合资源分配和功率控制的优化问题。对于这种复杂度高且难以求解的问题,提出了基于多智能体深度强化学习(Multi-agent Deep Reinforcement Learning,MADRL)框架的分布式优化算法。首先,各个智能体根据网络状态进行在线协作学习,得到相应的回报,产生训练数据;然后,利用深度神经网络(Deep Neural Network,DNN)对网络数据进行提取和训练,找到最佳的资源分配和功率控制策略。与其他算法相比,该算法不仅可以有效地提升网络能效,还具有很好的自适应能力。

• 单位
  上海大学