对于使用多代理深度强化学习和无监督学习的多细胞NOMA的频道和功率分配

科学领域:

• 无线通信系统无线通信系统
• 电信工程 电信工程 电信工程
• 人工智能在网络中的作用

背景情况:

• 非对角多重访问 (NOMA) 为5G和6G技术提供了增强的数据吞吐量.
• 在多细胞NOMA系统中优化通道和功率分配是复杂的,因为动态环境和缺乏最佳标签.
• 传统的监督学习方法对于NOMA的资源分配是不够的.

研究的目的:

• 提出一个高效的框架,在多细胞NOMA系统中实现近乎最佳的通道和电力资源分配.
• 提高NOMA系统的能源效率和传输速率.
• 解决在动态无线环境中监督学习的局限性.

主要方法:

• 整合多代理深度增强学习 (MDRL) 进行通道分配和无监督学习 (UL) 进行功率分配.
• 开发一个多代理深度强化学习神经网络 (MDRLNN) 用于道分配.
• 利用基于注意力的无监督学习神经网络 (ULNN) 进行功率分配,使用MDRLNN的联合行动作为输入.
• 训练MDRLNN和ULNN,使用对能源效率的期望.

主要成果:

• 拟议的MDRL-UL框架实现了近乎最佳的通道和功率分配.
• 与现有算法相比,模拟结果显示出更高的性能.
• 该系统显著提高了能源效率,并提高了传输速率.

结论:

• MDRL-UL框架有效地克服了NOMA资源分配方面的挑战.
• 这种方法为在先进的无线系统中最大限度地提高性能提供了有希望的解决方案.
• MDRL和UL的整合为动态资源管理提供了一个强大的方法.