基于强化学习的异构超密度网络资源分配算法

来源：计算机技术与发展杂志2023年第01期北京时间：

作者：吴锡;任正国;孙君

摘要：为了保证下行链路用户服务质量　( Quality of Service,QoS),　提升异构超密度网络的频谱利用率( Spectrum Efficient,SE) 和能源效率( Energy-Efficient,EE) ,　提出了一种基于多智能体强化学习( Deep Reinforcement Learning,DRL)的频谱和功率联合分配算法。 首先,以频谱利用率和能源效率为优化目标,用户服务质量为约束,得到资源分配优化函数。 然后定义多智能体用户状态空间,奖励以及动作空间,通过较小的通信开销获得状态空间信息,得到一维状态空间数据,减少网络的输入数据量,用户利用自身的信道状态信息( Channel State Information,CSI) 而不依赖全局信道状态信息,再根据状态空间信息得到频谱和功率分配策略。 最后,通过训练深度神经网络找到最佳的资源分配策略。 仿真结果表明,该算法可以实现较快的收敛速度,对比贪婪算法以及其他强化学习方法, 能源效率均提升 20% 以上, 频谱利用率分别提升 27%和 11% 。

关键词：异构超密度网络;强化学习;资源分配;功率分配;用户服务质量