【标题】Dynamic Channel Access and Power Control in Wireless Interference Networks via Multi-Agent Deep Reinforcement Learning

【作者团队】Ziyang Lu, Chen Zhong, M. Cenk Gursoy

【发表日期】2021.12.24

【论文链接】https://arxiv.org/pdf/2112.14709.pdf

【推荐理由】由于无线频谱的稀缺性和能量资源的有限性，有效的资源分配策略在无线网络中至关重要。基于深度强化学习（DRL）的最新进展本文研究了无线干扰网络中基于多代理DRL的联合动态信道接入和功率控制。首先提出了集中训练的多智能体DRL算法（DRL-CT）来解决联合资源分配问题。并在中央单元（CU）执行训练，训练后用户仅使用本地信息就其传输策略做出自主决策。研究表明在有限的信息交换和更快的收敛速度下，DRL-CT算法可以达到功率控制加权最小均方误差（WMMSE）算法和动态信道访问穷举搜索算法相结合所获得性能的90%。本文还考虑了分布式多代理DRL场景，其中每个用户进行自己的训练并单独做出决策，作为DRL智能体。最后，作为集中式和完全分布式场景之间的折衷，本文考虑联邦DRL（FDRL）在训练中使用中央单元来限制DRL-CT的性能，同时限制无线系统中的用户的信息交换和保持隐私。仿真结果表明，所提出的学习框架能够在动态环境下实现高效的自适应信道接入和功率控制策略。

内容中包含的图片若涉及版权问题，请及时与我们联系删除