【标题】Hierarchical Deep Q-Learning Based Handover in Wireless Networks with Dual Connectivity

【作者团队】Pedro Enrique Iturria Rivera, Medhat Elsayed

【发表日期】2023.1.13

【论文链接】https://arxiv.org/pdf/2301.05391.pdf

【推荐理由】5G New Radio 提议使用 10 GHz 以上的频率来加速 LTE 现有的最大数据速率。 然而，5G 天线的有效尺寸及其对城市场景信号衰减的影响使得保持稳定的覆盖和连接成为一项挑战。 强化学习 (RL) 已在无线场景中显示出巨大潜力，鉴于此类上下文的动态特性，需要进行参数学习。 本文提出了两种强化学习算法：一种名为 Clipped Double Q-Learning (CDQL) 的单智能体 RL 算法和一种分层深度 Q-Learning (HiDQL)，以改进多无线接入技术 (multi-RAT) 双连接切换。本文将提出的建议与两个基线进行比较：固定参数和动态参数解决方案。 仿真结果显示延迟方面有显着改善，数模波束成形 (BF) 增益分别为 47.6% 和 26.1%，混合模拟 BF 增益分别为 17.1% 和 21.6%，模拟-模拟 BF 增益分别为 24.7% 和 39% 。

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