【标题】Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning

【作者团队】Maxime Bouton, Jaeseong Jeong, Jose Outes

【发表日期】2023.1.20

【论文链接】https://arxiv.org/pdf/2302.01199.pdf

【推荐理由】预计未来几代移动网络将包含越来越多的天线，其复杂性和参数也越来越多。 优化这些参数对于确保网络的良好性能是必要的。 移动网络的规模使得使用人工干预或手工设计策略优化天线参数具有挑战性。 强化学习是解决这一挑战的一种很有前途的技术，但现有方法通常使用局部优化来扩展到大型网络部署。 本文提出了一种新的多智能体强化学习算法来优化全局移动网络配置。 通过使用价值分解方法，本文的算法可以从全局奖励函数进行训练，而不是依赖于跨不同单元的网络性能的临时分解。 该算法使用图神经网络架构，该架构可推广到不同的网络拓扑并学习协调行为。 作者凭经验证明了该算法在模拟环境中天线倾斜调谐问题以及联合倾斜和功率控制问题上的性能。

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