Optimización conjunta de eficiencia energética y interrupción del usuario utilizando aprendizaje por refuerzo multiagente en redes de celdas pequeñas ultra densas
Autores: Kim, Eunjin; Jung, Bang Chul; Park, Chan Yi; Lee, Howon
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimización conjunta de eficiencia energética y interrupción del usuario utilizando aprendizaje por refuerzo multiagente en redes de celdas pequeñas ultra densas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aumento del consumo de energía
Calidad de servicio
Redes inalámbricas
Optimización
Simulaciones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Con el incremento sustancial en el tráfico móvil espaciotemporal, reducir el consumo de energía a nivel de red mientras se satisfacen varios requisitos de calidad de servicio (QoS) se ha convertido en uno de los desafíos más importantes que enfrentan las redes inalámbricas de sexta generación (6G). Aquí proponemos un marco novedoso de respiración celular consciente de cortes basado en Q-learning distribuido de múltiples agentes (MAQ-OCB) para optimizar la eficiencia energética (EE) y los cortes de usuarios de manera conjunta. A través de extensas simulaciones, demostramos que el MAQ-OCB propuesto puede lograr la solución óptima de EE obtenida por el algoritmo de búsqueda exhaustiva. Además, MAQ-OCB supera significativamente a algoritmos convencionales como sin control de potencia de transmisión (No TPC), On-Off, respiración celular consciente de cortes basada en Q-learning centralizado (C-OCB) y algoritmos de acción aleatoria.
Descripción
Con el incremento sustancial en el tráfico móvil espaciotemporal, reducir el consumo de energía a nivel de red mientras se satisfacen varios requisitos de calidad de servicio (QoS) se ha convertido en uno de los desafíos más importantes que enfrentan las redes inalámbricas de sexta generación (6G). Aquí proponemos un marco novedoso de respiración celular consciente de cortes basado en Q-learning distribuido de múltiples agentes (MAQ-OCB) para optimizar la eficiencia energética (EE) y los cortes de usuarios de manera conjunta. A través de extensas simulaciones, demostramos que el MAQ-OCB propuesto puede lograr la solución óptima de EE obtenida por el algoritmo de búsqueda exhaustiva. Además, MAQ-OCB supera significativamente a algoritmos convencionales como sin control de potencia de transmisión (No TPC), On-Off, respiración celular consciente de cortes basada en Q-learning centralizado (C-OCB) y algoritmos de acción aleatoria.