.png){kind=icon}
返回
A Unified Learning-Based Optimization Framework for 0–1 Mixed Problems in Wireless Networks
.png){kind=icon}
OA
AI
DOI：10.1109/TCOMM.2025.3618171.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多个无线网络问题通常被表述为0-1混合优化问题，这些问题涉及二进制变量（例如接入点、信道和任务的选择）和连续变量（例如带宽、功率和计算资源的分配）。传统优化方法以及强化学习（RL）算法已被广泛应用于不同网络场景下解决这些问题。然而，当处理大规模网络、多维无线资源和多样化服务需求时，解决此类问题变得更加具有挑战性。为此，本文提出了一种结合RL和优化理论的统一框架，用于解决无线网络中的0-1混合优化问题。首先，RL被用于将求解二进制变量的过程捕获为一个序贯决策任务。在决策步骤中，二进制（0-1）变量被松弛，然后求解松弛问题以获得松弛解，该松弛解作为先验信息指导RL搜索策略。接着，在决策过程结束时，基于已做出的决策通过次优目标值更新搜索策略。随后，从理论上证明了所提出框架的性能界和收敛性保证。此外，还提供了该方法的扩展，以解决具有非凸目标函数和/或非凸约束的问题。数值结果表明，所提出的方法在小规模问题中，相比B&B算法可减少约30%的收敛时间，尽管目标值略高。在大型场景下，相比RL算法，它可以提高20%的归一化目标值，同时具有更短的收敛时间。
Keyword:
0-1 mixed
optimization
machine learning
wireless networking
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
引用论文
分享收藏Large-scale machine learning systems in real-world industrial settings: A review of challenges and solutions现实世界工业环境中的大规模机器学习系统: 挑战和解决方案的回顾
PREAI
分享收藏Genetic algorithms in wireless networking: techniques, applications, and issues.png)
SOFT COMPUTINGOAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏
查看更多内容