.png){kind=icon}
返回
Multi-Agent Moth-Flame Reinforcement Learning Based Broadcast Beam Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3547946.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前，波束赋形天线阵列技术在5G通信系统中至关重要。这些技术对于优化蜂窝网络的覆盖范围和信号质量至关重要。然而，广播波束的优化因复杂的策略配置空间而面临重大挑战。每个波束可以配置不同的宽度和高度，使得传统算法难以处理。为解决此问题，我们提出了一种名为多智能体moth-flame强化学习（MAMF-RL）算法的广播波束优化新方法。MAMF-RL结合强化学习和moth-flame优化算法，交互式搜索最优广播波束。通过将问题分解为多个单扇区天线配置问题，MAMF-RL有效降低了算法复杂度。我们在18扇区无线覆盖区域利用真实数据进行了实验。为评估所提方法的性能，我们将其与传统方法（如粒子群算法）进行了比较。结果表明，我们的MAMF-RL模型相较于传统方法，平均覆盖率提高了1.82%，重叠覆盖率降低了13.74%。
Keyword:
Broadcast beam optimization
massive MIMO
multi-agent reinforcement learning
moth-flame optimization
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
In-Network Intelligence Control: Toward a Self-Driving Networking Architecture.png)
IEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏Deep Reinforcement Learning for 5G Networks: Joint Beamforming, Power Control, and Interference Coordination5g网络的深度强化学习: 联合波束成形、功率控制和干扰协调
OAAI
OAAI分享收藏Particle swarm optimization for joint transmit and receive antenna selection in MIMO systems
IF0
PREAI
分享收藏Downlink Channel Estimation for Massive MIMO Systems Relying on Vector Approximate Message Passing基于向量近似消息传递的大规模MIMO系统下行信道估计OAAI
OAAI分享收藏Antenna Beamwidth Optimization in Directional Device-to-Device Communication Using Multi-Agent Deep Reinforcement Learning基于多智能体深度强化学习的定向设备到设备通信天线波束宽度优化IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容