.png){kind=icon}
返回
Scalable Deep Reinforcement Learning-Based User Pairing for Cell-Free MIMO Network
.png){kind=icon}
PRE
AI
DOI：10.1109/LWC.2026.3668712.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线网络持续演进以支持更高的数据速率和容纳日益增多的无线设备。然而，传统的调度方法要么导致高计算复杂度和过高的时延，要么在系统条件不理想时性能显著下降。在本工作中，我们采用深度强化学习（DRL）框架来解决cell-free多输入多输出（MIMO）网络中的NP难用户配对问题。所提出的算法在多个资源块组（RBGs）上并行运行，利用指针网络观测RBG特定的、发射功率缩放的信道状态信息（CSI）来选择该RBG的用户。然后，RBG特定的上行链路吞吐量作为反馈，用于优化用户配对策略，而无需标签数据。仿真结果表明，所提出的方法在不同部署场景下具有高度的可扩展性，且网络配置各不相同。同时，所提出的基于DRL的方案在计算复杂度与吞吐量性能之间实现了有利的权衡。此外，DRL在存在CSI估计误差和未知噪声的情况下始终优于所有基准方法，这归因于其反馈驱动的学习机制。
Keyword:
Cell-free network
user pairing
deep reinforcement learning
期刊
I
IF:
5.5
论文数:
705
被引数:
0
机构
引用论文
.png){kind=icon}
On the optimality of multiantenna broadcast scheduling using zero-forcing beamforming关于使用迫零波束成形的多天线广播调度的最优性
PREAI
分享收藏Design of low-latency uplink MAC scheduling for Massive MIMO-OFDM systems低延迟上行链路MAC调度设计用于Massive MIMO-OFDM系统
PREAI
分享收藏Making Cell-Free Massive MIMO Competitive With MMSE Processing and Centralized Implementation使无单元大规模MIMO与MMSE处理和集中式实现具有竞争力
OAAI
OAAI分享收藏分享收藏Reinforcement Learning-Based User Scheduling and Resource Allocation for Massive MU-MIMO System
PREAI
分享收藏Joint User Grouping and Resource Allocation for Multi-User Dual Layer Beamforming in LTE-ALte-a中多用户双层波束成形的联合用户分组和资源分配
PREAI
分享收藏
查看更多内容