融合深度学习和强化学习的5G无线资源管理*

陈慧敏

（广东邮电职业技术学院，广东 广州 510630）

0 引言

5G时代的到来，超密集组网技术不仅解决小基站密集部署应对热点区域流量负载分流问题，还解决宏基站的弱覆盖问题。由于热点区域上下行业务具有很强突发性，传统资源配置方法容易产生网络拥塞问题，不满足现有网络无线资源分配需求。因此，面向5G超密集组网的无线资源管理技术备受学者青睐，如：Huang等人[1]通过动态调整小基站的发射功率实现小区级无线网络资源动态管理；Zhang等人[2]引入遗传算法实现小区负载均衡和能耗双目标优化；Tian等人[3]采用遗传算法实现动态业务子信道和功率分配；刘海燕[4]通过提高边缘用户优先级来实现无线资源调度；张月莹[5]提出了一种基于多优先级信道接入特性的QoE接入控制机制来实现网络效能优化；杨宁[6]采用深度学习方法来管理多智能体频谱接入和制定功率分配策略，实现分布式联合用户关联、信道接入和时间帧策略选择。

综上所述，无线资源管理策略的研究成果可以归纳为两方面：（1）最大资源利用率准则无线资源管理策略，以系统最大吞吐量、频谱资源为目标将资源分配给用户；（2）公平准则无线资源管理策略，兼顾用户获得资源机会的概率和系统性能。在参考学者研究基础上，本文探讨面向5G超密集组网的无线资源管理技术，在保证用户QoS的情况下，以系统吞吐量最大化为目标，结合信道状态信息采用强化学习选择合适信道资源，降低信道资源开销，有效利用无线网络频谱资源。……