論文の概要: Cognitive Radio Resource Scheduling using Multi agent QLearning for LTE
- arxiv url: http://arxiv.org/abs/2205.02765v1
- Date: Sat, 16 Apr 2022 02:11:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 05:25:59.189577
- Title: Cognitive Radio Resource Scheduling using Multi agent QLearning for LTE
- Title（参考訳）: マルチエージェントQLearningを用いたLTEのための認知無線リソーススケジューリング
- Authors: Najem N Sirhan and Manel Martinez Ramon
- Abstract要約: 本稿では,2つの新しいダウンリンクLTEスケジューリングアルゴリズムを提案し,実装し,テストする。
これらのアルゴリズムの実装とテストはMatlabで行われた。
実験により、両方のスケジューリングアルゴリズムがほぼ90%のスペクトル利用に収束したことが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose, implement, and test two novel downlink LTE
scheduling algorithms. The implementation and testing of these algorithms were
in Matlab, and they are based on the use of Reinforcement Learning, more
specifically, the Qlearning technique for scheduling two types of users. The
first algorithm is called a Collaborative scheduling algorithm, and the second
algorithm is called a Competitive scheduling algorithm. The first type of the
scheduled users is the Primary Users, and they are the licensed subscribers
that pay for their service. The second type of the scheduled users is the
Secondary Users, and they could be unlicensed subscribers that dont pay for
their service, device to device communications, or sensors. Each user whether
it is a primary or secondary is considered as an agent. In the Collaborative
scheduling algorithm, the primary user agents will collaborate in order to make
a joint scheduling decision about allocating the resource blocks to each one of
them, then the secondary user agents will compete among themselves to use the
remaining resource blocks. In the Competitive scheduling algorithm, the primary
user agents will compete among themselves over the available resources, then
the secondary user agents will compete among themselves over the remaining
resources. Experimental results show that both scheduling algorithms converged
to almost ninety percent utilization of the spectrum, and provided fair shares
of the spectrum among users.
- Abstract（参考訳）: 本稿では,2つの新しいダウンリンクLTEスケジューリングアルゴリズムを提案し,実装し,テストする。
これらのアルゴリズムの実装とテストはMatlabで行われ、強化学習(Reinforcement Learning)、より具体的には、2種類のユーザーをスケジューリングするQ Learning技術に基づいている。
第1のアルゴリズムは協調スケジューリングアルゴリズムと呼ばれ、第2のアルゴリズムは競合スケジューリングアルゴリズムと呼ばれる。
スケジュールされたユーザの最初のタイプはプライマリユーザであり、サービスに対して課金するライセンス契約者である。
予定される第2のタイプはセカンダリ・ユーザーであり、サービスやデバイスからデバイスへの通信、センサーへの料金を支払わない無許可の加入者になる可能性がある。
プライマリかセカンダリかに関わらず、各ユーザはエージェントと見なされる。
コラボレーティブスケジューリングアルゴリズムでは、プライマリユーザエージェントが協調して、それぞれのリソースブロックを割り当てる共同スケジューリング決定を行い、その後、セカンダリユーザエージェントが競合して残りのリソースブロックを使用する。
競合スケジューリングアルゴリズムでは、プライマリユーザエージェントが利用可能なリソースを競い合い、セカンダリユーザエージェントが残りのリソースを競う。
実験の結果,どちらのスケジューリングアルゴリズムも90%近いスペクトル利用率に収束し,ユーザ間のスペクトルの公平な共有が得られた。
関連論文リスト
- Communication Efficient ConFederated Learning: An Event-Triggered SAGA
Approach [67.27031215756121]
Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。
単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。
本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
論文 参考訳（メタデータ） (2024-02-28T03:27:10Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - On Differential Privacy for Federated Learning in Wireless Systems with
Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。
本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。
提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文 参考訳（メタデータ） (2022-08-25T03:37:11Z) - Learning to Coordinate in Multi-Agent Systems: A Coordinated
Actor-Critic Algorithm and Finite-Time Guarantees [43.10380224532313]
本研究ではアクター・クリティカル(AC)アルゴリズムを用いて,自律エージェントによる協調行動の出現について検討する。
本稿では、個別にパラメータ化されたポリシーが共有された部分とパーソナライズされた部分を持つコーディネートされたアクタ・クリティカル・アルゴリズム(CAC)のクラスを提案し、分析する。
この研究は、部分的にパーソナライズされたポリシーを持つ分散ACアルゴリズムに対する最初の有限サンプル保証を提供する。
論文 参考訳（メタデータ） (2021-10-11T20:26:16Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Online Learning Demands in Max-min Fairness [91.37280766977923]
本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。
このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。
各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
論文 参考訳（メタデータ） (2020-12-15T22:15:20Z) - Deep-Reinforcement-Learning-Based Scheduling with Contiguous Resource
Allocation for Next-Generation Cellular Systems [4.227387975627387]
深部強化学習(DRL)に基づく連続周波数領域リソース割り当て(FDRA)を用いた新しいスケジューリングアルゴリズムを提案する。
DRLに基づくスケジューリングアルゴリズムは、オンライン計算の複雑さを低くしながら、他の代表的ベースライン方式よりも優れている。
論文 参考訳（メタデータ） (2020-10-11T05:41:40Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z) - Multi-agent Reinforcement Learning for Resource Allocation in IoT
networks with Edge Computing [16.129649374251088]
エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。
本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
論文 参考訳（メタデータ） (2020-04-05T20:59:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。