論文の概要: High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems
- arxiv url: http://arxiv.org/abs/2212.01578v1
- Date: Sat, 3 Dec 2022 09:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 22:48:38.029777
- Title: High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems
- Title（参考訳）: NOMAシステムのためのコヒーレントイジングマシンを用いた高速資源配分アルゴリズム
- Authors: Teppei Otsuka, Aohan Li, Hiroki Takesue, Kensuke Inaba, Kazuyuki
Aihara, Mikio Hasegawa
- Abstract要約: NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.6406488220483326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-orthogonal multiple access (NOMA) technique is important for achieving a
high data rate in next-generation wireless communications. A key challenge to
fully utilizing the effectiveness of the NOMA technique is the optimization of
the resource allocation (RA), e.g., channel and power. However, this RA
optimization problem is NP-hard, and obtaining a good approximation of a
solution with a low computational complexity algorithm is not easy. To overcome
this problem, we propose the coherent Ising machine (CIM) based optimization
method for channel allocation in NOMA systems. The CIM is an Ising system that
can deliver fair approximate solutions to combinatorial optimization problems
at high speed (millisecond order) by operating optimization algorithms based on
mutually connected photonic neural networks. The performance of our proposed
method was evaluated using a simulation model of the CIM. We compared the
performance of our proposed method to simulated annealing, a conventional-NOMA
pairing scheme, deep Q learning based scheme, and an exhaustive search scheme.
Simulation results indicate that our proposed method is superior in terms of
speed and the attained optimal solutions.
- Abstract（参考訳）: 非直交多重アクセス(NOMA)技術は次世代無線通信において高いデータレートを達成する上で重要である。
NOMA技術の有効性を十分に活用する上で重要な課題は、リソース割り当て(RA)、例えばチャネルと電力の最適化である。
しかしながら、このra最適化問題はnpハードであり、計算複雑性の低い解のよい近似を得ることは容易ではない。
この問題を解決するために,NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
CIMは、相互接続されたフォトニックニューラルネットワークに基づく最適化アルゴリズムを演算することにより、組合せ最適化問題の近似解を高速(ミリ秒)で提供できるIsingシステムである。
CIMのシミュレーションモデルを用いて提案手法の性能評価を行った。
提案手法の性能をシミュレートアニーリング,従来手法のペアリングスキーム,ディープq学習に基づくスキーム,徹底的な探索スキームと比較した。
シミュレーションの結果,提案手法は速度と最適解の点で優れていることがわかった。
関連論文リスト
- Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Approaching Globally Optimal Energy Efficiency in Interference Networks
via Machine Learning [22.926877147296594]
本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。
その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
論文 参考訳（メタデータ） (2022-11-25T08:36:34Z) - Meta-Learning Digitized-Counterdiabatic Quantum Optimization [3.0638256603183054]
本稿では,リカレントニューラルネットワークを用いたメタラーニング手法を用いて,変分最適化に適した初期パラメータを求める問題に取り組む。
我々は、最近提案されたディジタル化対数量子近似アルゴリズム(DC-QAOA)を用いて、この手法について検討する。
メタラーニングとDC-QAOAを組み合わせることで、MaxCut問題やSherrington-Kirkpatrickモデルなど、異なるモデルに対する最適な初期パラメータを見つけることができる。
論文 参考訳（メタデータ） (2022-06-20T18:57:50Z) - Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
我々は車載OCCにおけるスペクトル効率最適化手法を提案する。
我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。
提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
論文 参考訳（メタデータ） (2022-05-05T14:25:54Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Deep unfolding of the weighted MMSE beamforming algorithm [9.518010235273783]
MISOダウンリンクチャネルに対するWMMSEアルゴリズムに対する深部展開の新たな適用法を提案する。
深層展開は、自然に専門家の知識を取り入れており、即時かつしっかりとしたアーキテクチャ選択の利点、トレーニング可能なパラメータの少ないこと、説明可能性の向上がある。
シミュレーションにより、ほとんどの設定において、展開されたWMMSEは、一定回数の反復に対して、WMMSEよりも優れているか、等しく動作することを示す。
論文 参考訳（メタデータ） (2020-06-15T14:51:20Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳（メタデータ） (2020-06-11T18:49:06Z)
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。