Fugu-MT 論文翻訳(概要): Energy Saving for Cell-Free Massive MIMO Networks: A Multi-Agent Deep Reinforcement Learning Approach

論文の概要: Energy Saving for Cell-Free Massive MIMO Networks: A Multi-Agent Deep Reinforcement Learning Approach

arxiv url: http://arxiv.org/abs/2604.07133v1
Date: Wed, 08 Apr 2026 14:27:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-09 17:30:51.582637
Title: Energy Saving for Cell-Free Massive MIMO Networks: A Multi-Agent Deep Reinforcement Learning Approach
Title（参考訳）: セルレス大規模MIMOネットワークのための省エネルギー:マルチエージェント深部強化学習アプローチ
Authors: Qichen Wang, Keyu Li, Ozan Alp Topal, Özlem Tugfe Demir, Mustafa Ozger, Cicek Cavdar,
Abstract要約: 本稿では,マルチエージェント・ディープ・強化学習(MADRL)アルゴリズムを提案し,各アクセスポイント(AP)がアンテナ再構成と高度な睡眠モード選択を自律的に制御できるようにする。トレーニングプロセス後、提案するフレームワークは完全に分散して動作し、集中管理の必要性を排除した。
参考スコア（独自算出の注目度）: 17.815580867285103
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper focuses on energy savings in downlink operation of cell-free massive MIMO (CF mMIMO) networks under dynamic traffic conditions. We propose a multi-agent deep reinforcement learning (MADRL) algorithm that enables each access point (AP) to autonomously control antenna re-configuration and advanced sleep mode (ASM) selection. After the training process, the proposed framework operates in a fully distributed manner, eliminating the need for centralized control and allowing each AP to dynamically adjust to real-time traffic fluctuations. Simulation results show that the proposed algorithm reduces power consumption (PC) by 56.23% compared to systems without any energy-saving scheme and by 30.12% relative to a non-learning mechanism that only utilizes the lightest sleep mode, with only a slight increase in drop ratio. Moreover, compared to the widely used deep Q-network (DQN) algorithm, it achieves a similar PC level but with a significantly lower drop ratio.
Abstract（参考訳）: 本稿では,セルフリー大規模MIMO(CF mMIMO)ネットワークのダウンリンク動作における動的交通条件下での省エネについて述べる。本稿では,マルチエージェント深部強化学習(MADRL)アルゴリズムを提案する。これにより,各アクセスポイント(AP)がアンテナ再構成と高度な睡眠モード(ASM)選択を自律的に制御できる。トレーニングプロセス後、提案フレームワークは完全に分散して動作し、集中制御の必要性を排除し、各APがリアルタイムのトラフィック変動に動的に適応できるようにする。シミュレーションの結果、提案アルゴリズムは省エネ方式のないシステムと比較して消費電力(PC)を56.23%削減し、最も軽い睡眠モードのみを利用する非学習機構と比較して30.12%削減し、ドロップ比はわずかに増加した。さらに、広く使われているディープQネットワーク(DQN)アルゴリズムと比較して、同様のPCレベルを実現するが、ドロップ比は著しく低い。

関連論文リスト

Energy Efficient Sleep Mode Optimization in 5G mmWave Networks via Multi Agent Deep Reinforcement Learning [0.0]
本稿では,Double Deep Q-Network (DDQN) を用いた3次元都市環境における適応SMOのためのマルチエージェント深層強化学習フレームワークを提案する。リアルなBS電力消費モデルとビームフォーミングはEEを正確に定量化するために統合され、スループットの観点から定義される。 MARL-DDQNはAll On, Iterative-Aware Load-based (IT-QoS-LB), MARL-DDPG, MARL-PPOなど,最先端の戦略よりも優れていた。
論文参考訳（メタデータ） (2025-11-27T04:49:36Z)
Energy-Efficient Sleep Mode Optimization of 5G mmWave Networks Using Deep Contextual MAB [0.0]
モバイルネットワークにおけるこのエネルギー消費を削減する効果的な戦略は、基地局(BS)のスリープモード最適化(SMO)である。本稿では,3次元都市環境におけるmmWave BSに対する新しいSMO手法を提案する。提案手法は,ユーザレートと平均スループットの10分の1のパーセンタイルにおいて,他のSM戦略よりも優れている。
論文参考訳（メタデータ） (2024-05-15T17:37:28Z)
Multi-agent Reinforcement Learning for Energy Saving in Multi-Cell Massive MIMO Systems [6.614630708703594]
マルチセルネットワークにおける基地局 (BS) の総エネルギー消費を最小化するマルチエージェント強化学習 (MARL) アルゴリズムを開発した。トレーニングされたMAPPOエージェントは,基本方針よりも優れた性能を示すことを示す。具体的には、オートスリープモード1のアルゴリズムと比較して、MAPPO隣のポリシーは低交通時間帯では消費電力を約8.7%削減し、高交通時間帯ではエネルギー効率を約19%向上させる。
論文参考訳（メタデータ） (2024-02-05T17:15:00Z)
Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文参考訳（メタデータ） (2023-09-16T11:37:23Z)
Unsupervised Deep Unfolded PGD for Transmit Power Allocation in Wireless Systems [0.6091702876917281]
本稿では,反復射影勾配(PGD)アルゴリズムをニューラルネットワークの層に深く展開し,ステップサイズパラメータを学習する,単純な低複素性TPCアルゴリズムを提案する。高密度デバイス間通信(D2D)における性能評価の結果,提案手法は2回以上の繰り返し回数で反復アルゴリズムよりも優れた性能が得られることがわかった。
論文参考訳（メタデータ） (2023-06-20T19:51:21Z)
Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文参考訳（メタデータ） (2022-12-15T17:01:56Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文参考訳（メタデータ） (2022-03-26T20:37:14Z)
Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文参考訳（メタデータ） (2021-09-17T08:55:48Z)
Scheduling and Power Control for Wireless Multicast Systems via Deep Reinforcement Learning [33.737301955006345]
無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する方法である。電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。提案手法により, 大規模システムに対して, 電力制御ポリシを学習可能であることを示す。
論文参考訳（メタデータ） (2020-09-27T15:59:44Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。