您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202004-277
论文题目 基于深度强化学习的小区中断补偿机制
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于深度强化学习的小区中断补偿机制

首发时间:2020-04-27

张宇轩 1   

张宇轩(1994-),男,硕士研究生,网络自组织

孙耀华 2   

孙耀华(1992-),男,助理研究员,深度强化学习,雾无线接入网

  • 1、北京邮电大学信息与通信工程学院,北京 100876
  • 2、北京邮电大学网络技术研究院,北京 100876

摘要:为了满足多样化业务需求,无线网络结构日益复杂,网络参数急剧增多,运营商的运维压力与日俱增。小区中断补偿技术作为网络自组织的重要组成部分,旨在通过改变相邻小区参数进行覆盖或容量的补偿,以减少覆盖空洞和缓解容量下降,可以有效减少人力投入及运营成本。然而,传统小区中断补偿算法多为集中式架构,需获取全局网络信息,开销大,实现难度高。针对上述问题,在本论文中,提出了一种基于多智能体深度强化学习(Deep Reinforcement Learning, DRL)的中断补偿算法。基于与网络环境的交互,每个补偿基站利用一个 DRL 模型根据小区局部状态进行天线下倾角和用户功率调整,同时根据小区的性能进行补偿策略的更新,最终实现仅利用局部信息的小区中断恢复和网络容量优化。通过与最优补偿方案、基于遗传算法的补偿方案等进行对比发现,所提分布式方法可有效恢复中断小区用户性能且达到接近最优的系统容量。

关键词: 网络自组织 小区中断补偿 深度强化学习

For information in English, please click here

Cell outage compensation mechanism based on deep reinforcement learning

ZHANG Yuxuan 1   

张宇轩(1994-),男,硕士研究生,网络自组织

SUN Yaohua 2   

孙耀华(1992-),男,助理研究员,深度强化学习,雾无线接入网

  • 1、Information and Communication Engineering School, Beijing University of Posts and Telecommunications, Beijing 100876
  • 2、Institute of Network Technology, Beijing University of Posts and Telecommunications, Beijing 100876

Abstract:With the explosive growth of smart phones and differentiated traffic demands, enhancing network performance while reducing expenditure has put great pressure on mobile network operators in recent years. Cell Outage Compensation (COC), as an important part of Self-Organizing networks (SONs), aims to alleviate the impacts of coverage hole and capacity degradation by changing parameters of adjacent cells, which can effectively reduce operational expenditures. However, traditional approaches to cell outage compensation are usually centralized, which needs to acquire global network information. To overcome this issue, this paper proposes a COC method based on distributed deep reinforcement learning (DRL). Via the interaction with the network environment, each compensating base station uses a DRL model to independently adjust its antenna downtilt and user power according to local information and updates the adjustment strategy according to the resulted cell performance. Compared with a compensation scheme based on the genetic algorithm, it is found that the proposed distributed method can effectively recover the performance of the users in the outage cells and reach a near optimal system capacity.

Keywords: Self-organizing networks cell outage compensation deep reinforcement learning

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
张宇轩,孙耀华. 基于深度强化学习的小区中断补偿机制[EB/OL]. 北京:中国科技论文在线 [2020-04-27]. http://www.paper.edu.cn/releasepaper/content/202004-277.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于深度强化学习的小区中断补偿机制