Spectral Efficiency Improvement in Downlink Fog Radio Access Network With Deep-Reinforcement-Learning-Enabled Power Control
Notice bibliographique
Résumé
Fog radio access network (F-RAN) is a promising architecture that leverages edge computing and caching to improve devices’ latency and quality of service. However, interference, which arises when multiple devices are concurrently scheduled on the same radio resource block (RRB), limits the performance of a dense F-RAN. This article considers a multi-cell F-RAN in which the devices of each small cell receive data from the associated fog access point (F-AP) over the same RRB(s). The F-APs transmit data to the associated devices using rate-splitting multiple access (RSMA) schemes to manage co-channel interference within the small cells efficiently. A transmit power control scheme is proposed to maximize the network’s spectral efficiency (SE) while considering the devices’ hardware impairments (HWIs). The considered transmit power control scheme is an NP-hard problem, which is highly challenging to solve using the legacy optimization approach. To address this challenge, we propose a distributed deep-reinforcement-learning (DRL)-based power allocation (DDPA) scheme that takes the time-varying dynamics of the network and the HWIs of devices into account. Each F-AP in the proposed framework is equipped with a DRL agent that collects signal-to-interference-plus-noise ratio and channel state information from connected devices and adapts the transmit power allocation each scheduling interval. In addition, the ensemble learning framework is exploited to further improve the proposed DDPA scheme’s performance. We use extensive simulations to demonstrate that the DDPA scheme achieves greater SE than contemporary transmit power control schemes. In particular, the proposed DDPA scheme is, especially, suited to scenarios with non-negligible HWIs-induced distortion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».