深度强化学习与移动通信资源管理:算法、进展与展望

TN929.5; 深度强化学习(deep reinforcement learning,DRL)将深度学习从高维数据提取低维特征的能力与强化学习的决策能力相结合,是移动通信资源管理与优化的高效算法之一.在引入DRL相关算法概念与原理的基础上,重点对DRL在网络切片、云计算、雾计算、移动边缘计算等通信技术与场景中的资源管理与优化效果进行综述与分析,结合DRL在移动通信资源管理的算法原理与研究进展,论述了DRL面临的问题与挑战,并提出相应解决思路.最后,展望了DRL在移动通信资源管理领域的发展趋势和主要研究方向....

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 49; no. 1; pp. 71 - 88
Main Authors 孙恩昌, 袁永仪, 吴兵, 屈晗星, 张延华
Format Journal Article
LanguageChinese
Published 北京工业大学信息学部, 北京 100124 2023
北京工业大学北京-都柏林国际学院, 北京 100124%北京工业大学信息学部, 北京 100124
先进信息网络北京实验室, 北京 100124
Subjects
通信资源管理
深度强化学习(deep reinforcement learning,DRL)
雾计算
网络切片
云计算
移动边缘计算
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2021040026

Cover

More Information
Summary:TN929.5; 深度强化学习(deep reinforcement learning,DRL)将深度学习从高维数据提取低维特征的能力与强化学习的决策能力相结合,是移动通信资源管理与优化的高效算法之一.在引入DRL相关算法概念与原理的基础上,重点对DRL在网络切片、云计算、雾计算、移动边缘计算等通信技术与场景中的资源管理与优化效果进行综述与分析,结合DRL在移动通信资源管理的算法原理与研究进展,论述了DRL面临的问题与挑战,并提出相应解决思路.最后,展望了DRL在移动通信资源管理领域的发展趋势和主要研究方向.
ISSN:0254-0037
DOI:10.11936/bjutxb2021040026