針對面向混合能源供應的5G異構(gòu)云無線接入網(wǎng)(H-CRANs)網(wǎng)絡架構(gòu)下的動態(tài)資源分配和能源管理問題,該文提出一種基于深度強化學習的動態(tài)網(wǎng)絡資源分配及能源管理算法。首先,由于可再生能源到達的波動性及用戶數(shù)據(jù)業(yè)務到達的隨機性,同時考慮到系統(tǒng)的穩(wěn)定性、能源的可持續(xù)性以及用戶的服務質(zhì)量(QoS)需求,將H-CRANs網(wǎng)絡下的資源分配以及能源管理問題建立為一個以最大化服務提供商平均凈收益為目標的受限無窮時間馬爾科夫決策過程(CMDP)。然后,使用拉格朗日乘子法將所提CMDP問題轉(zhuǎn)換為一個非受限的馬爾科夫決策過程(MDP)問題。最后,因為行為空間與狀態(tài)空間都是連續(xù)值集合,因此該文利用深度強化學習解決上述MDP問題。仿真結(jié)果表明,該文所提算法可有效保證用戶QoS及能量可持續(xù)性的同時,提升了服務提供商的平均凈收益,降低了能耗。

【文章頁數(shù)】：8 頁

【部分圖文】：

而實現(xiàn)服務提供商的平均凈收益最大化。2系統(tǒng)模型Ss,s∈{0,1,2,···,S}s=0Um如圖1所示，在本文中，宏基站由從電力公司購買的電能供能，RRHs則考慮使用可再生能源和購買的電能組成的混合能源供能。本文考慮一個集中式的資源管理系統(tǒng)，其部署在BBU池。如上所述，假設整個H....

謔褂?混合能源供能時的系統(tǒng)，這是因為使用傳統(tǒng)電能供能時，服務提供商可以通過購買電能，為用戶提供更穩(wěn)定的數(shù)據(jù)傳輸服務。然而，從圖7可得，由表2仿真參數(shù)仿真參數(shù)值仿真參數(shù)值RRH最大發(fā)射功率3W數(shù)據(jù)包大小L4kbit/packetMBS最大發(fā)射功率10WMUEs路徑損耗模型31.5+....

用傳統(tǒng)電能供能時，服務提供商可以通過購買電能，為用戶提供更穩(wěn)定的數(shù)據(jù)傳輸服務。然而，從圖7可得，由表2仿真參數(shù)仿真參數(shù)值仿真參數(shù)值RRH最大發(fā)射功率3W數(shù)據(jù)包大小L4kbit/packetMBS最大發(fā)射功率10WMUEs路徑損耗模型31.5+35lg(d)(d[km])熱噪聲功率....

30min更新一次，從而得到系統(tǒng)凈收益的性能。從圖3中可以發(fā)現(xiàn)，在每次價格更新時，系統(tǒng)可以根據(jù)當前電力公司提供的價格進行合適的資源分配及能源管理，并達到當前價格下的系統(tǒng)凈收益最大化。值得注意的是，在每30min內(nèi)，由于系統(tǒng)內(nèi)用戶位置的變動以及信道質(zhì)量的動態(tài)變化等原因，造成了數(shù)據(jù)的....

本文編號：3990829