超密集异构网中的Q学习资源调度算法

在超密集异构蜂窝网络中,随着低功率基站大量增加,且复用相同的频谱资源,小区间干扰(ICI)可能会变得很强,从而降低系统整体吞吐量。因此,文中提出一种基于Q学习的资源调度(QLRS)算法以尽可能地最大化系统容量。算法首先将小基站进行分簇,在每个调度周期根据簇内用户数量为每个簇调度资源;然后以系统整体吞吐量和能效为优化目标,对簇内有关联用户的小小区进行资源变更和优化,并将收益记录于Q表中,Q表经多次迭代收敛后,得到系统最优资源分配方案。仿真结果表明,与其他资源分配算法相比,文中提出的算法在保证能源效率与宏蜂窝吞吐量的条件下,进一步提高了系统整体吞吐量。

Scheduling algorithm for Q-learning resource in ultra-dense heterogeneous networks