Secure Deep Reinforcement Learning for Dynamic Resource Allocation in Wireless MEC Networks
University of Sydney（悉尼大学）；University of the Sunshine Coast（阳光海岸大学）
针对去中心化无线MEC网络的安全资源分配问题，提出结合RPoS共识协议的BC-DRL框架，通过有约束DRL优化资源分配，在安全性、可靠性和资源利用率上优于基准方法。
2023-12-13 cs.LG cs.NI
Reinforcement Learning on Computational Resource Allocation of Cloud-based Wireless Networks
Trinity College Dublin（都柏林大学三一学院）；Dublin City University（都柏林城市大学）
用于物联网（IoT）的无线网络预计将在很大程度上涉及基于云的计算和处理。云端的软件化和集中式信号处理和网络交换可实现灵活的网络控制和管理。在云环境中，动态计算资源分配对于在保持进程性能的同时节省能量是必不可少的。中央处理器（CPU）负载变化的随机特征以及云进程可能的复杂并行化情况使得动态资源分配成为一个有趣的研究挑战。本文将这种动态计算资源分配问题建模为马尔可夫决策过程（MDP），并设计了一个基于模型的学习代理来优化CPU使用率的动态资源分配。在MDP过程中，采用值迭代的方法，使学习代理学习最优策略。为了评估我们的性能，我们分析了两种类型的进程，它们可以在基于云的物联网网络中使用，具有不同级别的并行化能力，即，软件定义无线电（SDR）和软件定义网络（SDN）。结果表明，我们的代理快速收敛到最优策略，在不同的参数设置下稳定地执行，在不同的场景下，与基线算法相比，在节能方面优于或至少等同于基线算法。
2020-10-10 cs.AI cs.LG
Resource Allocation for a Wireless Coexistence Management System Based on Reinforcement Learning
OWL University of Applied Sciences（东威斯特伐利亚应用科学大学）；Institute of Industrial Information Technologies（工业信息技术研究所）
在工业环境中，使用越来越多的无线设备，这些设备利用免许可频带。由于这些相互干扰的无线系统可能会降低共存的状态。因此，需要一种中央共存管理系统，其将无冲突资源分配给无线系统。为了确保无冲突的资源利用，在分配资源之前预测预期的介质利用是有用的。本文提出了一种基于强化学习的自学习概念。基于神经网络的强化学习代理的模拟评估，称为深度Q网络和双深度Q网络，实现了示例性和实际相关的共存场景。对双深度Q网络的评估表明，在所有调查的情况下，预测准确率至少可以达到98%。
2018-05-24 cs.LG cs.NI eess.SP
Implications of Decentralized Q-learning Resource Allocation in Wireless Networks
Universitat Pompeu Fabra（庞培法布拉大学）；Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
强化学习正受到无线网络社区的关注，因为它有可能仅从观察到的结果中学习性能良好的配置。在这项工作中，我们提出了一个无状态的变化Q学习，我们应用于利用无线网络中的空间重用。特别是，我们允许网络修改其传输功率和信道使用的经验的吞吐量的基础上。我们集中在一个完全分散的情况下，没有关于相邻节点的信息是提供给学习者。我们的研究结果表明，虽然该算法能够找到最佳的性能动作，以提高总吞吐量，有很高的变化，在吞吐量所经历的个别网络。我们确定这种变化的原因是我们的设置的对抗性设置，其中最播放的动作提供间歇性的好/差的性能取决于相邻的决定。我们还评估了算法的内在学习参数对这种变化的影响。
2017-08-29 cs.LG cs.NI
Optimal Resource Allocation in Wireless Control Systems via Deep Policy Gradient
在无线控制系统中，通过在无线信道上闭合控制回路来实现对设备的远程控制。由于无线通信是有噪声的并且易受分组丢失的影响，因此跨工厂适当地分配有限的资源（例如，传输功率）对于维持可靠的操作是至关重要的。在本文中，我们制定了一个最佳的资源分配策略，使用当前的工厂状态和无线信道状态分配资源用于发送控制驱动信息回工厂的设计。虽然这个问题由于其无限维度以及对显式系统模型和状态知识的需求而具有挑战性，但我们提出使用深度强化学习技术来找到基于神经网络的资源分配策略。特别是，我们使用无模型的政策梯度方法，直接学习连续的功率分配政策，而不需要了解植物动态或通信模型。数值模拟表明，学习的政策相对于基线资源分配方法的设置中，状态信息是有和没有噪音的强大性能。
2019-10-25 cs.SY eess.SP eess.SY
WirelessAgent: A Unified Agent Design for General Wireless Resource Allocation Problem without Current Channel State Information
Zhejiang University（浙江大学）；Zhejiang Institute of Communications Co., LTD.（浙江省通信研究所有限公司）；Kyung Hee University（庆熙大学）；University College London（伦敦大学学院）
本文提出一种统一智能体设计，用于解决无线资源分配问题，无需当前信道状态信息。通过多目标优化满足不同用户需求，利用AI模型预测缺失信道数据，实现多目标优化。
2026-04-19 cs.SY eess.SY
LLM-Empowered Resource Allocation in Wireless Communications Systems
Yonsei University（延世大学）
本文提出一种基于 LLM 的无线通信资源分配方法，通过两发射对问题验证其在能效或频效最大化上的可行性，并结合低复杂度技术弥补可靠性不足。
2024-08-06 cs.AI cs.SY eess.SP
A Heuristic Method for Simplified Resource Allocation based on Comparative Advantage in Wireless Access Systems
本文提出一种基于比较优势的无线接入系统资源分配启发式简化方法，以PD-NOMA为例验证其可减半搜索空间维度、降本提效，适用于下一代无线网络。
2025-08-03 cs.SY eess.SP eess.SY
Joint Access and Fronthaul Resource Allocation for Cell-Free Massive MIMO with Wireless Fronthaul
KTH Royal Institute of Technology（皇家理工学院）；Bilkent University（比尔肯特大学）
研究具有无线前传的无小区大规模 MIMO 网络性能，提出联合接入与前传资源分配算法，通过该算法在满足前传负载约束时最大化最小用户设备频谱效率，揭示功率分配结构及前传限制影响，证明分割选项 8 不实用。
2026-07-29 cs.SY eess.SP eess.SY
A Partially Observable Deep Multi-Agent Active Inference Framework for Resource Allocation in 6G and Beyond Wireless Communications Networks
针对6G及未来无线通信网络资源分配的非凸耦合、动态实时需求及部分可观测难题，提出PODMAI框架，通过基于信念的变分自由能学习和去中心化多智能体策略，在无人机频谱共享场景下显著提升次级网络总速率与收敛速度。
2023-08-27 cs.SY eess.SP eess.SY
Goal-Oriented Wireless Communication Resource Allocation for Cyber-Physical Systems
针对信息物理系统(CPS)中无线通信资源分配与操作目标脱节的问题，提出目标导向带宽分配框架，通过分治与贪婪算法最大化信息效用增益，保障最优CPS性能并适用于多种应用场景。
2024-07-31 cs.SY eess.SP eess.SY
Strategy-Proof Spectrum Allocation among Multiple Operators for Demand Varying Wireless Networks
为了解决终端用户呈指数增长的数据率需求，需要在许可和未许可频带中的共存运营商之间进行有效的频谱分配，以满足无线网络中业务的时间和空间变化。在本文中，我们解决了非合作运营商之间的频谱分配问题，通过拍卖。经典的Vickrey-Clarke-Groves（VCG）方法在高计算复杂性下提供了一个策略验证和社会福利最大化的拍卖框架，这使得它在实际应用中是不可行的。我们提出了密封投标拍卖机制的频谱分配，这是计算上易于处理，因此适用于分配频谱的拍卖在短时间内根据网络的动态负载变化。我们建立了该算法是战略证明统一的需求。此外，对于非均匀需求，我们提出了一个算法，满足弱防策略。我们还考虑了边际估值随需求的非线性增长。仿真结果显示所提出的算法与VCG和其他现有的机制的性能比较。
2020-01-20 cs.GT cs.SY eess.SY
Joint Distributed Link Scheduling and Power Allocation for Content Delivery in Wireless Caching Networks
在无线缓存网络中，内容分发方法的设计必须考虑随机用户请求、缓存状态、网络拓扑和干扰管理。在本文中，我们建立了一个无线缓存网络中的内容传输的一般框架，没有严格的假设，限制网络结构，传输链路和干扰模型。基于该框架，我们提出了一个动态的和分布式的链路调度和功率分配方案的内容分发，是由置信传播（BP）算法的辅助。该方案考虑了内容请求用户和潜在缓存节点，实现了无线缓存网络的三个关键目的：1）限制用户请求满足的延迟; 2）保持缓存节点的功率效率; 3）管理用户间的干扰。此外，我们解决了BP算法在我们的网络模型中的固有问题，提出了一个匹配算法的一对一链路调度。仿真结果表明，该方案提供了几乎相同的延迟性能的最佳方案，通过一个穷举搜索的代价是一个小的额外的功耗，并不需要在一个大规模的D2 D网络的聚类方法和正交资源。
2019-11-29 cs.NI cs.SY eess.SY
Slice-aware Resource Allocation and Admission Control for Smart Factory Wireless Networks
本文提出基于凸优化的切片感知资源分配与准入控制框架，动态分配功率和子信道，在基站功率受限时放宽CL切片目标速率约束，保障智能工厂多切片QoS并最小化功耗。
2024-07-31 cs.NI cs.SY eess.SY
Resource Allocation for UAV Assisted Wireless Networks with QoS Constraints
对于拥挤和热点区域，通常部署无人机（UAV）以提高覆盖率。该模型将无人机辅助通信分为控制消息、非实时通信和实时通信三种类型，能够满足无人机辅助通信系统用户的大部分实际需求。带宽分配问题被认为是最小化该系统的总能耗，同时满足要求。为了提高系统的性能，本文引入了两种技术。第一种方法是将地面用户分为多个用户组，并为每个用户组提供具有不同带宽的唯一RF信道。第二种方法是在系统中部署多架无人机。每种方案的带宽优化都是一个凸优化问题。仿真结果表明，所提出的方案的优越性，在能源消耗。
2020-02-09 cs.SY eess.SP eess.SY
Anticipatory Buffer Control and Resource Allocation for Wireless Video Streaming
University of Toronto（多伦多大学）；Bell Labs, Alcatel-Lucent（贝尔实验室，阿尔卡特朗讯）
本文提出一种新的资源分配方法，通过预测未来信道状态，优化无线视频流媒体的缓冲大小和带宽分配，提升视频质量。
2013-04-10 cs.MM cs.NI cs.SY
Diffusion Model Based Resource Allocation Strategy in Ultra-Reliable Wireless Networked Control Systems
Koc University（科克大学）
本文提出基于扩散模型的资源分配策略，通过优化采样周期、块长和错误概率最小化WNCS总功耗，优于DRL方法且约束违规减少十八倍。
2024-07-22 cs.AI cs.IT cs.SY
Control-guided Communication: Efficient Resource Arbitration and Allocation in Multi-hop Wireless Control Systems
本文提出控制引导通信方法，通过控制系统提前告知传输需求、通信系统按需分配资源，实现多跳无线网络上分布式自触发控制的高效资源仲裁与分配，并在测试平台上验证了同步与节能效果。
2019-06-08 cs.MA cs.NI cs.SY
Power Allocation in Team Jamming Games in Wireless Ad Hoc Networks
研究团队间干扰博弈中的功率分配问题，采用零和微分博弈模型和Isaacs方法，给出了纯策略纳什均衡存在的充分条件。
2011-01-31 cs.CR cs.GT cs.IT
