메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Pratap Khuntia (National Institute of Technology) Ranjay Hazra (National Institute of Technology)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.9 No.1
발행연도
2020.2
수록면
75 - 84 (10page)
DOI
10.5573/IEIESPC.2020.9.1.075

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In this paper, a novel actor-critic reinforcement learning (RL) based on policy gradient is proposed to solve the channel and power allocation issues for a device-to-device (D2D) enabled cellular network when prior traffic information was not provided to the base station (BS). Furthermore, in this paper, we design a system to learn the optimal policy for resource and power allocation between cellular users (CUs) and D2D users, aimed at maximizing the sum rate of the overall system. Since the behavior of wireless channels, and the received reward in each state associated with the system, is stochastic in nature, the dynamic property of the environment allows us to apply an actor-critic RL technique to learn the best policy through continuous interaction with the surroundings. The policy-based approach is better than a value-based scheme, such as Qlearning, because it takes the help of policy space in order to maximize the expected throughput. The actor adopts a parameter-based stochastic policy for continuous actions, while the critic evaluates the policy through its overall performance, and criticizes the actor for the policy it follows. Through numerical simulations, we verify the performance of our proposed work with the existing methods.
#Device-to-device (D2D) Communications #Resource allocation #Actor-critic reinforcement learning #Optimal policy #Convergence #Throughput

목차

Abstract
1. Introduction
2. System Model
3. Actor-critic-based Reinforcement Learning for Resource Allocation
4. Actor-critic Process
5. Numerical Results
6. Conclusion
References

참고문헌 (26)

참고문헌 신청
P. Khuntia / 2018 / An actor-critic reinforcement learning for Device-to-Device communication underlaying cellular network / EEE TENCON google schola J. Li / 2013 / Network connectivity optimization for Device-to-Device wireless system with Femtocells / IEEE Transactions on Vehicular Technology 62:3098~3109 google schola A. Asadi / A Survey on Device-to-Device Communication in Cellular Networks / IEEE Communications Surveys and Tutorials 16(4):1801~1819 google schola G. Fodor / 2012 / Design aspects of network assisted device-to-device communications / IEEE Commun. Mag 50(3):170~177 google schola D. Feng / 2013 / Device-to-Device communications underlaying cellular networks / IEEE Trans. Commun 61(8):3541~3551 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

자율주행차량을 위한 강화학습 보상 함수에 관한 연구
김문경 ,  이정우 한국통신학회 학술대회논문집 2025 .02
Proximal Policy Optimization-based Join Order Optimization with Spark SQL
Kyeong-Min Lee ,  InA Kim ,  Kyu-Chul Lee IEIE Transactions on Smart Processing & Computing 2021 .06

최근 본 자료

전체보기

댓글(0)

0