بهينه سازي نرخ مجموع در دسترسي چندگانه ي نامتعامد با يادگيري ماشين

كارشناسي ارشد

تكنيك دسترسي چندگانه نا‌متعامد (NOMA)، با وجود تمام برتري‌هايي كه نسبت به روش‌هاي دسترسي چندگانه متعامد (OMA) دارا مي‌باشد، روش‌هاي راه‌اندازي و بهينه‌سازي به مراتب پيچيده‌تري را اقتضاء مي‌كند؛ چرا كه بررسي توأم دو مسئله‌ي اساسي در دسترسي چندگانه نامتعامد، يعني تخصيص توان و جفت‌سازي كاربر ها، به يك مسئله‌ي NP-hard منجر خواهد شد. در اين پايان نامه، به راه‌اندازي و بهينه‌سازي نرخ مجموع سيستم NOMA با استفاده از يادگيري ماشين و يادگيري تقويتي عميق پرداخته شده است. الگوريتم‌هاي يادگيري تقويتي عميق براي اين مسئله مورد بررسي قرار گرفته و در نهايت الگوريتم مناسب يعني DDPG پيشنهاد گرديده است. الگوي مناسب براي بررسي توأم مسئله‌هاي جفت‌سازي بهينه، به عنوان يك كنش گسسته، و تخصيص توان بهينه براي آن جفت، به عنوان يك كنش پيوسته، بررسي شده و در نهايت فضاي كنش پارامتر شده‌ي سلسله مراتبي پيشنهاد شده است و همچنين مدل‌سازي مناسب مسئله براي تطبيق با الگوريتم و الگوي پيشنهادي و عدم انحراف مسئله به مسائل فرعي ارائه شده است. جهت رعايت عدالت در بين كاربر‌ها و عدم انحراف مسئله به سمت جواب‌هاي بديهي، آستانه‌ي كمترين نرخ مجاز براي كاربران تعريف شده و به الگوريتم اضافه گرديده است. تابع جايزه‌ي مورد نظر براي مسئله به گونه‌اي مهندسي شده است كه اين تابع مشتق پذير و متقارن به دست آيد. مسئله با ورودي‌هاي پيوسته براي شرايط كانال كاربر‌ها بررسي شده است و نشان داده شده كه الگوريتم يادگيري تقويتي عميق پيشنهادي، نرخ مجموع بهينه را ارائه مي‌دهد.

208101

دانشگاه علم و صنعت ايران

مهندسي برق مخابرات سيستم

دكتر ابوالفضل فلاحتي