多智能体深度强化学习助力校园毫米波基站优化部署
近日arXiv发表的一项研究提出基于多智能体深度强化学习的毫米波基站部署方案,在非凸校园拓扑环境中将基站选址建模为马尔可夫决策过程,系统比较DQN与DDPG等四种算法。仿真显示,多智能体DDPG在400用户密集场景下实现完全覆盖,公平性Jain指数达0.94,并具备较高计算收敛效率。
毫米波(mmWave)通信因带宽大、速率高,被视为5G及未来6G网络的关键技术之一,但其覆盖范围有限,对基站选址与部署密度提出了更高要求。在校园等真实环境中,建筑布局不规则、用户分布密集且存在遮挡,使得基站最优部署问题成为典型的NP-hard组合优化难题。
为解决该问题,研究团队将基站位置决策建模为马尔可夫决策过程(MDP),并系统比较了四种深度强化学习方案:离散动作的单智能体深度Q网络(DQN)、空间分区多智能体DQN、连续动作的单智能体深度确定性策略梯度(DDPG),以及按地理分区划分的多智能体DDPG框架。其中,多智能体DDPG通过将全局部署问题拆解为多个子区域协同优化,可在连续空间中直接输出基站坐标,兼顾部署效率与区域公平性。
数值仿真结果表明,在用户密度较高的校园场景下,多智能体DDPG显著优于单智能体方案,能够实现完全覆盖,并获得0.94的Jain公平性指数;在400用户规模下,该方法亦展现出较快的计算收敛速度,为真实校园网络的工程化部署提供了可参考的算法路径。
【空音视角】 该研究将深度强化学习引入无线基础设施部署优化,是AI for Networks方向的典型案例。多智能体协同的思路对WiFi感知同样具有借鉴意义:在智能养老、智慧病房等场景中,多节点协同往往比单节点方案更能兼顾覆盖广度与服务公平性。空音长期关注无线信号在感知与通信融合中的前沿算法进展,此类研究为后续非接触监测网络的节点部署与调度策略提供了算法层面的思路参考。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.19049
来源：arXiv 信号处理（查看原文）