26039

بهبود بازدهي انرژي در سيستم هاي چند ورودي چند خروجي انبوه فاقد سلول با استفاده از الگوريتم يادگيري تقويتي عميق

كارشناسي ارشد

مهندسي برق گرايش مخابرات سيستم

1400

1400/10/18

دكتر سيد محمد رضوي زاده

دكتر شاهرخ فرهمند

مهندسي برق، گروه مخابرات

سيستم هاي چند ورودي چند خروجي انبوه فاقد سلول از جمله فناوري هايي هستند كه در شبكه هاي بي‌سيم نسل پنجم مي توانند در پاسخ گويي به كيفيت سرويس متنوع مورد نياز كاربران مؤثر باشند. اين سيستم ها به دليل توزيع نقاط دسترسي در محيطي وسيع، كاهش فاصله ي نقاط دسترسي از كاربران، عدم وجود تداخل بين سلولي، پوشش دهي بالا و چندگانگي قوي تر مي توانند منجر به بهبود عملكرد سيستم‌هاي مخابراتي شوند. اما افزايش تعداد نقاط دسترسي در اين سيستم ها علاوه بر افزايش تداخل، به دليل افزايش فاصله ي تعدادي از كاربران از تعدادي از نقاط دسترسي مي تواند موجب به كاهش بازدهي انرژي در اين سيستم ها گردد. زيرا در اين حالت سرويس دهي به همه ي كاربران از طريق تمامي نقاط دسترسي از لحاظ انرژي به صرفه نمي باشد و به دليل افزايش تداخل عملكرد سيستم مخابراتي نيز كاهش ميابد. حال از آن جايي كه چگونگي مصرف انرژي به دليل با ارزش بودن و محدود بودن منابع در دسترس از جمله مباحث مهم در شبكه هاي مخابراتي به شمار مي آيد، در اين پايان نامه به بررسي بازدهي انرژي ارتباط فراسو در سيستم‌هاي چند ورودي چند خروجي انبوه فاقد سلول پرداخته شده است. راه حل پيشنهاد شده در اين پايان نامه براي افزايش بازدهي انرژي در اين سيستم ها، انتخاب زير مجموعه اي از نقاط دسترسي براي سرويس دهي به هر كاربر مي باشد. به همين منظور، مسئله ي بهينه سازي با متغير بهينه سازي ماتريس انتخاب نقاط دسترسي با رعايت كردن قيد حداقل نرخ داده ي مورد نياز كاربران به منظور بيشينه سازي بازدهي انرژي شكل گرفته است. به منظور حل مسئله ي بهينه سازي نامحدب حاصل كه حل آن با روش هاي كلاسيك بهينه سازي با پيچيدگي زيادي رو به رو بوده و بدست آوردن پاسخ بهينه ي آن غير ممكن مي باشد، از الگوريتم هاي يادگيري ماشين و به خصوص يادگيري تقويتي بهره گرفته شده است. الگوريتم هاي پيشنهادي با چندين الگوريتم كلاسيك ابتكاري كه براي اين مساله پيشنهاد شده‌اند مقايسه شده‌ است. نتايج به دست آمده حاكي از آن است كه در سيستم هاي چند ورودي چند خروجي انبوه فاقد سلول كه قابليت انتخاب نقاط دسترسي را با استفاده از الگوريتم هاي يادگيري تقويتي پيشنهادي دارند بازدهي انرژي افزايش مي يابد. همچنين الگوريتم هاي پيشنهادي علاوه بر بهبود بازدهي انرژي، با كاهش اثر تداخل منجر به افزايش بازدهي طيفي كاربران نيز مي شوند و نسبت به ساير روش ها، حداقل نرخ داده ي مورد نياز را براي تعداد بيشتري از كاربران رعايت مي كنند. واژه‌هاي كليدي: سيستم هاي چند ورودي چند خروجي انبوه فاقد سلول، بازدهي انرژي، انتخاب نقاط دسترسي، الگوريتم يادگيري ماشين، الگوريتم يادگيري تقويتي

1400/11/20

Energy efficient cell-free Massive MIMO systems using Deep Reinforcement Learning algorithms

1/8/2023 12:00:00 AM

In recent years, massive multiple input multiple output (massive MIMO) system has been considered as a promising technology due to its ability in maximizing spectral efficiency. By exploiting the channel hardening phenomena and the resultant favorable propagation conditions, massive MIMO systems substantially reduce the transmission energy required. These systems can be implemented in centralized or distributed manner. Recently, cell-free (CF) massive MIMO network infrastructure has been proposed as the general distributed massive MIMO concept. In these systems, a large number of access points are placed in a geographical large area in a distributed fashion and simultaneously provide service to a small number of users with the aid of a fronthaul network and a central processing unit (CPU). In the CF massive MIMO systems, the limitations of cellular systems such as weak cell boundary users and the inter-cell interference disappear so these systems can provide uniform service for all users. Also, because of the distributed structure of these systems, CF massive MIMO systems can potentially offer high probability of coverage. However, by increasing the number of the access points in the area, the energy efficiency of system decreases. The decrease in energy efficiency is due to the fact that increasing the number of access points, needs more fronthaul connections and energy consumption, so the energy efficiency decreases. Also, increasing the number of access points in these systems leads to increasing the distance of a number of users from a number of access points, so serving all users by all access points is not energy efficient. Since energy resources are limited, consuming energy can be considered as an important issue in wireless communications. For this reason, in this project the problem of access point selection has been investigated in order to improve the energy efficiency of the CF massive MIMO systems. Since the optimization problem is non-convex, deep reinforcement learning (DRL) based access point selection has been considered. Simulation results demonstrate the effectiveness of the proposed algorithms and the advantages of using access point selection strategy in energy efficiency improvement of the CF massive MIMO systems. Keywords: CF massive MIMO, energy efficiency, access point selection, deep reinforcement learning (DRL)

سيستم هاي چند ورودي چند خروجي انبوه فاقد سلول , يادگيري تقويتي عميق , انتخاب نقاط دسترسي , بازدهي انرژي

= CF massive MIMO = , deep reinforcement learning (DRL) , access point selection , energy efficiency