Κατανομή πόρων σε ασύρματα δίκτυα πολλαπλής πρόσβασης διαίρεσης ρυθμού με χρήση ενισχυτικής μάθησης

Kαψάλης, Γεώργιος; Kapsalis, Georgios

dc.contributor.author	Kαψάλης, Γεώργιος	el
dc.contributor.author	Kapsalis, Georgios	en
dc.date.accessioned	2023-02-08T11:19:54Z
dc.date.available	2023-02-08T11:19:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57106
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24804
dc.rights	Default License
dc.subject	Πολλαπλή Πρόσβαση Διαίρεσης Ρυθμού	el
dc.subject	Βαθιά Ενισχυτική Μάθηση	el
dc.subject	Ενεργειακή Απόδοση	el
dc.subject	Κατανομή πόρων	el
dc.subject	Rate Splitting Multiple Access	en
dc.subject	Deep Reinforcement Learning	en
dc.subject	Multi-Agent Systems	en
dc.subject	Συστήματα Πολλαπλών Πρακτόρων	el
dc.subject	Energy Efficiency	en
dc.subject	Resource Allocation	en
dc.title	Κατανομή πόρων σε ασύρματα δίκτυα πολλαπλής πρόσβασης διαίρεσης ρυθμού με χρήση ενισχυτικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Ασύρματα Δίκτυα	el
heal.classification	Βαθιά Ενισχυτική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-11
heal.abstract	Η τεχνολογία των δικτύων Πολλαπλής Πρόσβασης Διαίρεσης Ρυθμού (Rate Splitting Multiple Access,RSMA) προσφέρει μια νέα οπτική στον τρόπο που οι χρήστες αποκτούν πρόσβαση και διαχειρίζονται τους διαθέσιμους τηλεπικοινωνιακούς πόρους. Είναι ένα πολλά υποσχόμενο σχήμα πολλαπλής πρόσβασης το οποίο συνδυάζει τα οφέλη της Πολλαπλής Πρόσβασης Διαίρεσης Χώρου (Space Division Multiple Access,SDMA) και της Μη Ορθογωνικής Πολλαπλής Πρόσβασης (Non Orthogonal Multiple Access,NOMA). Σχετικά πρόσφατα το RSMA έχει αποδειχθεί ότι μπορεί να επιτύχει καλύτερη φασματική και ενεργειακή απόδοση σε σχέση με τα SDMA και NOMA σχήματα. Παρόλο που το RSMA έχει εξαιρετικά πλεονεκτήματα, η βελτιστοποίηση της κατανομής της διαθέσιμης ισχύος στα προς μετάδοση μηνύματα σε σύστημα κατερχόμενης ζεύξης (downlink) είναι ένα πολύ δύσκολο πρόβλημα. Εδώ και δεκατίες η βελτιστοποίηση της κατανομής ισχύος ερευνάται κυρίως με αλγορίθμους που υποθέτουν πλήρη γνώση του τρόπου με τον οποίο μεταβάλλεται το τηλεπικοινωνιακό δίκτυο (model-based). Τα τελευταία όμως χρόνια έχουν αναδυθεί αρκετές τεχνικές που βασίζονται στην παρατήρηση του τηλεπικοινωνιακού δίκτύου χωρίς να απαιτείται η εκ των προτέρων γνώση αυτού (model-free). Από τις πιο δημοφιλείς τεχνικές που έκαναν την εμφάνισή τους τα τελευταία χρόνια είναι η Βαθιά Ενισχυτική Μάθηση η οποία θεωρείται ότι έχει αξιόλογες προοπτικές εφαρμογής στα ευφυή ασύρματα δίκτυα. Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα νέο μοντέλο βελτιστοποίησης της κατανομής ισχύος σε ένα RSMA δίκτυο μονής κυψέλης (single-cell) και Μίας Εισόδου- Μίας Εξόδου (SISO) με σκοπό να μεγιστοποιηθεί η ενεργειακή του απόδοση. Το αλγοριθμικό αυτό μοντέλο βασίζεται σε τεχνικές Βαθιάς Ενισχυτικής Μάθησης και συγκεκριμένα στους αλγορίθμους Deep Q-Learning (DQL) και REINFORCE με μοντελοποίηση σε σύστημα πολλαπλών πρακτόρων (multi-agent). Τα αποτελέσματα από την υλοποίηση του μοντέλου και την πραγματοποίηση μιας σειράς εκτενών προσομοιώσεων αναδεικνύουν τα πλεονεκτήματα που προσφέρει η εφρμογη τεχνικών Βαθιάς Μάθησης στη δυναμική διαχείριση πόρων σε RSMA δίκτυο πραγματικού χρόνου.	el
heal.abstract	The technology of Rate Splitting Multiple Access (RSMA) networks offers a new perspective on the way users access and manage available telecommunication resources. It is a promising multiple access scheme that combines the benefits of Space Division Multiple Access (SDMA) and Non Orthogonal Multiple Access (NOMA). Relatively recently RSMA has been shown to be able to achieve better spectral and energy efficiency than SDMA and NOMA schemes. Although RSMA has great advantages, optimizing the allocation of available power to the messages to be transmitted in a downlink system is a very difficult problem. For decades now, the optimization of power distribution has been researched mainly with algorithms that assume full knowledge of the way the telecommunication network changes (model based). However, in recent years several techniques have emerged that are based on the observation of the telecommunications network without requiring prior knowledge of it (model-free). Among the most popular techniques that have appeared is Deep Reinforcement Learning, which is considered to have significant application prospects in intelligent wireless networks. In this thesis, a new optimization model of power distribution in a single-cell and Single- Input-Single-Output (SISO) RSMA network was developed in order to maximize its energy efficiency. This algorithmic model is based on Deep Reinforcement Learning techniques, specifically the Deep Q-Learning (DQL) and REINFORCE algorithms with modeling in a multi-agent system. The results from the implementation of the model and the realization of a series of extensive simulations highlight the advantages offered by the application of Deep Learning techniques to dynamic resource management in a real-time RSMA network.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	85 σ.	el
heal.fullTextAvailability	false