Κατανομή ραδιοπόρων σε δίκτυα 5G με τεχνικές ενισχυτικής μάθησης και εφαρμογή στο προγραμματιστικό περιβάλλον του MATLAB

Γεωργικόπουλος, Γεώργιος; Georgikopoulos, Georgios

dc.contributor.author	Γεωργικόπουλος, Γεώργιος	el
dc.contributor.author	Georgikopoulos, Georgios	en
dc.date.accessioned	2025-05-21T09:59:07Z
dc.date.available	2025-05-21T09:59:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61917
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29613
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	5G	en
dc.subject	Telecommunications	en
dc.subject	Machine Learning	en
dc.subject	Reinforcement Learning	en
dc.subject	Q-learning	en
dc.subject	Δίκτυα 5G	el
dc.subject	Τηλεπικοινωνίες	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Q-learning	en
dc.title	Κατανομή ραδιοπόρων σε δίκτυα 5G με τεχνικές ενισχυτικής μάθησης και εφαρμογή στο προγραμματιστικό περιβάλλον του MATLAB	el
heal.type	bachelorThesis
heal.classification	Τηλεπικοινωνίες	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-01-09
heal.abstract	Η έλευση της τεχνολογίας 5G αντιπροσωπεύει ένα μετασχηματιστικό ορόσημο στις τηλεπικοινωνίες, επιτρέποντας υπερταχείες ταχύτητες δεδομένων, χαμηλή καθυστέρηση και εκτεταμένη συνδεσιμότητα συσκευών σε κλίμακες που υποστηρίζουν το Διαδίκτυο των Πραγμάτων (IoT) και τις έξυπνες πόλεις. Εκμεταλλευόμενα τις προηγμένες τεχνικές μηχανικής μάθησης (ML), τα δίκτυα 5G αντιμετωπίζουν κρίσιμες προκλήσεις όπως η διαχείριση του φάσματος, η βελτιστοποίηση της ποιότητας υπηρεσίας (QoS) και η ενεργειακή αποδοτικότητα. Ανάμεσα στις προσεγγίσεις ML, η Ενισχυτική Μάθηση (RL) αναδεικνύεται ως στρατηγική κλειδί, δίνοντας τη δυνατότητα στους παράγοντες να λαμβάνουν αυτόνομες αποφάσεις αλληλεπιδρώντας με δυναμικά περιβάλλοντα δικτύου. Η παρούσα εργασία εξετάζει την εφαρμογή του αλγορίθμου Q-learning, μιας θεμελιώδους τεχνικής RL, στη βελτιστοποίηση της απόδοσης των δικτύων 5G. Μέσω προσομοιώσεων με βάση το MATLAB, η μελέτη αναπτύσσει μοντέλα κατανομής πόρων, αναλύει την αποτελεσματικότητά τους και διερευνά την προσαρμοστικότητα του Q-learning σε πραγματικό χρόνο σε σύνθετα σενάρια δικτύου. Κύρια σημεία περιλαμβάνουν την ενσωμάτωση των Διαδικασιών Απόφασης Markov (MDP) για τον καθορισμό στρατηγικών, τη δυναμική διαχείριση του φάσματος και την ενίσχυση της εμπειρίας του χρήστη. Η έρευνα αναδεικνύει επίσης τις προκλήσεις και περιορισμούς των υλοποιήσεων RL σε περιβάλλοντα 5G, προτείνοντας πιθανές προσαρμογές για πρακτικές εφαρμογές. Τα ευρήματα υπογραμμίζουν το δυναμικό του Q-learning για την αυτόνομη διαχείριση των δικτύων, εξασφαλίζοντας υψηλή απόδοση και QoS με ελάχιστη ανθρώπινη παρέμβαση. Η εργασία αυτή συμβάλλει στο εξελισσόμενο παράδειγμα των τηλεπικοινωνιών με τεχνητή νοημοσύνη, ανοίγοντας το δρόμο για αποδοτικά, ανθεκτικά και κλιμακώσιμα συστήματα 5G.	el
heal.abstract	The advent of 5G technology represents a transformative milestone in telecommunications, enabling ultra-fast data rates, low latency, and extensive device connectivity at scales that support the Internet of Things (IoT) and smart cities. Leveraging advanced machine learning (ML) techniques, 5G networks address critical challenges such as spectrum management, quality of service (QoS) optimization, and energy efficiency. Among ML approaches, Reinforcement Learning (RL) emerges as a pivotal strategy, empowering agents to make autonomous decisions by interacting with dynamic network environments. This paper explores the application of the Q-learning algorithm, a fundamental RL technique, in optimizing 5G network performance. Through MATLAB-based simulations, the study develops resource allocation models, analyzes their effectiveness, and investigates the real-time adaptability of Q-learning in complex network scenarios. Key aspects include the integration of Markov Decision Processes (MDP) for policy formulation, dynamic spectrum management, and enhanced user experience. The research further addresses the challenges and limitations of RL implementations in 5G environments, proposing potential adaptations for practical deployments. The findings highlight the potential of Q-learning to drive autonomous network management, ensuring high performance and QoS with minimal human intervention. This work contributes to the evolving paradigm of AI-powered telecommunications, paving the way for efficient, resilient, and scalable 5G systems	en
heal.advisorName	Καψάλης, Χρήστος	el
heal.committeeMemberName	Φικιώρης, Γεώργιος	el
heal.committeeMemberName	Κωττής, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	132 σ.	el
heal.fullTextAvailability	false