咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于深度强化学习的OFDMA-PON三维资源分配研究与性能分... 收藏

基于深度强化学习的OFDMA-PON三维资源分配研究与性能分析

Deep Reinforcement Learning for 3D Resource Allocation in OFDMA-PON and Performance Analysis

作     者:陈斌 顾家骅 朱敏 晏春平 周怡君 顾萍萍 CHEN Bin;GU Jia-hua;ZHU Min;YAN Chun-ping;ZHOU Yi-jun;GU Ping-ping

作者机构:东南大学电子科学与工程学院江苏南京210096 东南大学移动通信国家重点实验室江苏南京210096 太仓市同维电子有限公司江苏太仓215400 东南大学机械工程学院江苏南京210096 

出 版 物:《聊城大学学报(自然科学版)》 (Journal of Liaocheng University:Natural Science Edition)

年 卷 期:2020年第33卷第6期

页      面:40-46页

学科分类:0810[工学-信息与通信工程] 08[工学] 081001[工学-通信与信息系统] 

基  金:国家自然科学基金项目(61771134)资助 

主  题:OFDMA-PON DRL 动态子载波分配 低延迟 节能 

摘      要:由于具有大容量、高效灵活的多地址访问、高频谱效率、动态带宽分配等优点,正交频分复用接入无源光网络(OFDMA-PON)成为了下一代光接入网络的最有潜力的选择之一.在OFDMA-PON中,不同的光网络单元(ONU)可以共享子载波资源来支持网络资源管理和有效带宽分配.在上行传输中,多个ONU可以在整个传输周期内的不同时隙(TS)内共享正交低比特率子载波(SC)来传输上行数据.本文提出了一种基于深度强化学习(DRL)的动态子载波分配(DSA)策略.该策略以动态灵活的方式联合分配OFDMA-PON中时隙、子载波和调制格式等三维资源,通过采用合适的调制格式,同时优化业务延迟和ONU发射功率.将本文提出的基于DRL的DSA算法与传统的二维DSA算法进行仿真比较,结果表明,本文提出的DSA算法不仅大大降低了业务延迟,还可以节省ONU发射功率.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分