English(EN) Heterogeneous Multi-Agent Reinforcement Learning for Radio Resource Management under Coupled Finite-Horizon Constraints

新的MARL框架优化无线资源管理

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

研究人员开发了HeLyMARL，一个新颖的异构多智能体强化学习框架，旨在优化密集无线网络中的无线资源管理。该框架通过采用具有虚拟队列的Lyapunov嵌入方法，解决了与有限时间预算约束和非线性效用函数相关的挑战。仿真表明，HeLyMARL在确保不间断服务的同时有效地平衡了吞吐量和公平性，其性能优于现有基准，且不会过早耗尽预算。 AI

影响 HeLyMARL为管理复杂的无线网络资源提供了一种新方法，有望提高效率和用户体验。

排序理由这是一篇详细介绍多智能体强化学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yeonseo Jeong, Wonhyeok Ko, Sungweon Hong, Songnam Hong · 2026-08-04 04:00

Heterogeneous Multi-Agent Reinforcement Learning for Radio Resource Management under Coupled Finite-Horizon Constraints

arXiv:2608.01745v1 Announce Type: new Abstract: Maximizing throughput under proportional fairness in dense wireless networks requires jointly managing user association, scheduling, base station (BS) activation, and handover control under hard finite-horizon energy and handover bu…

报道来源 [1]

Heterogeneous Multi-Agent Reinforcement Learning for Radio Resource Management under Coupled Finite-Horizon Constraints

相关实体

相关话题