Deep Reinforcement Learning for Wireless Networks

این Springerbrief یک رویکرد یادگیری تقویتی عمیق را برای سیستم های بی سیم برای بهبود عملکرد سیستم ارائه می دهد. به ویژه، رویکرد یادگیری تقویت عمیق در شبکه‌های بی‌سیم با تداخل فرصت‌طلب و شبکه‌های اجتماعی موبایلی استفاده می‌شود. نتایج شبیه‌سازی با پارامترهای مختلف شبکه برای نشان دادن اثربخشی طرح پیشنهادی ارائه شده است.

یک انفجار خارق‌العاده از فعالیت‌های تحقیقاتی در هوش مصنوعی، یادگیری تقویت عمیق و سیستم‌های بی‌سیم وجود دارد. یادگیری تقویتی عمیق با موفقیت برای حل بسیاری از مسائل عملی استفاده شده است. به عنوان مثال، Google DeepMind این روش را در چندین پروژه هوشمند مصنوعی با داده‌های بزرگ (مثلاً AlphaGo) اتخاذ می‌کند و نتایج بسیار خوبی به دست می‌آورد.

دانشجویان فارغ‌التحصیل در رشته‌های مهندسی برق و کامپیوتر و همچنین علوم کامپیوتر، این روش را خواهند داشت. این مختصر را به عنوان یک راهنمای مطالعه مفید بدانید. محققان، مهندسان، دانشمندان کامپیوتر، برنامه‌نویسان و سیاست‌گذاران نیز این خلاصه را ابزار مفیدی می‌دانند.

This Springerbrief presents a deep reinforcement learning approach to wireless systems to improve system performance. Particularly, deep reinforcement learning approach is used in cache-enabled opportunistic interference alignment wireless networks and mobile social networks. Simulation results with different network parameters are presented to show the effectiveness of the proposed scheme.

There is a phenomenal burst of research activities in artificial intelligence, deep reinforcement learning and wireless systems. Deep reinforcement learning has been successfully used to solve many practical problems. For example, Google DeepMind adopts this method on several artificial intelligent projects with big data (e.g., AlphaGo), and gets quite good results..

Graduate students in electrical and computer engineering, as well as computer science will find this brief useful as a study guide. Researchers, engineers, computer scientists, programmers, and policy makers will also find this brief to be a useful tool.