Towards User-Centric Intelligent Network Selection in 5G Heterogeneous Wireless Networks: A Reinforcement Learning Perspective

این کتاب راه حل های مبتنی بر یادگیری تقویتی (RL) را برای بهینه سازی انتخاب شبکه آنلاین کاربر محور ارائه می دهد. محتوای اصلی را می توان به سه بخش تقسیم کرد. بخش اول (فصل 2 و 3) بر نحوه یادگیری بهترین شبکه زمانی که QoE فراتر از QoS تحت چارچوب راهزن چند مسلح (MAB) آشکار می شود، تمرکز دارد. بخش دوم (فصل 4 و 5) بر چگونگی پاسخگویی به تقاضای کاربر پویا در شبکه های بی سیم ناهمگن پیچیده و نامطمئن تحت چارچوب فرآیند تصمیم گیری مارکوف (MDP) تمرکز دارد. بخش سوم (فصل 6 و 7) بر چگونگی پاسخگویی به تقاضای کاربران ناهمگن برای شبکه های مقیاس بزرگ چند کاربره تحت چارچوب نظریه بازی تمرکز دارد. الگوریتم‌های RL کارآمد با محدودیت‌ها و ملاحظات عملی برای بهینه‌سازی QoE برای تحقق انتخاب شبکه آنلاین هوشمند برای شبکه‌های تلفن همراه آینده پیشنهاد شده‌اند. این کتاب به عنوان یک منبع مرجع برای محققان و طراحان در مدیریت منابع شبکه های 5G و فراتر از آن در نظر گرفته شده است.

This book presents reinforcement learning (RL) based solutions for user-centric online network selection optimization. The main content can be divided into three parts. The first part (chapter 2 and 3) focuses on how to learning the best network when QoE is revealed beyond QoS under the framework of multi-armed bandit (MAB). The second part (chapter 4 and 5) focuses on how to meet dynamic user demand in complex and uncertain heterogeneous wireless networks under the framework of markov decision process (MDP). The third part (chapter 6 and 7) focuses on how to meet heterogeneous user demand for multiple users inlarge-scale networks under the framework of game theory. Efficient RL algorithms with practical constraints and considerations are proposed to optimize QoE for realizing intelligent online network selection for future mobile networks. This book is intended as a reference resource for researchers and designers in resource management of 5G networks and beyond.