Alocação de recursos em redes sem fio utilizando algoritmos baseados em aprendizagem de máquina
dc.contributor.advisor1 | Vieira, Flávio Henrique Teles | |
dc.contributor.referee1 | Vieira, Flávio Henrique Teles | |
dc.contributor.referee1 | Cardoso, Alisson Assis | |
dc.contributor.referee1 | Carneiro, Daniel Porto Queiroz | |
dc.creator | Lopes, Adriano Ferreira | |
dc.creator | Silva, Jean Lucas Barbosa | |
dc.date.accessioned | 2024-03-05T12:28:34Z | |
dc.date.available | 2024-03-05T12:28:34Z | |
dc.date.issued | 2024-02-01 | |
dc.description.abstract | With the increasing rise in the number of mobile devices and intelligent IoT devices, wireless networks have become increasingly complex, autonomous, and heterogeneous in terms of the types of network architectures they incorporate. Within these networks, efficiently allocating and managing resources for users is a significant problem to be solved. In this context, deep reinforcement learning techniques are expected to be among the main technologies used to achieve global optimization in dynamic resource allocation. This paper presents a proposal for resource allocation in wireless networks, termed Cross-Entropy Reinforcement Learning, in order to maximize energy efficiency and meet users’ quality of service (QoS) requirements. The approach considers a multi-user, multi-objective communication system based on CP-OFDM (Cyclic-Prefix Orthogonal Frequency Division Multiplexing) technology using reinforcement learning methods, specifically a Deep Q-Network (DQN) associated with the CrossEntropy algorithm to obtain an optimal resource allocation policy. The implementation encompasses system parameters such as bandwidth, modulation, number of users, and average packet size, while detailing the structure of resource elements, subcarrier distribution, and transmission capacity in different modulation modes within the LTE (Long Term Evolution) system frame. Simulation results demonstrate that the proposed method exhibits good convergence characteristics and performs better than the traditional DQN approach without cross-entropy. | |
dc.description.resumo | Com o crescente aumento no numero de dispositivos móveis e dispositivos IoT inteligentes, as redes sem fio estão se tornando cada vez mais complexas, autônomas e heterógenas em termos de tipos de arquiteturas de rede que incorporam. Com essas redes, alocar e gerenciar recursos de forma eficiente para os usuários e um grande problema a ser resolvido. Neste contexto, espera-se que técnicas de aprendizagem por reforço profundo sejam umas das principais tecnologias utilizadas para aumentar a eficiência na alocação dinâmica de recursos. No presente trabalho e apresentada uma proposta de alocação de recursos em redes sem fio, denominada Aprendizado por Reforço com Entropia Cruzada, a fim de maximizar a eficiência energética e atender os requisitos de qualidade de serviço (QoS) dos usuários. A abordagem considera um sistema de comunicação multiusuários e multiobjectivo baseado na tecnologia CP-OFDM (Cyclic-Prefix Orthogonal Frequency Division Multiplexing) utilizando o método de aprendizado por reforço, especificamente uma rede DQN (Deep Q-Network) associada ao algoritmo de Entropia Cruzada para obter uma política ótima de alocação de recursos. A implementação abrange parametros do sistema, como largura de banda, modulação, números de usuários e tamanho médio do pacote, além de detalhar a estrutura dos elementos de recursos, a distribuição de subpor adoras e a capacidade de transmissão nos diferentes modos de modulação presentes no frame do sistema LTE (Long Term Evolution). Os resultados das simulações mostram que o método proposto tem boas características de convergência, além de superar os resultados obtidos pela abordagem tradicional da rede DQN sem o uso de Entropia Cruzada. | |
dc.identifier.citation | LOPES, Adriano Ferreira; SILVA, Jean Lucas Barbosa. Alocação de recursos em redes sem fio utilizando algoritmos baseados em aprendizagem de máquina. 2024. 14 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Escola de Engenharia Mecânica, Elétrica e de Computação, Universidade Federal de Goiás, Goiânia, 2024. | |
dc.identifier.uri | http://repositorio.bc.ufg.br//handle/ri/24470 | |
dc.language.iso | por | |
dc.publisher | Universidade Federal de Goiás | |
dc.publisher.country | Brasil | |
dc.publisher.course | Engenharia de Computação (RMG) | |
dc.publisher.department | Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RMG) | |
dc.publisher.initials | UFG | |
dc.rights | Acesso Aberto | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Alocação de recursos em redes sem fio | |
dc.subject | DQN adaptativa | |
dc.subject | Entropia cruzada | |
dc.subject | QoS | |
dc.subject | Resource allocation in wireless networks | |
dc.subject | Adaptative DQN | |
dc.subject | Cross-Entropy | |
dc.title | Alocação de recursos em redes sem fio utilizando algoritmos baseados em aprendizagem de máquina | |
dc.type | Trabalho de conclusão de curso de graduação (TCCG) |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- TCCG - Engenharia de Computação - Adriano Ferreira Lopes - 2024.pdf
- Tamanho:
- 824.17 KB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: