Alocação de recursos em redes sem fio multiportadoras com ondas milimétricas utilizando aprendizado por reforço baseado em modelo Markoviano

Página do item simplificado
dc.contributor.advisor-co1Cardoso, Alisson Assis
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8216536516894987pt_BR
dc.contributor.advisor1Vieira, Flávio Henrique Teles
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0920629723928382pt_BR
dc.contributor.referee1Vieira, Flávio Henrique Teles
dc.contributor.referee2Soares, Anderson da Silva
dc.contributor.referee3Cardoso, Alisson Assis
dc.contributor.referee4Lemos, Rodrigo Pinto
dc.creatorCarneiro, Daniel Porto Queiroz
dc.creator.Latteshttp://lattes.cnpq.br/6678392067548548pt_BR
dc.date.accessioned2022-08-11T12:52:23Z
dc.date.available2022-08-11T12:52:23Z
dc.date.issued2022-07-08
dc.description.abstractIn this dissertation, we present reinforcement learning-based resource allocation algorithms for a multicarrier communication system considering multiple users and the effects of multipath and average path loss in a transmission assuming millimeter waves. To this end, it is proposed that the communication system can be described by a Markovian model represented by queue states in buffers and channel states. For the resource allocation algorithms of this work, we introduce reward functions to be used in the reinforcement learning algorithm Q-learning. The results obtained in the simulations show that the application of the proposed algorithms for resource scheduling provides, in general, an improvement in the performance parameters of the considered communication system, such as, for example, increased throughput and decreased packet loss. Comparisons with other algorithms presented in the literature are carried out, also showing that the use of the proposed reward function and considered Markovian model makes the scheduling of users and the sharing of resources more efficient. Furthermore, a solution for resource and power allocation using a Deep Q-Network is presented. The modeling of states proposed for the DQN network covers some limitations encountered with the matrix representation of states and extends the limits for the size of the buffer.eng
dc.description.provenanceSubmitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2022-08-10T19:46:16Z No. of bitstreams: 2 Dissertação - Daniel Porto Queiroz Carneiro - 2022.pdf: 4936614 bytes, checksum: 4c7e00c3800114ad0867a7f08eacca3b (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2022-08-11T12:52:23Z (GMT) No. of bitstreams: 2 Dissertação - Daniel Porto Queiroz Carneiro - 2022.pdf: 4936614 bytes, checksum: 4c7e00c3800114ad0867a7f08eacca3b (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)en
dc.description.provenanceMade available in DSpace on 2022-08-11T12:52:23Z (GMT). No. of bitstreams: 2 Dissertação - Daniel Porto Queiroz Carneiro - 2022.pdf: 4936614 bytes, checksum: 4c7e00c3800114ad0867a7f08eacca3b (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Previous issue date: 2022-07-08en
dc.description.resumoNesta dissertação, apresenta-se algoritmos de alocação de recursos baseado em aprendizado por reforço para um sistema de comunicação multiportadora considerando múltiplos usuários e efeitos de multipercurso e perda média do percurso em uma transmissão assumindo ondas milimétricas. Para tal, propõe-se que o sistema de comunicação possa ser descrito por um modelo Markoviano representado pelos estados da fila nos buffers e estados dos canais. Para os algoritmo de alocação de recursos deste trabalho, são introduzidas funções de recompensa a serem utilizadas no algoritmo de aprendizado por reforço Q- learning. Os resultados obtidos nas simulações mostram que a aplicação dos algoritmos propostos de escalonamento de recursos provê, de forma geral, melhoria nos parâmetros de desempenho do sistema de comunicação considerado, como por exemplo, aumento de vazão e diminuição de perda de pacotes. Comparações com outros algoritmos apresentados na literatura são realizadas, mostrando também que o uso da função de recompensa proposta e modelo Markoviano considerado torna o escalonamento de usuários e o compartilhamento de recursos mais eficientes. Ainda, é apresentada uma solução para alocação de recursos e potência utilizando uma Deep Q-Network. A modelagem de estados propostos para rede DQN soluciona algumas limitações encontradas com a representação matricial dos estados e amplia os limites para o tamanho do buffer.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.identifier.citationCARNEIRO, D. P. Q. Alocação de recursos em redes sem fio multiportadoras com ondas milimétricas utilizando aprendizado por reforço baseado em modelo Markoviano. 2022. 106 f. Dissertação (Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia, 2022.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/12253
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétrica e da Computação (EMC)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAlocação de recursos em rede 5Gpor
dc.subjectAprendizado por reforçopor
dc.subjectProcesso de decisão de Markovpor
dc.subjectDQN adaptativapor
dc.subject5G resource allocationeng
dc.subjectReinforcement learningeng
dc.subjectMarkov decision processeng
dc.subjectAdaptive DQNeng
dc.subject.cnpqENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleAlocação de recursos em redes sem fio multiportadoras com ondas milimétricas utilizando aprendizado por reforço baseado em modelo Markovianopt_BR
dc.title.alternativeResource allocation in multicarrier wireless networks with millimeter waves using reinforcement learning based on the Markovian modeleng
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertação - Daniel Porto Queiroz Carneiro - 2022.pdf
Tamanho:
4.71 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Engenharia Elétrica e da Computação (EMC)