Reinforcement Learning for Wireless Scheduling Under Delay/Energy Constraints
연구 내용
채널 상태 정보를 이용해 지연과 에너지(또는 전력) 제약을 만족하는 무선 자원 스케줄링을 최적화하는 강화학습 연구
차세대 이동통신 환경에서 다중접속과 스케줄링을 지연 요구사항과 에너지 제약 하에 최적화하는 연구를 수행합니다. 시스템 동역학을 반영하기 위해 CMDP와 Markov decision process를 활용하고, 라그랑주 승수로 제약 최적화를 무제약 형태로 변환합니다. 또한 채널 상태 정보와 큐 길이를 상태로 정의해 평균 지연을 최소화하는 정책을 도출하며, 비감소성 구조를 이용한 SOQ 같은 구조적 강화학습으로 효율적인 정책 탐색을 수행합니다. 분산 환경에서는 다중 에이전트 학습으로 순수전략 내시균형에 수렴하는 채널 접근을 설계합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기 연구는 NOMA에서 교차계층 스케줄링을 CMDP로 정식화하고, 제약 분포 정보가 있는 경우 선형계획 변환과 임계값 구조를 도출하는 방향으로 진행되었습니다. 이후 2022년에는 시간슬롯 기반 random access 게임에서 다중 에이전트 학습을 통해 순수전략 내시균형을 실현하도록 EXP3 기반 알고리즘을 제안하였습니다. 2023년에는 단일 큐·단일 서버 무선 시스템에서 큐 길이와 채널 상태를 결합한 CMDP로 평균 지연을 최소화하되 에너지 제약을 만족시키는 구조적 강화학습을 수행하였습니다. 2025년에는 분산 다중채널 접근에서 Thompson sampling 기반 다중 에이전트를 적용해 처리율을 높이는 방향으로 확장하고, 2025-2026 O-RAN 자원 할당 최적화 과제를 통해 적용 연구로 전개하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Joint Queue-Aware and Channel-Aware Scheduling for Non-Orthogonal Multiple Access
Multi-Agent Reinforcement Learning for a Random Access Game
SOQ: Structural Reinforcement Learning for Constrained Delay Minimization With Channel State Information
Multi-agent reinforcement learning for a distributed multi-channel access game
관련 프로젝트
구분
제목
구조인식 심층 강화학습 기반 O-RAN 자원 할당 최적화