[论文解读] Massive Access in Beyond 5G IoT Networks with NOMA: NP-hardness, Competitiveness and Learning.

Zoubeir Mlika, Soumaya Cherkaoui|arXiv (Cornell University)|Feb 19, 2020

Optimization and Search Problems参考文献 35被引用 6

一句话总结

该论文提出一种结合在线竞争算法与强化学习的算法，用于解决大规模物联网网络中非正交多址（NOMA）技术下的用户分组、调度与功率分配这一NP难问题。该方法在服务质量与能量约束下最大化被服务的设备数量，实现了接近最优的性能，且计算复杂度较低。

ABSTRACT

This paper studies the problem of online user grouping, scheduling and power allocation in beyond 5G cellular-based Internet of things networks. Due to the massive number of devices trying to be granted to the network, non-orthogonal multiple access method is adopted in order to accommodate multiple devices in the same radio resource block. Different from most previous works, the objective is to maximize the number of served devices while allocating their transmission powers such that their real-time requirements as well as their limited operating energy are respected. First, we formulate the general problem as a mixed integer non-linear program (MINLP) that can be transformed easily to MILP for some special cases. Second, we study its computational complexity by characterizing the NP-hardness of different special cases. Then, by dividing the problem into multiple NOMA grouping and scheduling subproblems, efficient online competitive algorithms are proposed. Further, we show how to use these online algorithms and combine their solutions in a reinforcement learning setting to obtain the power allocation and hence the global solution to the problem. Our analysis are supplemented by simulation results to illustrate the performance of the proposed algorithms with comparison to optimal and state-of-the-art methods.

研究动机与目标

• 为解决后5G物联网网络中有限无线资源下的海量设备接入挑战。
• 在尊重设备实时传输需求与能量约束的前提下，最大化被服务设备数量。
• 在动态条件下设计用户分组、调度与功率分配的高效在线算法。
• 将在线竞争算法与强化学习相结合，以实现全局最优解。
• 分析问题的计算复杂度，并证明关键特例的NP难性。

提出的方法

• 将问题建模为混合整数非线性规划（MINLP），在特定情况下可转化为混合整数线性规划（MILP）。
• 将问题划分为多个NOMA分组与调度子问题，以支持可扩展的在线处理。
• 为每个子问题设计高效的在线竞争算法，确保在动态到达情况下的性能保障。
• 将竞争算法的解集成到强化学习框架中，用于功率分配。
• 利用强化学习策略迭代优化功率分配决策，逐步收敛至全局最优解。
• 通过证明问题多个特例的NP难性，分析计算复杂度。

实验结果

研究问题

• RQ1 基于NOMA的大规模物联网网络中的用户分组、调度与功率分配问题在计算上是否可行？
• RQ2 能否设计出高效的在线竞争算法，在服务质量与能量约束下有效处理动态设备接入？
• RQ3 如何将在线算法与强化学习结合，以实现接近最优的全局性能？
• RQ4 该问题的计算复杂度如何？哪些变体属于NP难？
• RQ5 所提方法在可扩展性与性能方面相较于最优解与最先进方法表现如何？

主要发现

• 问题在多个特例下被证明为NP难，确立了其在一般情况下的计算不可解性。
• 所提出的在线竞争算法在动态设备到达情况下表现出强大的性能保障。
• 将在线算法与强化学习结合，可实现向近似最优全局解的收敛。
• 仿真结果表明，所提方法在被服务设备数量方面优于最优解与最先进方法。
• 该方法在满足实时性与能量约束的同时，保持了较低的计算复杂度。
• 将MINLP在特例下转化为MILP，使得在可处理场景下可获得精确解。