8、5G NOMA-IoT网络中的多目标优化策略

5G NOMA-IoT网络中的多目标优化策略

一、引言

近年来，物联网（IoT）在5G网络中引起了广泛关注。5G网络以其高速和支持大量用户设备（UEs）的特性而备受瞩目。非正交多址接入（NOMA）作为一种信息理论方法，被引入5G网络，以支持大量用户设备，并带来诸多其他优势。然而，这也使得能源效率（EE）、频谱效率（SE）和用户公平性（UF）等不同目标需要得到妥善处理。

在5G网络中，大量设备通过网络交换数据和信息，催生出了物联网的概念。功率域NOMA在资源分配方面比码域NOMA网络更加灵活，但考虑到物联网设备的大规模部署，存在多个优化问题。目前，在NOMA - IoT网络中，大多数工作仅关注单个或最多两个目标的优化，而多目标优化（MOO）的相关研究较少。本文旨在探讨在维持用户公平性的同时，提高频谱效率和能源效率。

强化学习算法最初用于机器学习和决策应用。强化学习代理从环境中获取信息，并通过反复交互学习最优行动策略，以在每个回合中选择最大化奖励的行动，非常适合长期决策。遗传算法则用于优化目的，在单目标优化的基础上，其适应度函数经过修改后可用于多目标优化。

由于无线电频谱资源有限，当网络的主要目标是提高总吞吐量时，物联网用户的资源分配和优化成为一个难题。特别是在处理相互冲突的多目标时，情况更为复杂，因为一个目标的改善可能会导致另一个目标的性能下降。为此，我们提出了一种混合元启发式算法——基于多目标优化遗传算法的强化学习算法（MOGA - RL）。强化学习算法简单的环境交互方式使其适合从环境中获取信息，而遗传算法则用于优化目标。与大多数使用反向传播技术的强化学习优化工作不同，遗传算法可以与基于反向传播的算法相媲美，二者的结合在用户信息快速变化的动态环境中表现出色。