【源码】基于Python和Hierarchical Reinforcement Learning的基站部署与天线配置优化系统

项目简介

本项目借助分层强化学习（Hierarchical Reinforcement Learning, HRL）技术，对大规模网络中的基站部署与天线配置进行优化。通过模拟北京国贸区域的网格划分和信道模型，实现基站覆盖率的优化以及用户总吞吐量的最大化。

项目的主要特性和功能

1. 覆盖优化RL算法：依据信道模型计算各网格与所有基站的信号强度；通过优化基站的方位角、下行角和波束宽度配置，提升基站覆盖率和用户总吞吐量；利用分层强化学习算法，经状态、动作和奖励的循环反馈调整基站配置，达成最优覆盖。
2. 模拟器交互：提供Python客户端与模拟器通信，支持动态优化环境；可控制模拟器步骤，返回状态、奖励和可视化内容；支持模拟器的初始化与关闭操作。
3. 覆盖优化代码：提供覆盖优化代码的使用步骤，涵盖客户端激活、环境连接、强化学习程序运行和结果保存。

安装使用步骤

环境准备

确保已安装Python环境，建议使用Python 3.7及以上版本，并安装必要的Python库，如numpy、torch等。

下载源码

从项目仓库下载源码文件。

激活客户端并建立连接

使用以下命令激活客户端并建立与模拟器的连接： bash ./common_docker config/……/common_client/pycomm/pycomm/update_config.yml -rl true

激活Conda环境

打开一个新的终端并激活Conda环境： bash source activate torch-1.9.0-py37

运行强化学习程序

运行以下命令启动强化学习训练程序： bash python Coverage_simulator/train.py

结果保存

训练完成后，会保存三个JSON文件，分别是reward_his.json、cover_his.json和throughput_his.json，分别保存了与模拟器互动后的奖励值、覆盖率和用户数据吞吐量数值。

通过上述步骤，即可成功运行本项目，优化基站部署与天线配置，实现大规模网络中的覆盖率和用户吞吐量的最大化。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】