ترجمه فارسی مقاله تخصیص مشترک کانال و توان مبتنی بر GNN در شبکه‌های بی‌سیم ناهمگن

چکیده

The optimal allocation of channels and power resources plays a crucial role in ensuring minimal interference, maximal data rates, and efficient energy utilisation. As a successful approach for tackling resource management problems in wireless networks, Graph Neural Networks (GNNs) have attracted a lot of attention. This article proposes a GNN-based algorithm to address the joint resource allocation problem in heterogeneous wireless networks. Concretely, we model the heterogeneous wireless network as a heterogeneous graph and then propose a graph neural network structure intending to allocate the available channels and transmit power to maximise the network throughput. Our proposed joint channel and power allocation graph neural network (JCPGNN) comprises a shared message computation layer and two task-specific layers, with a dedicated focus on channel and power allocation tasks, respectively. Comprehensive experiments demonstrate that the proposed algorithm achieves satisfactory performance but with higher computational efficiency compared to traditional optimisation algorithms.

چکیده به فارسی (ترجمه ماشینی)

تخصیص بهینه کانال ها و منابع انرژی نقش مهمی در تضمین حداقل تداخل ، حداکثر نرخ داده ها و استفاده از انرژی کارآمد دارد.به عنوان یک رویکرد موفق برای مقابله با مشکلات مدیریت منابع در شبکه های بی سیم ، شبکه های عصبی نمودار (GNN) توجه بسیاری را به خود جلب کرده اند.در این مقاله یک الگوریتم مبتنی بر GNN برای رفع مشکل تخصیص منابع مشترک در شبکه های بی سیم ناهمگن ارائه شده است.به طور مشخص ، ما شبکه بی سیم ناهمگن را به عنوان یک نمودار ناهمگن مدل می کنیم و سپس یک ساختار شبکه عصبی نمودار را که قصد تخصیص کانالهای موجود و انتقال نیرو را برای به حداکثر رساندن توان شبکه ارائه می دهیم ، پیشنهاد می کنیم.کانال مشترک پیشنهادی ما و نمودار نمودار عصبی نمودار (JCPGNN) شامل یک لایه محاسبات پیام مشترک و دو لایه خاص کار با تمرکز اختصاصی بر کارهای کانال و تخصیص قدرت است.آزمایش های جامع نشان می دهد که الگوریتم پیشنهادی به عملکرد رضایت بخش اما با راندمان محاسباتی بالاتر در مقایسه با الگوریتم های بهینه سازی سنتی دست می یابد.