Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, agen The QN diuji pada 5 jaringan yang belum pernah dilihatnya. Efisiensi energinya sekitar 20% lebih tinggi dari proportional fair dengan keadilan yang hampir sama, karena agen belajar sendiri kapan daya kecil sudah cukup. Ayo kita mulai. Halo, selamat datang di episode terakhir seri alokasi sumber daya 5G dengan Deep Reinforcement Learning. Evaluasi yang jujur adalah inti penelitian. Agen harus diuji pada jaringan yang belum pernah dilihat saat pelatihan. Dibandingkan dengan pembanding yang kuat, dan dilihat kelebihan sekaligus kekurangannya. Hari ini kita lakukan itu.
Langkah 1: Lima penjadwal di jaringan uji
Buat file evaluasi .py Kita muat bobot The QN hasil pelatihan, lalu jalankan agen secara greedy, tanpa eksplorasi, selama 1000 slot pada 5 jaringan uji dengan SID 101-105 yang tidak pernah muncul saat pelatihan. Kita juga mencatat SINR user yang dipilih dan level daya yang digunakan. Keempat pembanding dijalankan pada jaringan dan kanal yang persis sama, lalu metriknya dirata-rata. Jalankan Max C per I tetap tercepat, sekitar 23 Mbps, tetapi tidak adil. Proportional fair sekitar 17,95 Mbps dengan JIN 0,835. The QN mencapai sekitar 16 Mbps dengan JIN hampir 0,8, sedikit di bawah PF, tetapi efisiensi energinya sekitar 20% lebih tinggi, mendekati Max C per I sambil tetap adil.
Langkah 2 Throughput, energi & pilihan daya
Lanjutkan dengan grafik, throughput dan efisiensi energi semua penjadwal, serta histogram pilihan daya The QN terhadap SINR user. Mari lihat grafiknya. Histogram kanan mengungkap apa yang dipelajari agen, untuk user dengan SINR di atas 30dB, yang sudah jenuh di batas 256KM, The QN memilih daya 25%, sedangkan untuk user lemah memakai daya penuh. Agen menemukan sendiri prinsip yang kita lihat di episode pertama, tanpa pernah diberitahu. Harganya, throughput turun sekitar 10%, kompromi yang bisa diatur lewat parameter beta di reward.
Selesai!
Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian alokasi sumber daya 5G secara lengkap, konsep resource block, simulator kanal dan SINR, penjadwal round robin, proportional fair, dan water filling, formulasi MDP, deep Q network dari 0, sampai evaluasi throughput, keadilan, dan efisiensi energi. Untuk penelitian lanjutan, coba algoritma lain seperti PPO atau multi-agent RL untuk banyak sel, kanal Maimo, trafik yang tidak penuh, atau networks leaching pada 6G. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset di bidang telekomunikasi dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi riset jaringan seluler, dari simulator 5G, model kanal dan SINR, penjadwal proportional fair dan water filling, sampai di reinforcement learning dengan PyTorch, serta membuka kursus pemrograman Python untuk teknik elektro dan telekomunikasi. Ingin menguasai seluruh seri ini, dari konsep resource block sampai evaluasi efisiensi energi agen The QN? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
