STUDIO DI ALGORITMI DI DEEP REINFORCEMENT LEARNING PER LA GESTIONE DELLE RISORSE RADIO NEL 5G

Analysis of the use of Deep Reinforcement Learning (DRL) techniques to optimize resource management in next-generation mobile networks, with the goal of improving the Quality of Experience (QoE) for end users. The focus is specifically on Deep Q-Network (DQN) algorithms and its variants, such as DDQN and Dueling DQN, with an emphasis on integrating LSTM models to enhance decision-making capabilities in dynamic environments. Through comparative performance analysis, the efficiency and adaptability of these algorithms are evaluated in terms of improving service quality, reducing interference, and optimizing radio resource allocation.

Analisi dell'impiego di tecniche di Deep Reinforcement Learning (DRL) per ottimizzare la gestione delle risorse nelle reti mobili di nuova generazione, con l'obiettivo di migliorare la Quality of Experience (QoE) degli utenti finali. L'attenzione è rivolta in particolare agli algoritmi Deep Q-Network (DQN) e alle sue varianti, come DDQN e Dueling DQN, con un focus sull'integrazione di modelli LSTM per potenziare le capacità decisionali in ambienti dinamici. Attraverso l'analisi comparativa delle prestazioni, vengono valutate l'efficienza e l'adattabilità di tali algoritmi nel migliorare la qualità del servizio, ridurre le interferenze e ottimizzare l'allocazione delle risorse radio.