Aplicación de técnicas de aprendizaje de refuerzo profundo para la gestión de recursos radio en redes 5G

Abstract

Este trabajo fin de grado presenta el desarrollo de un agente inteligente basado en aprendizaje por refuerzo profundo para optimizar la asignación de recursos en la capa MAC de redes móviles 5G. Se ha diseñado un entorno simulado que permite representar distintos estados del sistema y se ha generado un conjunto de datos tabulados para entrenar modelos con los algoritmos PPO y DQN. El estudio incluye un proceso de optimización automatizada de hiperparámetros mediante la librería Optuna, aplicado a ocho escenarios distintos. Los resultados obtenidos muestran que los agentes son capaces de aprender políticas efectivas, generalizar su comportamiento en fase de verificación y mejorar métricas como la recompensa media y la estabilidad del sistema. El enfoque propuesto demuestra la viabilidad de aplicar técnicas de inteligencia artificial en procesos internos de gestión de redes móviles de nueva generación.

This bachelor thesis presents the development of an intelligent agent based on deep reinforcement learning to optimize resource allocation in the MAC layer of 5G mobile networks. A simulated environment was designed to represent various system states, and a tabulated dataset was generated to train models using the PPO and DQN algorithms. The study includes an automated hyperparameter optimization process using the Optuna library, applied across eight different scenarios. The results show that the agents are capable of learning effective policies, generalizing their behavior during testing, and improving metrics such as average reward and system stability. The proposed approach demonstrates the feasibility of applying artificial intelligence techniques to internal management processes in next-generation mobile networks.