Diese Dissertation untersucht den Einsatz sowohl klassischer Optimierungsmethoden als auch fortgeschrittener Machine-Learning-Modelle mit besonderem Fokus auf Reinforcement Learning (RL) – zur adaptiven Steuerung von Beamforming und Sendeleistung in realistischen drahtlosen Umgebungen. Die Studie umfasst eine detaillierte Analyse verschiedener Szenarien, darunter Innenräume mit homogenen Materialeigenschaften, Innenräume mit variierenden Oberflächenmaterialien sowie eine reale urbane Umgebung auf Basis geodatenbasierter Karteninformationen. Dieses realitätsnahe Modellierungsframework ermöglicht die Bestimmung optimaler Beam-Steering-Konfigurationen, wodurch Interferenzen minimiert und die Systemleistung gesteigert werden. Zunächst wird eine Exhaustive-Search-Methode angewendet, um die Leistung zu bewerten. Nach dieser Validierung werden die Verfahren auf komplexere Szenarien verallgemeinert, was eine skalierbare und deutlich schnellere Alternative zu herkömmlichen Ansätzen bietet. Abschließend wird ein DQN entwickelt, das in einer realistischen urbanen Umgebung sowohl Beamforming-Winkel für mehrere Sender und Empfänger als auch die Sendeleistung gemeinsam optimiert. Das DQN nutzt die Leistungsfähigkeit des Deep Reinforcement Learning zur Entscheidungsfindung in Echtzeit auf Grundlage von Umgebungsrückmeldungen. Das DQN-basierte Modell übertrifft konventionelle Methoden sowohl hinsichtlich der Genauigkeit als auch des Rechenaufwands und erreicht eine Genauigkeit von 98,28 % bei gleichzeitig deutlich reduzierter Rechenzeit und geringerer Standardabweichung im Vergleich zu allen anderen Verfahren. Diese Ergebnisse unterstreichen die Bedeutung des Einsatzes von Machine Learning in realen drahtlosen Kommunikationssystemen. Der DQN-Ansatz erweist sich dabei als besonders effektiv zur Optimierung von Beamforming und Sendeleistung und ist somit ideal für den Einsatz in urbanen Umgebungen geeignet.
Parmida Geranmayeh Oromiyeh (Tue,) studied this question.