{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5308977"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5308977","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"5G/B5G Network Planning and Dimensioning via Reinforcement learning","abstract":"Οι τηλεπικοινωνίες βρίσκονται σε μία τροχιά συνεχούς εξέλιξης, έχοντας φτάσει πλέον στην 5G και Beyond 5G εποχή, εισάγωντας καινοτομίες και περιθώρια ευελιξίας που δημιουργούν το πλαίσιο δραστηριοποίησης over-the-top (OTT) παρόχων, δηλαδή παρόχων που χρησιμοποιούν κοινόχρηστους πόρους των παροδοσιακών διανομέων δικτύου. Το πρόβλημα της διαστασιολόγης και του σχεδιασμού τηλεπικοινωνιακών δικτύων από μόνο του είναι ιδιαιτέρως πολύπλοκο, λόγω της πολυπαραγοντικότητας (πρέπει να λαμβάνονται υπόψη φυσικοί περιορισμοί, το ανάγλυφο, η κατανομή των χρηστών, η κάλυψη της περιοχής, οι διαθέσιμοι πόροι, το κόστος και πολλά άλλα). Στο ειδικό πρόβλημα της διαστασιολόγης και επιλογής των κατάλληλων πόρων για OTT παρόχους, το πρόβλημα εμφανίζει επιπλέον δυσκολίες, λόγω της δυναμικής διαθεσιμότητας των πόρων κατά τη διάρκεια της ημέρας, κάτι που καθιστά τις παραδοσιακές στατικές μεθόδους σχεδιασμού παρωχημένες και ωθεί σε χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα εργασία κάνει μία μελέτη για τις μεθόδους που έχουν προταθεί γενικότερα σε προβήματα σχεδιαασμού και διαστασιολόγησης, ως προς το επίπεδο των αλγορίθμων και των κριτηρίων, σε ένα εκτενές εύρος βιβλιογραφίας ξεκινώντας από την 4G εποχή και φτάνοντας έως και σήμερα. Κατόπιν, προτείνεται ένας αλγόριθμος ενισχυτικής μάθησης χάρη στην επιτυχία αυτής της κατηγορίας αλγορίθμων να ανταπεξέρχονται σε δυναμικά προβλήματα που δεν έχουν a-priori γνωστό αποτέλεσμα. Συγκεκριμένα, βασιζόμενοι σε μονέλα αποφάσεων Markov, συνδυαζόμενα με νευρωνικά δίκτυα, υλοποιημένα σε Python 3.10 λύνεται το πρόβλημα επιλογής υποσυνόλου σταθμών βάσης σε καθορισμένη γεωγραφική περιοχή, λαμβάνοντας υπόψη τους διαθέσιμους σταθμούς των παρόχων, τους πόρους των σταθμών, τη ραδιοκάλυψη, το κόστος και περιορισμούς της νομοθεσίας. Για την αξιολόγηση της χρησιμότητας του αλγορίθμου, επιλέχθηκε μία ενδεικτική περιοχή και 150 θεωρητικοί σταθμοί βάσης, υποσύνολο των οποίων πρέπει να χρηισμοποιηθεί για να εξυπηρετήσει περίπου 5000 χρήστες. Εφαρμόζοντας διαφορετικά κριτήρια και λύνοντας το ίδιο πρόβλημα πολλαπλές φορές για να επιβεβαιωθεί η αποτελεσματικότητα του αλγορίθμου, τα αριθμητικά αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι επιτυγχάνει το επιθυμητό, καθώς: • επιλέγει ένα αρκετά μικρότερο υποσύνολο σταθμών (περίπου το 30%) • βελτιώνει το κόστος επιλογής κατά περίπου 20% • αποφεύγει μη επιτρεπτές τοποθεσίες σταθμών βάσης με βάση την ισχύουσα νομοθεσία","abstract_html":"Οι τηλεπικοινωνίες βρίσκονται σε μία τροχιά συνεχούς εξέλιξης, έχοντας φτάσει πλέον στην 5G και Beyond 5G εποχή, εισάγωντας καινοτομίες και περιθώρια ευελιξίας που δημιουργούν το πλαίσιο δραστηριοποίησης over-the-top (OTT) παρόχων, δηλαδή παρόχων που χρησιμοποιούν κοινόχρηστους πόρους των παροδοσιακών διανομέων δικτύου. Το πρόβλημα της διαστασιολόγης και του σχεδιασμού τηλεπικοινωνιακών δικτύων από μόνο του είναι ιδιαιτέρως πολύπλοκο, λόγω της πολυπαραγοντικότητας (πρέπει να λαμβάνονται υπόψη φυσικοί περιορισμοί, το ανάγλυφο, η κατανομή των χρηστών, η κάλυψη της περιοχής, οι διαθέσιμοι πόροι, το κόστος και πολλά άλλα). Στο ειδικό πρόβλημα της διαστασιολόγης και επιλογής των κατάλληλων πόρων για OTT παρόχους, το πρόβλημα εμφανίζει επιπλέον δυσκολίες, λόγω της δυναμικής διαθεσιμότητας των πόρων κατά τη διάρκεια της ημέρας, κάτι που καθιστά τις παραδοσιακές στατικές μεθόδους σχεδιασμού παρωχημένες και ωθεί σε χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα εργασία κάνει μία μελέτη για τις μεθόδους που έχουν προταθεί γενικότερα σε προβήματα σχεδιαασμού και διαστασιολόγησης, ως προς το επίπεδο των αλγορίθμων και των κριτηρίων, σε ένα εκτενές εύρος βιβλιογραφίας ξεκινώντας από την 4G εποχή και φτάνοντας έως και σήμερα. Κατόπιν, προτείνεται ένας αλγόριθμος ενισχυτικής μάθησης χάρη στην επιτυχία αυτής της κατηγορίας αλγορίθμων να ανταπεξέρχονται σε δυναμικά προβλήματα που δεν έχουν a-priori γνωστό αποτέλεσμα. Συγκεκριμένα, βασιζόμενοι σε μονέλα αποφάσεων Markov, συνδυαζόμενα με νευρωνικά δίκτυα, υλοποιημένα σε Python 3.10 λύνεται το πρόβλημα επιλογής υποσυνόλου σταθμών βάσης σε καθορισμένη γεωγραφική περιοχή, λαμβάνοντας υπόψη τους διαθέσιμους σταθμούς των παρόχων, τους πόρους των σταθμών, τη ραδιοκάλυψη, το κόστος και περιορισμούς της νομοθεσίας. Για την αξιολόγηση της χρησιμότητας του αλγορίθμου, επιλέχθηκε μία ενδεικτική περιοχή και 150 θεωρητικοί σταθμοί βάσης, υποσύνολο των οποίων πρέπει να χρηισμοποιηθεί για να εξυπηρετήσει περίπου 5000 χρήστες. Εφαρμόζοντας διαφορετικά κριτήρια και λύνοντας το ίδιο πρόβλημα πολλαπλές φορές για να επιβεβαιωθεί η αποτελεσματικότητα του αλγορίθμου, τα αριθμητικά αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι επιτυγχάνει το επιθυμητό, καθώς: • επιλέγει ένα αρκετά μικρότερο υποσύνολο σταθμών (περίπου το 30%) • βελτιώνει το κόστος επιλογής κατά περίπου 20% • αποφεύγει μη επιτρεπτές τοποθεσίες σταθμών βάσης με βάση την ισχύουσα νομοθεσία","abstract_has_math":false,"creators":["ΚΟΥΚΟΥΒΙΝΗ ΙΡΙΣ ΕΙΡΗΝΗ","KOUKOUVINI IRIS EIRINI"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:24Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5308977"],"render_values":[{"text":"uoadl:5308977","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5308977","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5308977","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5308977","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΟΥΚΟΥΒΙΝΗ ΙΡΙΣ ΕΙΡΗΝΗ","KOUKOUVINI IRIS EIRINI"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5308977","https://pergamos.lib.uoa.gr/uoa/dl/object/5308977"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τηλεπικοινωνίες βρίσκονται σε μία τροχιά συνεχούς εξέλιξης, έχοντας φτάσει πλέον στην 5G και Beyond 5G εποχή, εισάγωντας καινοτομίες και περιθώρια ευελιξίας που δημιουργούν το πλαίσιο δραστηριοποίησης over-the-top (OTT) παρόχων, δηλαδή παρόχων που χρησιμοποιούν κοινόχρηστους πόρους των παροδοσιακών διανομέων δικτύου. Το πρόβλημα της διαστασιολόγης και του σχεδιασμού τηλεπικοινωνιακών δικτύων από μόνο του είναι ιδιαιτέρως πολύπλοκο, λόγω της πολυπαραγοντικότητας (πρέπει να λαμβάνονται υπόψη φυσικοί περιορισμοί, το ανάγλυφο, η κατανομή των χρηστών, η κάλυψη της περιοχής, οι διαθέσιμοι πόροι, το κόστος και πολλά άλλα). Στο ειδικό πρόβλημα της διαστασιολόγης και επιλογής των κατάλληλων πόρων για OTT παρόχους, το πρόβλημα εμφανίζει επιπλέον δυσκολίες, λόγω της δυναμικής διαθεσιμότητας των πόρων κατά τη διάρκεια της ημέρας, κάτι που καθιστά τις παραδοσιακές στατικές μεθόδους σχεδιασμού παρωχημένες και ωθεί σε χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα εργασία κάνει μία μελέτη για τις μεθόδους που έχουν προταθεί γενικότερα σε προβήματα σχεδιαασμού και διαστασιολόγησης, ως προς το επίπεδο των αλγορίθμων και των κριτηρίων, σε ένα εκτενές εύρος βιβλιογραφίας ξεκινώντας από την 4G εποχή και φτάνοντας έως και σήμερα. Κατόπιν, προτείνεται ένας αλγόριθμος ενισχυτικής μάθησης χάρη στην επιτυχία αυτής της κατηγορίας αλγορίθμων να ανταπεξέρχονται σε δυναμικά προβλήματα που δεν έχουν a-priori γνωστό αποτέλεσμα. Συγκεκριμένα, βασιζόμενοι σε μονέλα αποφάσεων Markov, συνδυαζόμενα με νευρωνικά δίκτυα, υλοποιημένα σε Python 3.10 λύνεται το πρόβλημα επιλογής υποσυνόλου σταθμών βάσης σε καθορισμένη γεωγραφική περιοχή, λαμβάνοντας υπόψη τους διαθέσιμους σταθμούς των παρόχων, τους πόρους των σταθμών, τη ραδιοκάλυψη, το κόστος και περιορισμούς της νομοθεσίας. Για την αξιολόγηση της χρησιμότητας του αλγορίθμου, επιλέχθηκε μία ενδεικτική περιοχή και 150 θεωρητικοί σταθμοί βάσης, υποσύνολο των οποίων πρέπει να χρηισμοποιηθεί για να εξυπηρετήσει περίπου 5000 χρήστες. Εφαρμόζοντας διαφορετικά κριτήρια και λύνοντας το ίδιο πρόβλημα πολλαπλές φορές για να επιβεβαιωθεί η αποτελεσματικότητα του αλγορίθμου, τα αριθμητικά αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι επιτυγχάνει το επιθυμητό, καθώς: • επιλέγει ένα αρκετά μικρότερο υποσύνολο σταθμών (περίπου το 30%) • βελτιώνει το κόστος επιλογής κατά περίπου 20% • αποφεύγει μη επιτρεπτές τοποθεσίες σταθμών βάσης με βάση την ισχύουσα νομοθεσία","Telecommunications are on a trajectory of continuous evolution, currently going through the 5G and Beyond 5G era, introducing flexibility that allows the services of over-the-top (OTT) provider - i.e., providers that use resources of the traditional mobile network operators (MNOs). The problem of dimensioning and design of telecommunication networks is inherently highly complex due to its multifactorial nature (one must consider physical constraints, terrain, user distribution, area coverage, available resources, cost, and others). Specifically, considering the dimensioning and selection of the appropriate resources for the OTT providers, the problem presents additional challenges due to the dynamic nature of MNOs resources availability throughout the day, making traditional static design methods inefficient and encouraging the use of machine learning algorithms. This work presents a study of the methods that proposed for network design and dimensioning problems, in terms of algorithms and criteria, examining the papers in literature starting from the 4G era up to the present day. Moreover, a reinforcement learning algorithm is proposed, thanks to their inherit effectiveness in addressing dynamic problems with no a-priori solutions. Specifically, the algorithm was based on Markov decision process combined with neural networks and implemented in Python 3.10. The problem that was addressed was the selection of a subset of base stations within a certain area, considering the available stations from providers, resources, coverage, cost, and legal constraints. To evaluate the effectiveness of the algorithm, a certain area and 150 theoretical base stations were assumed, a subset of which would be selected to serve approximately 5,000 users. Testing the algorithm via different criteria and repeating the process multiple times, the numerical results show that the proposed method consistently achieves the desired outcome, since it: • selects a significantly smaller subset of stations (about 30%) • improves the cost of the base stations by approximately 20% • avoids base station in restricted locations based on current legislation"]},{"key":"dc:title","label":"Title","values":["5G/B5G Network Planning and Dimensioning via Reinforcement learning"]}]}],"canonical_facts":{"dc:creator":["ΚΟΥΚΟΥΒΙΝΗ ΙΡΙΣ ΕΙΡΗΝΗ","KOUKOUVINI IRIS EIRINI"],"dc:date":["2025"],"dc:description":["Οι τηλεπικοινωνίες βρίσκονται σε μία τροχιά συνεχούς εξέλιξης, έχοντας φτάσει πλέον στην 5G και Beyond 5G εποχή, εισάγωντας καινοτομίες και περιθώρια ευελιξίας που δημιουργούν το πλαίσιο δραστηριοποίησης over-the-top (OTT) παρόχων, δηλαδή παρόχων που χρησιμοποιούν κοινόχρηστους πόρους των παροδοσιακών διανομέων δικτύου. Το πρόβλημα της διαστασιολόγης και του σχεδιασμού τηλεπικοινωνιακών δικτύων από μόνο του είναι ιδιαιτέρως πολύπλοκο, λόγω της πολυπαραγοντικότητας (πρέπει να λαμβάνονται υπόψη φυσικοί περιορισμοί, το ανάγλυφο, η κατανομή των χρηστών, η κάλυψη της περιοχής, οι διαθέσιμοι πόροι, το κόστος και πολλά άλλα). Στο ειδικό πρόβλημα της διαστασιολόγης και επιλογής των κατάλληλων πόρων για OTT παρόχους, το πρόβλημα εμφανίζει επιπλέον δυσκολίες, λόγω της δυναμικής διαθεσιμότητας των πόρων κατά τη διάρκεια της ημέρας, κάτι που καθιστά τις παραδοσιακές στατικές μεθόδους σχεδιασμού παρωχημένες και ωθεί σε χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα εργασία κάνει μία μελέτη για τις μεθόδους που έχουν προταθεί γενικότερα σε προβήματα σχεδιαασμού και διαστασιολόγησης, ως προς το επίπεδο των αλγορίθμων και των κριτηρίων, σε ένα εκτενές εύρος βιβλιογραφίας ξεκινώντας από την 4G εποχή και φτάνοντας έως και σήμερα. Κατόπιν, προτείνεται ένας αλγόριθμος ενισχυτικής μάθησης χάρη στην επιτυχία αυτής της κατηγορίας αλγορίθμων να ανταπεξέρχονται σε δυναμικά προβλήματα που δεν έχουν a-priori γνωστό αποτέλεσμα. Συγκεκριμένα, βασιζόμενοι σε μονέλα αποφάσεων Markov, συνδυαζόμενα με νευρωνικά δίκτυα, υλοποιημένα σε Python 3.10 λύνεται το πρόβλημα επιλογής υποσυνόλου σταθμών βάσης σε καθορισμένη γεωγραφική περιοχή, λαμβάνοντας υπόψη τους διαθέσιμους σταθμούς των παρόχων, τους πόρους των σταθμών, τη ραδιοκάλυψη, το κόστος και περιορισμούς της νομοθεσίας. Για την αξιολόγηση της χρησιμότητας του αλγορίθμου, επιλέχθηκε μία ενδεικτική περιοχή και 150 θεωρητικοί σταθμοί βάσης, υποσύνολο των οποίων πρέπει να χρηισμοποιηθεί για να εξυπηρετήσει περίπου 5000 χρήστες. Εφαρμόζοντας διαφορετικά κριτήρια και λύνοντας το ίδιο πρόβλημα πολλαπλές φορές για να επιβεβαιωθεί η αποτελεσματικότητα του αλγορίθμου, τα αριθμητικά αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος είναι επιτυγχάνει το επιθυμητό, καθώς: • επιλέγει ένα αρκετά μικρότερο υποσύνολο σταθμών (περίπου το 30%) • βελτιώνει το κόστος επιλογής κατά περίπου 20% • αποφεύγει μη επιτρεπτές τοποθεσίες σταθμών βάσης με βάση την ισχύουσα νομοθεσία","Telecommunications are on a trajectory of continuous evolution, currently going through the 5G and Beyond 5G era, introducing flexibility that allows the services of over-the-top (OTT) provider - i.e., providers that use resources of the traditional mobile network operators (MNOs). The problem of dimensioning and design of telecommunication networks is inherently highly complex due to its multifactorial nature (one must consider physical constraints, terrain, user distribution, area coverage, available resources, cost, and others). Specifically, considering the dimensioning and selection of the appropriate resources for the OTT providers, the problem presents additional challenges due to the dynamic nature of MNOs resources availability throughout the day, making traditional static design methods inefficient and encouraging the use of machine learning algorithms. This work presents a study of the methods that proposed for network design and dimensioning problems, in terms of algorithms and criteria, examining the papers in literature starting from the 4G era up to the present day. Moreover, a reinforcement learning algorithm is proposed, thanks to their inherit effectiveness in addressing dynamic problems with no a-priori solutions. Specifically, the algorithm was based on Markov decision process combined with neural networks and implemented in Python 3.10. The problem that was addressed was the selection of a subset of base stations within a certain area, considering the available stations from providers, resources, coverage, cost, and legal constraints. To evaluate the effectiveness of the algorithm, a certain area and 150 theoretical base stations were assumed, a subset of which would be selected to serve approximately 5,000 users. Testing the algorithm via different criteria and repeating the process multiple times, the numerical results show that the proposed method consistently achieves the desired outcome, since it: • selects a significantly smaller subset of stations (about 30%) • improves the cost of the base stations by approximately 20% • avoids base station in restricted locations based on current legislation"],"dc:identifier":["uoadl:5308977","https://pergamos.lib.uoa.gr/uoa/dl/object/5308977"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["5G/B5G Network Planning and Dimensioning via Reinforcement learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:24Z"}