一种用于 IRS 辅助 NOMA 网络的强化学习方法
信号处理
2021-06-18 v1
摘要
本文研究智能反射面（IRS）辅助的非正交多址（NOMA）下行网络中的和速率最大化问题。具体地，通过联合优化基站波束与 IRS 相移，最大化所有用户的和速率。已取得大量成功的深度强化学习（DRL）被应用于求解该和速率最大化问题。特别地，提出了一种基于深度确定性策略梯度（DDPG）的算法。本文研究了随机信道与固定信道两种情形。仿真结果表明，基于 DDPG 的算法在两种情形下均具竞争性能。
引用
@article{arxiv.2106.09611,
title = {A Reinforcement Learning Approach for an IRS-assisted NOMA Network},
author = {Ximing Xie and Shiyu Jiao and Zhiguo Ding},
journal= {arXiv preprint arXiv:2106.09611},
year = {2021}
}