STAR-RIS 辅助网络的覆盖与容量优化:一种机器学习方法
信息论
2022-04-14 v1 机器学习
math.IT
摘要
覆盖与容量是无线网络性能评估的重要指标,而覆盖与容量之间存在若干冲突关系,例如高发射功率有助于扩大覆盖,但高小区间干扰会降低容量性能。因此,为在覆盖与容量之间取得平衡,提出了一种用于同时透射与反射可重构智能表面(STAR-RISs)辅助网络覆盖与容量优化的新模型。为解决覆盖与容量优化(CCO)问题,提出了一种基于机器学习的多目标优化算法,即多目标近端策略优化(MO-PPO)算法。该算法中,基于损失函数的更新策略是核心要点,其能够在每次更新时通过最小范数求解器为覆盖与容量两个损失函数计算权重。数值结果表明,所研究的更新策略优于基于固定权重的 MO 算法。
引用
@article{arxiv.2204.06390,
title = {Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A Machine Learning Approach},
author = {Xinyu Gao and Wenqiang Yi and Alexandros Agapitos and Hao Wang and Yuanwei Liu},
journal= {arXiv preprint arXiv:2204.06390},
year = {2022}
}
备注
6 pages, 5 figures, it has been submitted to IEEE Globecom Conference 2022