面向多用户的非线性能量收集器的深度强化学习 RF 充电
信号处理
2024-05-08 v1
摘要
射频(RF)无线功率转移(WPT)是支撑大规模物联网(IoT)的可持续技术之一。然而，RF-WPT 系统因信道衰减导致效率低下，这可以通过调整传输指向性的预编码器来缓解。本文考虑多天线RF-WPT系统，包含多个非线性能量收集(Eh)节点，其能量需求在离散时间槽中变化。这导致充电调度问题，即需在每个时槽选择预编码器以最小化总能耗并满足Eh要求。我们将问题建模为马尔可夫决策过程，提出一种依赖低复杂度波束赋形和深度确定性策略梯度(DDPG)的解决方案。结果表明，所提出的波束赋形实现了接近最优的性能且计算复杂度低，DDPG 方法随episode数目收敛，降低了系统功耗，而用户数目增加会导致停机概率和功耗增加。
引用
@article{arxiv.2405.04218,
title = {Deep Reinforcement Learning for Multi-User RF Charging with Non-linear Energy Harvesters},
author = {Amirhossein Azarbahram and Onel L. A. López and Petar Popovski and Shashi Raj Pandey and Matti Latva-aho},
journal= {arXiv preprint arXiv:2405.04218},
year = {2024}
}
备注
6 pages, 5 figures