DRL 驱动的在线优化：用于 RIS 辅助语义 NOMA 通信的联合流量重塑与信道重配置
网络与互联网体系结构
2026-03-24 v1
摘要
本文探讨了一种受 RIS 辅助且语义感知的无线网络，其中多个语义用户（SUs）使用非正交多址接入（NOMA）方法将语义信息传输到接入点（AP）。RIS 重构信道条件，而语义提取则塑造流量需求，为 NOMA 传输提供了更灵活的控制。为实现高效的长期资源分配，本文提出一种可推迟的语义提取方案，可将语义提取任务跨多个时间槽分配。我们构建了长期能源效率最大化问题，联合优化 RIS 的被动波束赋形、SUs 的语义提取以及 NOMA 解码顺序。注意到该问题涉及多个和耦合的控制变量，在时变网络环境下可能造成显著的计算开销。为支持低复杂度的在线优化，本文开发了基于深度强力学习（DRL）的在线优化框架。具体而言，DRL 模块根据动态网络状态，自适应选择并优化流量重塑、信道重配置或 NOMA 解码顺序分配等最合适的选项。数值结果表明，可推迟的语义提取方案显著提高了长期能源效率。与 state-of-the-art 方法相比，DRL 驱动的在线优化框架在降低运行时间的同时，保持了优越的学习性能。
引用
@article{arxiv.2603.21093,
title = {DRL-driven Online Optimization for Joint Traffic Reshaping and Channel Reconfiguration in RIS-assisted Semantic NOMA Communications},
author = {Songhan Zhao and Shimin Gong and Bo Gu and Zehui Xiong and Ping Wang and Kaibin Huang},
journal= {arXiv preprint arXiv:2603.21093},
year = {2026}
}