基于深度强化学习的STAR-RIS辅助网络覆盖与容量优化
信息论
2023-07-25 v2 人工智能
math.IT
摘要
同时透射与反射可重构智能表面（STAR-RISs）是一种有前景的无源器件，通过同时透射和反射入射信号来实现全空间覆盖。作为无线通信中的新范式，如何分析STAR-RISs的覆盖与容量性能至关重要但具挑战性。为解决STAR-RIS辅助网络中的覆盖与容量优化（CCO）问题，提出了一种多目标近端策略优化（MO-PPO）算法，以相比传统优化算法处理长期收益。为在各目标间取得平衡，MO-PPO算法提供一组最优解以形成帕累托前沿（PF），其中PF上的任一解均视为最优结果。此外，为提升MO-PPO算法性能，研究了两种更新策略，即基于动作值的更新策略（AVUS）与基于损失函数的更新策略（LFUS）。对于AVUS，改进点在于融合覆盖与容量的动作值后再更新损失函数。对于LFUS，改进点仅在于为覆盖与容量的两个损失函数分配动态权重，而权重由最小范数求解器在每次更新时计算。数值结果表明，所研究的更新策略在不同情形下优于固定权重MO优化算法，情形包括不同数量的采样网格、STAR-RISs数量、STAR-RISs中元素数量以及STAR-RISs尺寸。此外，STAR-RIS辅助网络比无STAR-RISs的传统无线网络性能更优。并且，在相同带宽下，毫米波能提供比sub-6 GHz更高的容量，但代价是更小的覆盖范围。
引用
@article{arxiv.2209.00511,
title = {DRL Enabled Coverage and Capacity Optimization in STAR-RIS Assisted Networks},
author = {Xinyu Gao and Wenqiang Yi and Yuanwei Liu and Jianhua Zhang and Ping Zhang},
journal= {arXiv preprint arXiv:2209.00511},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2204.06390