面向智能可重构太赫兹 MIMO-NOMA 网络的图嵌入多智能体学习
信号处理
2021-10-26 v3
摘要
随着沉浸式应用的加速发展和物联网（IoT）终端的爆炸式增长，6G 将引入太赫兹（THz）大规模多输入多输出非正交多址（MIMO-NOMA）技术，以满足超高传输速率和海量连接需求。然而，太赫兹传输的不可靠性以及设备需求的极端异构性给实际应用带来关键挑战。为应对这些挑战，我们提出一种新颖的智能可重构太赫兹 MIMO-NOMA 框架，其通过接入点（APs）与可重构智能表面（RISs）间的协作灵活协调地重构混合波束，实现可定制化和智能化通信。该优化问题被建模为分散部分可观测马尔可夫决策过程（Dec-POMDP），以在保障多样化用户性能的同时，通过联合 RIS 单元选择、协调离散相移控制和功率分配策略最大化网络能效。为求解上述非凸、强耦合且高度复杂的混合整数非线性规划（MINLP）问题，我们提出一种新颖的多智能体深度强化学习（MADRL）算法，即图嵌入值分解 actor-critic（GE-VDAC），其嵌入智能体间的交互信息，并通过分布式策略学习局部最优解。数值结果表明，所提算法实现了高度定制化通信，并优于传统 MADRL 算法。
引用
@article{arxiv.2107.07198,
title = {Graph-Embedded Multi-Agent Learning for Smart Reconfigurable THz MIMO-NOMA Networks},
author = {Xiaoxia Xu and Qimei Chen and Xidong Mu and Yuanwei Liu and Hao Jiang},
journal= {arXiv preprint arXiv:2107.07198},
year = {2021}
}
备注
Accepted to appear in IEEE Journal on Selected Areas in Communications