基于 RSMA 的 RIS 辅助安全卫星通信系统相位移优化的启发式深度强化学习
信号处理
2025-01-22 v1
摘要
本文提出了一种新颖的启发式深度强化学习（HDRL）框架，用于优化率分割多访问（RSMA）下安全卫星通信系统中可重构智能表面（RIS）的相位移。所提出的 HDRL 方法通过集成启发式算法，解决深度强化学习中大规模动作空间的挑战，从而提高探索效率，加快收敛至最优解。我们通过全面仿真验证了 HDRL 的有效性，证明其优于传统算法，包括随机相位移、贪心算法、穷举搜索和深度 Q 网络（DQN），在安全总速率和计算效率方面均表现出优势。此外，我们比较了 RSMA 与非正交多访问（NOMA）的性能，强调 RSMA 在增加 RIS 元素数量时显著提升安全通信性能。结果表明，HDRL 是提升 RSMA 卫星通信系统安全性和可靠性的强大工具，提供了性能与计算需求之间的实用平衡。
引用
@article{arxiv.2501.12311,
title = {Heuristic Deep Reinforcement Learning for Phase Shift Optimization in RIS-assisted Secure Satellite Communication Systems with RSMA},
author = {Tingnan Bao and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2501.12311},
year = {2025}
}