基于率分割多接入的多天线无人机网络资源分配的元强化学习
信号处理
2024-05-21 v1
摘要
多天线无人机 (UAV) 近期被探索用于提高无线网络的容量。然而，鉴于无人机同时承担飞行和通信任务，其严格的能源约束使得针对无人机必需探索能源效率的多天线技术。同时，镜头天线子数组 (LAS) 作为一种有前景的能源效率解决方案，尚未被用于此目的。本文提出一种以 LAS 为导向的多天线 UAV 用于下行传输，采用率分割多访问 (RSMA) 实现有效的波分复用。我们构建最大化总系统频谱效率 (SE) 的优化问题，涉及优化 UAV 的发射波束和 RSMA 的公共率。通过将优化问题重塑为马尔可夫决策过程 (MDP)，我们提出基于深度确定性策略梯度 (DDPG) 的资源分配机制，以捕获问题动态并优化其变量。此外，鉴于 UAV 的频繁移动导致系统频繁重新配置，我们通过元学习策略增强了训练好的 DDPG 模型的适应性。数值上，我们实现了超过 20% 的能源效率提升。模拟结果表明，在信噪比 (SNR) 为 10 dB 时，RSMA 相对于传统正交波分复用实现 22% 的 SE 提升。此外，在文献中采用元学习对常规 DDPG 方法进行微调后，整体系统 SE 提升了 27%。
引用
@article{arxiv.2405.11306,
title = {Meta Reinforcement Learning for Resource Allocation in Multi-Antenna UAV Network with Rate Splitting Multiple Access},
author = {Hosein Zarini and Maryam Farajzadeh Dehkordi and Armin Farhadi and Mohammad Robat Mili and Ali Movaghar and Mehdi Rasti and Yonghui Li and Kai-Kit Wong},
journal= {arXiv preprint arXiv:2405.11306},
year = {2024}
}