面向 NOMA 网络的可移动可重构智能表面：联邦学习方法
网络与互联网体系结构
2021-05-21 v1 系统与控制
系统与控制
摘要
提出了一种可重构智能表面（reconfigurable intelligent surfaces, RIS）增强的室内无线网络的新型框架，其中安装在机器人上的 RIS 被调用来实现 RIS 的可移动性并提升移动用户的服务质量。同时，采用非正交多址（non-orthogonal multiple access, NOMA）技术以进一步提高频谱效率，因为 RIS 能够为 NOMA 提供人工控制的信道条件，这可视为获取 NOMA 增益的有利运行条件。为优化所有用户的和速率，采用深度确定性策略梯度（deep deterministic policy gradient, DDPG）算法来优化可移动 RIS 的部署与相移以及功率分配策略。为提高 DDPG 智能体训练的效率与效果，采用联邦学习（federated learning, FL）概念以使多个智能体能够同时探索相似环境并交换经验。我们还证明了在相同的随机探索策略下，配备 FL 的深度强化学习（deep reinforcement learning, DRL）智能体相比独立智能体在理论上可获得奖励增益。仿真结果表明，可移动 RIS 方案显著优于固定 RIS 范式，相较固定 RIS 范式提供约三倍的数据速率增益。此外，NOMA 方案在和速率方面相比 OMA 方案能够实现 42% 的增益。最后，多小区仿真证明 FL 增强的 DDPG 算法比独立训练框架具有更优的收敛速率与优化性能。
引用
@article{arxiv.2105.09462,
title = {Mobile Reconfigurable Intelligent Surfaces for NOMA Networks: Federated Learning Approaches},
author = {Ruikang Zhong and Xiao Liu and Yuanwei Liu and Yue Chen and Zhu Han},
journal= {arXiv preprint arXiv:2105.09462},
year = {2021}
}