基于多智能体深度强化学习的能源高效多跳 STAR-RIS 传输
机器学习
2024-07-29 v1 信号处理
摘要
同时传输和反射可重构智能面（STAR-RIS）为无线通信扩展覆盖范围提供了前景。然而，单 STAR-RIS 的局限性促使我们将多跳传输的概念集成到 STAR-RIS 中。因此，我们提出了一种新的多跳 STAR-RIS 架构，以实现更广泛的全平面服务覆盖。本文旨在解决基站主波束赋能和 STAR-RIS 被动波束赋能问题，目标是最大化受 STAR-RIS 硬件限制的能源效率。此外，我们研究了 STAR-RIS 元件的开关状态对能源效率的影响。为处理复杂问题，设计了一种多智能体全局和局部深度强化学习（MAGAR）算法。全局智能体提升了局部智能体之间的协作，而局部智能体专注于个体学习。在数值结果中，我们观察到 MAGAR 相对于其他基准方法（包括 Q 学习、带全局奖励的多智能体深度 Q 网络（DQN）和带局部奖励的多智能体 DQN）具有显著的性能提升。此外，所提出的多跳 STAR-RIS 架构相对于基于模式切换的 STAR-RIS、传统 RIS 以及无 RIS 或 STAR-RIS 的部署，实现了最高的能源效率。
引用
@article{arxiv.2407.18627,
title = {Multi-Agent Deep Reinforcement Learning for Energy Efficient Multi-Hop STAR-RIS-Assisted Transmissions},
author = {Pei-Hsiang Liao and Li-Hsiang Shen and Po-Chen Wu and Kai-Ten Feng},
journal= {arXiv preprint arXiv:2407.18627},
year = {2024}
}
备注
Accepted by Proc. IEEE VTC-fall