面向 IoT 的 SAGIN 多功能 RIS：一种基于压缩孪生模型的混合深度强化学习方法
人工智能
2025-12-24 v2 信号处理
摘要
本文研究了一种用于物联网（IoT）网络架构的空天地一体化网络（SAGIN），该网络由多功能可重构智能表面（MF-RIS）赋能，能够同时反射、放大和收集无线能量。MF-RIS 在解决处于阴影区域工作的低轨（LEO）卫星能量短缺问题上发挥着关键作用，同时兼顾了 SAGIN 节点间的通信与计算能耗。为了最大化 IoT 设备的长期能效（EE），我们对 MF-RIS 参数（包括信号放大、相移、能量收集比例和有源元件选择）以及 SAGIN 参数（包括波束成形向量、高空平台站（HAPS）部署、IoT 设备关联和计算能力）构建了一个联合优化问题。该问题具有高度非凸和非线性特征，且包含混合离散连续参数。为了解决这一问题，我们构思了一种压缩混合孪生模型增强多智能体深度强化学习（CHIMERA）框架，该框架在混合强化学习下集成了语义状态-动作压缩和参数化共享，以高效探索合适的复杂动作。仿真结果表明，所提出的 CHIMERA 方案在最高 EE 方面显著优于传统基准，包括固定配置或无能量收集的 MF-RIS、传统 RIS 和无 RIS 场景，以及集中式和多智能体深度强化学习基线。此外，由于互补的覆盖范围，所提出的 IoT 网络中的 SAGIN-MF-RIS 架构实现了卓越的 EE 性能，与单独的卫星、航空或地面部署相比具有显著优势。
引用
@article{arxiv.2507.16204,
title = {Multi-Functional RIS-Enabled in SAGIN for IoT: A Hybrid Deep Reinforcement Learning Approach with Compressed Twin-Models},
author = {Li-Hsiang Shen and Jyun-Jhe Huang},
journal= {arXiv preprint arXiv:2507.16204},
year = {2025}
}