面向任意大规模1比特相位分辨率单元的在线RIS配置学习
信息论
2022-04-19 v1 新兴技术
math.IT
摘要
近来，强化学习（RL）方法被部署用于编排由可重构智能表面（RISs）赋能的无线通信，利用其在线优化能力。最常见地，在具有低分辨率相位可调单元的现实RIS的基于RL公式中，每种配置被建模为不同的反射动作，由于搜索空间的指数性质导致探索效率低下。本文考虑具有1比特相位分辨率单元的RIS，并将每个单元的动作建模为包含可行反射系数的二元向量。然后我们引入两种成熟的深度Q网络（DQN）与深度确定性策略梯度（DDPG）智能体的变体，旨在对二元动作空间进行有效探索。对于DQN，我们利用Q函数的高效近似，而对DDPG的输出应用离散化后处理步骤。我们的仿真结果表明，当考虑大规模RIS时，所提技术在速率最大化目标上大幅优于基线。此外，在处理中等规模RIS时，基于配置动作空间的常规DQN可行，该技术的性能与所提学习方法相近。
引用
@article{arxiv.2204.08367,
title = {Online RIS Configuration Learning for Arbitrary Large Numbers of $1$-Bit Phase Resolution Elements},
author = {Kyriakos Stylianopoulos and George C. Alexandropoulos},
journal= {arXiv preprint arXiv:2204.08367},
year = {2022}
}
备注
5 pages, 3 figures, submitted to an IEEE conference