面向多活RIS辅助上行通信的混合深度强化学习资源分配
人工智能
2025-12-29 v1
摘要
主动可重构智能表面（RIS）是6G无线网络的热门技术。本文研究一种 novel 混合深度强化学习（DRL）框架，用于多用户上行系统中由多个活RIS辅助的资源分配。目标是通过联合优化用户发射功率、活RIS配置和基站波束赋形，最大化最低用户速率。我们推导了最优波束赋形的闭式解，并采用深度强化学习算法：柔性演员-评论家（SAC）、深度确定性策略梯度（DDPG）和双经典 DDPG（TD3）求解高维、非凸的功率和RIS优化问题。仿真结果表明，SAC 在高学习率下实现卓越性能，收敛更快，计算成本更低，优于 DDPG 和 TD3。此外，最优波束赋形的闭式解有效提升了最低速率。
引用
@article{arxiv.2512.22106,
title = {Pruning as a Game: Equilibrium-Driven Sparsification of Neural Networks},
author = {Zubair Shah and Noaman Khan},
journal= {arXiv preprint arXiv:2512.22106},
year = {2025}
}
备注
Preprint. Under review / to be submitted to a conference