可重构智能表面辅助的移动边缘计算：从基于优化的方案到仅依赖位置的基于学习的方案

在本文中，我们探讨了在可重构智能表面（RIS）辅助的多用户移动边缘计算（MEC）系统中的基于优化与数据驱动的解决方案，其中用户设备（UE）可将其计算任务部分卸载至接入点（AP）。我们的目标是在给定时隙内通过联合优化 RIS 反射系数、AP 的接收波束成形向量以及 UE 用于本地计算与卸载的能量分配策略，在有限能量预算下最大化所有 UE 的总完成任务输入比特数（TCTB）。我们首先提出一种三步块坐标下降（BCD）算法，以有效求解该非凸 TCTB 最大化问题并保证收敛。为降低计算复杂度并便于优化算法的轻量级在线实现，我们进一步构建了两种深度学习架构。第一种以信道状态信息（CSI）作为输入，第二种仅利用 UE 的位置进行在线推断。这两种数据驱动方法通过使用 BCD 算法生成的数据样本经监督学习训练。我们的仿真结果表明，基于优化的 BCD 算法与低复杂度基于学习的架构性能接近，且在具备完美与不完美输入特征两种情况下均优于现有方案。重要的是，仅依赖位置的深度学习方法被证明提供了一种特别实用且鲁棒的解决方案，在 UE 与 AP 间存在视距（LoS）直连链路时免除了 CSI 估计与反馈的需求。