STAR-RIS-UAV 辅助网络的速率最大化：基于 CA-DDPG 的联合优化
机器学习
2025-12-02 v1
摘要
随着可编程材料的快速发展，可重构智能天urface(RIS)已成为未来无线通信的关键技术。能够同时传输和反射信号的双向传输可重构智能天urface(STAR-RIS)能够实现全面的信号控制，拓展应用场景。本文引入无人机(UAV)以进一步增强系统灵活性，提出一种针对 STAR-RIS-UAV 辅助无线通信系统的谱效率优化设计。我们提出了一种深度强化学习(DRL)算法，能够通过与环境的持续互动，迭代优化波束赋形、相位 shifts 和 UAV 位置，以最大化系统的总速率。在提高确定性策略探索方面，我们引入了随机扰动因子，以增强探索能力。由于探索能力的增强，算法准确评估状态-动作价值函数的能力变得至关重要。因此，基于深度确定性策略梯度(DDPG)算法，我们提出了一种卷积增强深度确定性策略梯度(CA-DDPG)算法，在探索与评估之间取得平衡，以提高系统的总速率。仿真结果表明，CA-DDPG 算法能够与环境有效互动，优化波束矩阵、相位矩阵和 UAV 位置，从而提高系统容量，实现其他算法的更好性能。
引用
@article{arxiv.2512.01202,
title = {Sum Rate Maximization in STAR-RIS-UAV-Assisted Networks: A CA-DDPG Approach for Joint Optimization},
author = {Yujie Huang and Haibin Wan and Xiangcheng Li and Tuanfa Qin and Yun Li and Jun Li and Wen Chen},
journal= {arXiv preprint arXiv:2512.01202},
year = {2025}
}
备注
14 pages, 12 figures