Generative diffusion-driven AO framework for energy-efficient downlink STAR-RIS aided RSMA systems

Xue, Fucheng

doi:10.1016/j.comnet.2026.112650

Generative diffusion-driven AO framework for energy-efficient downlink STAR-RIS aided RSMA systems

2026-08-01

0

PRE

AI

DOI：10.1016/j.comnet.2026.112650

原文链接

原文求助

摘要

En 中文

本文研究了面向IIoT网络下行链路STAR-RIS辅助的速率分割多址接入（RSMA）系统的能量效率（EE）优化问题。为解耦波束成形、速率分配与STAR-RIS配置之间的非凸交互，我们提出了一种混合框架，称为AO-ADAC（交替优化与扩散型演员-评论家）。在外层，Dinkelbach-WMMSE求解器确保理论可解释性，而内层引入基于生成扩散的智能体优化高维RIS控制变量。与传统的基于策略的方法不同，我们的扩散型演员利用反向去噪机制和自注意力模块捕捉RIS元素间的复杂空间依赖关系，并生成多模态策略分布，有效避免局部最优。具体而言，AO-ADAC算法交替求解三个子问题，确保EE单调提升并收敛至KKT驻点。大量仿真表明，AO-ADAC在EE、收敛稳定性及可扩展性方面显著优于传统最先进（SOTA）的迭代优化（AO-SCA）和先进深度强化学习（DRL）基线（AO-SAC、AO-DDPG）。此外，结果验证了STAR-RIS相比纯反射式RIS具有更优的双向覆盖和功率利用率，证实了所提出的扩散驱动框架是绿色智能IIoT通信的高效范式。

Keyword:

IIOT

RSMA

STAR-RIS

Generative diffusion model

Actor-Critic

Reinforcement learning

Generative diffusion-driven AO framework for energy-efficient downlink STAR-RIS aided RSMA systems

摘要

期刊

机构

引用论文