.png){kind=icon}
返回
iRIS: A Deep Policy Learning Framework for Intelligent Distribution of RIS Elements
.png){kind=icon}
PRE
AI
DOI：10.1109/OJCOMS.2025.3645826.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，大量研究将可重构智能表面（RIS）视为无线通信系统中的重要构建模块。然而，在多用户场景下优化RIS单元仍是一项开放性挑战。实际上，在多用户场景下，RIS单元在用户间的分割并非最优且可行的解决方案，因为任何子组单元都会反射其接收到的所有信号，而不仅仅是目标用户的信号。本文提出了一种新颖且首创的策略驱动框架——Ingenious Reconfigurable Intelligent Surface（iRIS），旨在优化无线通信系统中RIS单元的分配。利用一个模拟动态信道衰落和用户位置的环境，iRIS框架采用具有自定义奖励函数的深度神经网络作为策略网络，预测最优分配策略，并动态适应变化的信道条件。通过配备神经策略近似的自适应学习机制，iRIS能够实现RIS单元在多用户对间的智能分配，以最大化RIS辅助动态信道下的系统性能。iRIS支持复杂的分配策略，并允许对RIS-用户交互进行真实建模。此外，推导出一个命名为SAYS的分布函数，用于建模RIS单元的分配过程，并提供关于分配过程的统计特性洞察。所提出的基于机器学习的RIS分配提供了低开销和高效的多用户通信。结果表明，适度的相位量化通过平衡复杂性与性能，确保了在实际系统中的可部署性。所实现的和速率表明，iRIS在动态信道中始终最大化通信性能，同时保持用户间的公平性。值得注意的是，由于所提出的框架仅涉及被动RIS单元，因此可以有效地应用于功耗受限的系统。
Keyword:
RIS
ML
policy-driven network
sum-rate
期刊
I
IF:
6.1
论文数:
562
被引数:
0
机构
引用论文
Deep Reinforcement Learning for RIS-Assisted Multi-UAV MU-MISO Communication Networks: Sum-Rate and Energy Efficiency Maximization基于RIS辅助的多无人机MU-MISO通信网络的深度强化学习：和速率与能量效率最大化
OAAI
.png){kind=icon}
OAAI分享收藏UAV-RIS Enabled NOMA Network for Disaster Management With Hardware ImpairmentsUAV-RIS支持的含硬件损伤的NOMA网络在灾害管理中的应用
PREAI
分享收藏Towards Smart and Reconfigurable Environment: Intelligent Reflecting Surface Aided Wireless Network
OAAI
OAAI分享收藏Adaptive RIS Design and Optimization for Cooperative RIS-Assisted Wireless Systems协同RIS辅助无线系统中的自适应RIS设计与优化OAAI
OAAI分享收藏A Survey on Model-Based, Heuristic, and Machine Learning Optimization Approaches in RIS-Aided Wireless NetworksRIS辅助无线网络中基于模型，启发式和机器学习的优化方法综述OAAI
OAAI分享收藏
查看更多内容