返回
Joint Beamforming With Extremely Large Scale RIS: A Sequential Multi-Agent A2C Approach
DOI:10.1109/LWC.2026.3660067.png)
摘要
En 中文
在RIS辅助的多用户多输入单输出(MU-MISO)系统中,联合优化基站(BS)预编码矩阵和可重构智能表面(RIS)相位具有挑战性,尤其是在RIS规模极大的情况下。本文提出了一种基于顺序多智能体优势演员-评论家(A2C)框架的深度强化学习(DRL)方法,该方法考虑了离散RIS相位、不完善的信道状态信息(CSI)以及用户间信道相关性。分析了计算复杂度,并将所提出的方法与零强制(ZF)、最小均方误差(MMSE)以及单智能体A2C波束成形器在总频谱效率(SE)方面进行了比较。仿真结果表明,所提出的算法能够实现更高的SE,并对适度的信道估计误差具有一定的鲁棒性。
Keyword:
RIS
joint beamforming
multi-agent deep reinforcement learning
期刊
I
IF:
5.5
论文数:
824
被引数:
0
机构
引用论文
Joint Beamforming and Reflecting Design in Reconfigurable Intelligent Surface-Aided Multi-User Communication Systems可重构智能表面辅助多用户通信系统中的联合波束形成和反射设计
Joint Design of Hybrid Beamforming and Reflection Coefficients in RIS-Aided mmWave MIMO SystemsRIS辅助毫米波MIMO系统中混合波束成形和反射系数的联合设计

