多波段共生无线电非正交多址(NOMA)网络中利用主动型空天频率选项资源分配辅助实现和维护总吞吐量最大化
内容提要
该文综述可重构智能表面(RIS)与NOMA、RSMA等技术结合的多用户通信研究,通过联合用户配对、波束赋形与相位控制,并结合深度学习与优化算法,最大化总吞吐量与能量效率,降低发射功率,提升频谱效率和通信成功率。
延伸解读
技术组合的协同逻辑
文章梳理了RIS与NOMA、RSMA等技术的结合方式:RIS通过相位控制重构信道,NOMA/RSMA则提升多用户接入效率。两者联合优化用户配对、波束赋形与相位,可在同一资源上服务更多用户,从而提升总吞吐量和频谱效率。这种协同并非简单叠加,而是需要联合设计以发挥各自优势。
优化目标与算法选择
从综述看,研究目标集中在最大化总吞吐量、能量效率或最小化发射功率,约束则涉及用户信噪比、功率限制和离散相移等。求解方法包括传统优化(如双重方法)与深度学习(D3QN、DDPG等),后者适合动态环境下的资源分配,但需注意其性能依赖训练数据和场景假设。
实际部署的考量因素
文章提到有限阶离散相移、反射元素数量等实际限制。数值结果表明,提高相位移动粒度和增加反射元素可提升数据收益,但也会增加硬件复杂度和成本。此外,基于能量收集的RIS方案需应对通信状态和能源的动态变化,说明实际系统需在性能与实现难度间权衡。
对比基准与性能边界
多项研究以OMA、MRT、ZF等作为基准,显示RIS辅助的NOMA/RSMA系统在能量效率、总速率或发射功率上具有优势,例如总发射功率降低可达94%和27%。但这些结果依赖于特定场景和参数设置,读者应关注其仿真条件,不宜直接外推到所有部署环境。
Q&A
可重构智能表面(RIS)在NOMA网络中如何帮助提高总吞吐量?
通过联合用户配对和波束赋形设计,解决用户配对问题和波束赋形向量优化问题,从而最大化多用户的总吞吐量。
在RIS辅助的NOMA系统中,如何利用深度学习进行资源分配?
利用深度学习算法(如D3QN、DDPG)解决动态资源分配中的非凸问题,优化用户分组和RIS相位移动矩阵,提高总数据率和通信成功率。
RSMA与RIS结合在MISO广播信道中有什么优势?
通过优化全连接RIS的散射矩阵与发送波束形成器,在最大化总速率的同时大幅提高频谱效率。
如何通过RIS和发射功率控制最小化多用户网络的总发射功率?
通过控制RIS的相位波束和基站的发射功率,在满足用户信噪比约束下最小化总发射功率,相比MRT和ZF波束成形分别降低高达94%和27%。
基于能量收集的RIS辅助NOMA系统如何提高谱效率和通信成功率?
采用深度学习算法解决用户通信状态和可利用能源动态变化导致的非凸问题,获得比基准算法更好的通信成功率表现。
在RIS辅助的NOMA下行传输中,如何优化用户分组和相位移动矩阵?
采用长期随机优化问题和改进的移动对象迁移自动化算法(MOMA)优化用户分组和RIS相位移动矩阵,并结合DDPG算法控制反射元素,实现动态资源分配。