BriefGPT - AI 论文速递
·
移动用户的高效公平 STAR-RIS
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本研究提出了一种提高移动用户进行同时传输和反射的可重构智能表面（STAR-RIS）能量效率和公平性的方法。通过引入次表面分配变量来确定分配给每个用户的STAR-RIS元素的数量，并利用深度强化学习技术解决优化问题。实验结果表明，该方法能够在能量高效的条件下，为传输和反射空间中的所有用户实现相当高且近乎相等的数据速率。
🎯
关键要点
- 本研究提出了一种提高移动用户进行同时传输和反射的可重构智能表面（STAR-RIS）能量效率和公平性的方法。
- 引入次表面分配变量来确定分配给每个用户的STAR-RIS元素的数量。
- 优化STAR-RIS的相位偏移和次表面分配变量，将优化问题转化为新颖的形式。
- 利用深度强化学习（DRL）技术解决优化问题，预测STAR-RIS的相位偏移并高效分配元素。
- 在DRL模型中加入惩罚项，促进非使用状态下的STAR-RIS元素智能停用，以增强能量效率。
- 实验结果表明，该方法能够在能量高效的条件下，为所有用户实现高且近乎相等的数据速率。
➡️
