論文の概要: DRL Enabled Coverage and Capacity Optimization in STAR-RIS Assisted
Networks
- arxiv url: http://arxiv.org/abs/2209.00511v2
- Date: Mon, 24 Jul 2023 15:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 01:02:08.662221
- Title: DRL Enabled Coverage and Capacity Optimization in STAR-RIS Assisted
Networks
- Title（参考訳）: STAR-RIS支援ネットワークにおけるDRLのカバーとキャパシティ最適化
- Authors: Xinyu Gao, Wenqiang Yi, Yuanwei Liu, Jianhua Zhang, Ping Zhang
- Abstract要約: 無線通信における新たなパラダイムとして,STAR-RISのカバレッジとキャパシティ性能の分析が不可欠だが難しい。
STAR-RIS支援ネットワークにおけるカバレッジとキャパシティ最適化の問題を解決するために,多目的ポリシー最適化(MO-PPO)アルゴリズムを提案する。
MO-PPOアルゴリズムの性能向上のために、アクション値ベースの更新戦略(AVUS)と損失関数ベースの更新戦略(LFUS)の2つの更新戦略を検討した。
- 参考スコア（独自算出の注目度）: 55.0821435415241
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simultaneously transmitting and reflecting reconfigurable intelligent
surfaces (STAR-RISs) is a promising passive device that contributes to a
full-space coverage via transmitting and reflecting the incident signal
simultaneously. As a new paradigm in wireless communications, how to analyze
the coverage and capacity performance of STAR-RISs becomes essential but
challenging. To solve the coverage and capacity optimization (CCO) problem in
STAR-RIS assisted networks, a multi-objective proximal policy optimization
(MO-PPO) algorithm is proposed to handle long-term benefits than conventional
optimization algorithms. To strike a balance between each objective, the MO-PPO
algorithm provides a set of optimal solutions to form a Pareto front (PF),
where any solution on the PF is regarded as an optimal result. Moreover, in
order to improve the performance of the MO-PPO algorithm, two update
strategies, i.e., action-value-based update strategy (AVUS) and loss
function-based update strategy (LFUS), are investigated. For the AVUS, the
improved point is to integrate the action values of both coverage and capacity
and then update the loss function. For the LFUS, the improved point is only to
assign dynamic weights for both loss functions of coverage and capacity, while
the weights are calculated by a min-norm solver at every update. The numerical
results demonstrated that the investigated update strategies outperform the
fixed weights MO optimization algorithms in different cases, which includes a
different number of sample grids, the number of STAR-RISs, the number of
elements in the STAR-RISs, and the size of STAR-RISs. Additionally, the
STAR-RIS assisted networks achieve better performance than conventional
wireless networks without STAR-RISs. Moreover, with the same bandwidth,
millimeter wave is able to provide higher capacity than sub-6 GHz, but at a
cost of smaller coverage.
- Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(STAR-RISs)は、インシデント信号の送信とリフレクションを同時に行うことで、フルスペースカバレッジに寄与する有望なパッシブデバイスである。
無線通信における新しいパラダイムとして、STAR-RISのカバレッジとキャパシティ性能を分析する方法が不可欠であるが、難しい。
STAR-RIS支援ネットワークにおけるカバレッジとキャパシティ最適化(CCO)の問題を解決するために,従来の最適化アルゴリズムよりも長期的利益を扱うために,MO-PPOアルゴリズムを提案する。
それぞれの目的のバランスをとるために、MO-PPOアルゴリズムは最適解のセットを提供し、PF上の任意の解を最適結果と見なすパレートフロント(PF)を形成する。
さらに,MO-PPOアルゴリズムの性能向上のために,アクション値ベースの更新戦略(AVUS)と損失関数ベースの更新戦略(LFUS)の2つの更新戦略を検討した。
AVUSでは、改善されたポイントは、カバレッジとキャパシティの両方のアクション値を統合し、損失関数を更新することである。
LFUSでは、改善点は、カバーとキャパシティの両方の損失関数に動的重みを割り当てることに過ぎず、その重みは更新毎にmin-normソルバによって計算される。
解析の結果,提案手法は,サンプルグリッド数,STAR-RIS数,STAR-RIS数,STAR-RISのサイズなど,様々なケースにおいて,固定重み付けMO最適化アルゴリズムよりも優れていることがわかった。
さらにSTAR-RISはSTAR-RISを使わずに従来の無線ネットワークよりも優れた性能を実現する。
さらに、同じ帯域幅で、ミリ波はサブ-6ghzよりも高い容量を提供することができるが、カバー幅は小さい。
関連論文リスト
- Multi-Agent Deep Reinforcement Learning for Energy Efficient Multi-Hop STAR-RIS-Assisted Transmissions [9.462149599416263]
マルチホップSTAR-RISの新たなアーキテクチャを提案し、より広い範囲のフルプレーンサービスカバレッジを実現する。
提案アーキテクチャは,モードスイッチングベースのSTAR-RISや従来のRIS,RISやSTAR-RISを使わずに展開するよりも高いエネルギー効率を実現する。
論文 参考訳（メタデータ） (2024-07-26T09:35:50Z) - Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。
WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
論文 参考訳（メタデータ） (2024-07-18T02:46:06Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-04-13T13:52:22Z) - Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep
Reinforcement Learning [78.50920340621677]
同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。
本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。
基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
論文 参考訳（メタデータ） (2021-11-30T15:01:19Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。