論文の概要: Joint User Pairing and Beamforming Design of Multi-STAR-RISs-Aided NOMA
in the Indoor Environment via Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2311.08708v2
- Date: Fri, 17 Nov 2023 03:12:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 11:53:00.945470
- Title: Joint User Pairing and Beamforming Design of Multi-STAR-RISs-Aided NOMA
in the Indoor Environment via Multi-Agent Reinforcement Learning
- Title(参考訳): マルチエージェント強化学習による屋内環境におけるマルチスター型NOMAのユーザペアリングとビームフォーミング設計
- Authors: Yu Min Park, Yan Kyaw Tun, Choong Seon Hong
- Abstract要約: NOMAでは複数のユーザが同じリソースを共有できるため、システムのスペクトル効率が向上する。
STAR-RISは、カバレッジの向上、スペクトル効率の向上、通信信頼性の向上を実現している。
しかし、STAR-RISは反射と透過に対応する振幅と位相シフトを同時に最適化する必要がある。
- 参考スコア(独自算出の注目度): 15.95700167294255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of 6G/B5G wireless networks, which have requirements that go
beyond current 5G networks, is gaining interest from academia and industry.
However, to increase 6G/B5G network quality, conventional cellular networks
that rely on terrestrial base stations are constrained geographically and
economically. Meanwhile, NOMA allows multiple users to share the same
resources, which improves the spectral efficiency of the system and has the
advantage of supporting a larger number of users. Additionally, by
intelligently manipulating the phase and amplitude of both the reflected and
transmitted signals, STAR-RISs can achieve improved coverage, increased
spectral efficiency, and enhanced communication reliability. However, STAR-RISs
must simultaneously optimize the amplitude and phase shift corresponding to
reflection and transmission, which makes the existing terrestrial networks more
complicated and is considered a major challenging issue. Motivated by the
above, we study the joint user pairing for NOMA and beamforming design of
Multi-STAR-RISs in an indoor environment. Then, we formulate the optimization
problem with the objective of maximizing the total throughput of MUs by jointly
optimizing the decoding order, user pairing, active beamforming, and passive
beamforming. However, the formulated problem is a MINLP. To address this
challenge, we first introduce the decoding order for NOMA networks. Next, we
decompose the original problem into two subproblems, namely: 1) MU pairing and
2) Beamforming optimization under the optimal decoding order. For the first
subproblem, we employ correlation-based K-means clustering to solve the user
pairing problem. Then, to jointly deal with beamforming vector optimizations,
we propose MAPPO, which can make quick decisions in the given environment owing
to its low complexity.
- Abstract(参考訳): 現在の5Gネットワークを超える要件を持つ6G/B5G無線ネットワークの開発は、アカデミックや業界から関心を集めている。
しかし、6g/b5gネットワークの品質を向上させるため、地上基地局に依存する従来のセルラーネットワークは地理的にも経済的にも制約を受ける。
一方、NOMAでは複数のユーザが同じリソースを共有できるため、システムのスペクトル効率が向上し、より多くのユーザをサポートする利点がある。
さらに、反射信号と伝送信号の両方の位相と振幅をインテリジェントに操作することで、スターrisはカバー率の向上、スペクトル効率の向上、通信信頼性の向上を実現できる。
しかし、STAR-RISは反射と透過に対応する振幅と位相のシフトを同時に最適化する必要があるため、既存の地上ネットワークはより複雑になり、大きな課題となっている。
以上のことから,室内環境におけるNOMAのユーザペアリングとマルチSTAR-RISのビームフォーミング設計について検討した。
次に、復号順序、ユーザペアリング、アクティブビームフォーミング、受動ビームフォーミングを共同で最適化することにより、MUの総スループットを最大化する目的で最適化問題を定式化する。
しかし、定式化問題は MINLP である。
この課題に対処するために,まずNOMAネットワークのデコード順序を導入する。
次に、元の問題を2つのサブプロブレムに分解する。
1)MUペアリングとMUペアリング
2)最適復号順序でのビームフォーミング最適化
最初の部分問題として,相関型k平均クラスタリングを用いてユーザペアリング問題を解決する。
そこで本研究では,ビームフォーミングベクトル最適化を共同で扱うMAPPOを提案する。
関連論文リスト
- Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。
計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。
本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-28T17:04:41Z) - DRL Enabled Coverage and Capacity Optimization in STAR-RIS Assisted
Networks [55.0821435415241]
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。
論文 参考訳(メタデータ) (2022-09-01T14:54:36Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - 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) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳(メタデータ) (2021-06-20T13:51:18Z) - Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study [29.884417706421218]
本研究では,無線センサネットワーク(WNS)の高次元での最適化について,分散検出の電力配分に着目して検討する。
大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し比較する。
我々は,300次元,600次元,800次元の場合には,アルゴリズムの性能をいくつかの異なるケースで評価した。
論文 参考訳(メタデータ) (2021-02-22T18:59:22Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Multi-Agent Reinforcement Learning for Adaptive User Association in
Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。
ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。
シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文 参考訳(メタデータ) (2020-06-16T10:51:27Z)
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。