論文の概要: Energy Efficient Fair STAR-RIS for Mobile Users
- arxiv url: http://arxiv.org/abs/2407.06868v1
- Date: Tue, 9 Jul 2024 13:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 17:47:35.277067
- Title: Energy Efficient Fair STAR-RIS for Mobile Users
- Title（参考訳）: モバイルユーザのためのエネルギー効率の高いフェアSTAR-RIS
- Authors: Ashok S. Kumar, Nancy Nayak, Sheetal Kalyani, Himal A. Suraweera,
- Abstract要約: 本稿では,各ユーザに対して割り当てるSTAR-RIS要素の個数を決定するパラメータとして,サブサイト代入変数(subground assignment variable)を提案する。
次に,STAR-RISの位相シフトと地下配置変数を同時に最適化することにより,新しい最適化問題を定式化する。
提案手法は, 伝送空間と反射空間の両方において, 全ユーザに対して, かなり高いデータレートとほぼ等しいデータレートが得られることを示す。
- 参考スコア（独自算出の注目度）: 10.497111272905917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this work, we propose a method to improve the energy efficiency and fairness of simultaneously transmitting and reflecting reconfigurable intelligent surfaces (STAR-RIS) for mobile users, ensuring reduced power consumption while maintaining reliable communication. To achieve this, we introduce a new parameter known as the subsurface assignment variable, which determines the number of STAR-RIS elements allocated to each user. We then formulate a novel optimization problem by concurrently optimizing the phase shifts of the STAR-RIS and subsurface assignment variable. We leverage the deep reinforcement learning (DRL) technique to address this optimization problem. The DRL model predicts the phase shifts of the STAR-RIS and efficiently allocates elements of STAR-RIS to the users. Additionally, we incorporate a penalty term in the DRL model to facilitate intelligent deactivation of STAR-RIS elements when not in use to enhance energy efficiency. Through extensive experiments, we show that the proposed method can achieve fairly high and nearly equal data rates for all users in both the transmission and reflection spaces in an energy-efficient manner.
- Abstract（参考訳）: 本研究では,モバイルユーザに対して,再構成可能なインテリジェントサーフェス(STAR-RIS)を同時に送信・反射するエネルギー効率と公平性を向上し,信頼性の高い通信を維持しながら消費電力の低減を図る手法を提案する。
そこで本研究では,各ユーザに対して割り当てるSTAR-RIS要素の個数を決定するパラメータとして,サブサイト代入変数(subground assignment variable)を提案する。
次に,STAR-RISの位相シフトと地下配置変数を同時に最適化することにより,新しい最適化問題を定式化する。
我々は、この最適化問題に対処するために、深層強化学習(DRL)技術を利用する。
DRLモデルはSTAR-RISの位相シフトを予測し、STAR-RISの要素をユーザに効率的に割り当てる。
さらに, DRLモデルにペナルティ項を組み込んで, エネルギー効率を高めるために使用していない場合のSTAR-RIS要素の知的不活性化を促進する。
広範にわたる実験により,提案手法は,伝送空間と反射空間の両方において,エネルギー効率のよい方法で,高いデータレートとほぼ等しいデータレートが得られることを示す。
関連論文リスト
- Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。
手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。
提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
論文 参考訳（メタデータ） (2024-09-27T13:05:02Z) - 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) - 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) - Scalable Volt-VAR Optimization using RLlib-IMPALA Framework: A
Reinforcement Learning Approach [11.11570399751075]
本研究は, 深層強化学習(DRL)の可能性を活用した新しい枠組みを提案する。
DRLエージェントをRAYプラットフォームに統合することにより、RAYのリソースを効率的に利用してシステム適応性と制御を改善する新しいフレームワークであるRLlib-IMPALAの開発が容易になる。
論文 参考訳（メタデータ） (2024-02-24T23:25:35Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - 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) - 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。