論文の概要: Multi-Agent Deep Reinforcement Learning for Energy Efficient Multi-Hop STAR-RIS-Assisted Transmissions

• arxiv url: http://arxiv.org/abs/2407.18627v1
• Date: Fri, 26 Jul 2024 09:35:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:50:27.552619
• Title: Multi-Agent Deep Reinforcement Learning for Energy Efficient Multi-Hop STAR-RIS-Assisted Transmissions
• Title（参考訳）: エネルギー効率の良いマルチホップSTAR-RISアシスト伝送のためのマルチエージェント深部強化学習
• Authors: Pei-Hsiang Liao, Li-Hsiang Shen, Po-Chen Wu, Kai-Ten Feng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.462149599416263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneously transmitting and reflecting reconfigurable intelligent surface (STAR-RIS) provides a promising way to expand coverage in wireless communications. However, limitation of single STAR-RIS inspire us to integrate the concept of multi-hop transmissions, as focused on RIS in existing research. Therefore, we propose the novel architecture of multi-hop STAR-RISs to achieve a wider range of full-plane service coverage. In this paper, we intend to solve active beamforming of the base station and passive beamforming of STAR-RISs, aiming for maximizing the energy efficiency constrained by hardware limitation of STAR-RISs. Furthermore, we investigate the impact of the on-off state of STAR-RIS elements on energy efficiency. To tackle the complex problem, a Multi-Agent Global and locAl deep Reinforcement learning (MAGAR) algorithm is designed. The global agent elevates the collaboration among local agents, which focus on individual learning. In numerical results, we observe the significant improvement of MAGAR compared to the other benchmarks, including Q-learning, multi-agent deep Q network (DQN) with golbal reward, and multi-agent DQN with local rewards. Moreover, the proposed architecture of multi-hop STAR-RISs achieves the highest energy efficiency compared to mode switching based STAR-RISs, conventional RISs and deployment without RISs or STAR-RISs.
• Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(STAR-RIS)の同時送信と反射は、無線通信のカバレッジを拡大する有望な方法である。 しかし、単一のSTAR-RISの制限は、既存の研究においてRISに焦点を当てたマルチホップ伝送の概念を統合するきっかけとなった。 そこで本研究では,マルチホップSTAR-RISの新たなアーキテクチャを提案する。 本稿では,STAR-RISのハードウェア制限によるエネルギー効率の最大化を目的として,基地局のアクティブビームフォーミングと受動ビームフォーミングを解決する。 さらに,STAR-RIS素子のオンオフ状態がエネルギー効率に及ぼす影響について検討した。 複雑な問題に対処するために、Multi-Agent Global and locAl Deep Reinforcement Learning (MAGAR)アルゴリズムが設計されている。 グローバルエージェントは、個々の学習に焦点を当てたローカルエージェント間のコラボレーションを高める。 数値的な結果から,Q-learning,マルチエージェントディープQネットワーク(DQN),マルチエージェントディープQN(DQN),マルチエージェントディープQN(DQN)といった他のベンチマークと比較して,MAGARの大幅な改善が見られた。 さらに、マルチホップSTAR-RISのアーキテクチャは、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している。

関連論文リスト

• Energy Efficient Fair STAR-RIS for Mobile Users [10.497111272905917]
  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。
  論文  参考訳（メタデータ） (2024-07-09T13:56:59Z)
• 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)
• 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)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• 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)
• Channel Estimation and Hybrid Architectures for RIS-Assisted Communications [6.677785070549226]
  再構成可能なインテリジェントサーフェス(ris)は、次期第6世代(6g)無線通信システムの潜在的な技術と考えられている。 1つまたは複数のRISをデプロイすることで得られる利点は、スペクトルとエネルギー効率の向上、接続性の向上、通信範囲の拡大、トランシーバーの複雑さの低減である。
  論文  参考訳（メタデータ） (2021-04-14T20:28:09Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
  SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
  論文  参考訳（メタデータ） (2020-07-09T17:08:44Z)

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。