論文の概要: Federated Deep Reinforcement Learning for Energy Efficient Multi-Functional RIS-Assisted Low-Earth Orbit Networks
- arxiv url: http://arxiv.org/abs/2501.11079v1
- Date: Sun, 19 Jan 2025 15:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:23:52.986176
- Title: Federated Deep Reinforcement Learning for Energy Efficient Multi-Functional RIS-Assisted Low-Earth Orbit Networks
- Title(参考訳): エネルギー効率の良い多機能RIS支援低地球軌道ネットワークのためのフェデレーション深部強化学習
- Authors: Li-Hsiang Shen, Jyun-Jhe Huang, Kai-Ten Feng, Lie-Liang Yang, Jen-Ming Wu,
- Abstract要約: 低地球軌道(LEO)に多機能再構成可能な知的表面(MF-RIS)を配置する新しいネットワークアーキテクチャを提案する。
信号反射のみを持つ従来のRISとは異なり、MF-RISは信号の反射、増幅、収穫を行うことができる。
提案するLEO-MF-RISアーキテクチャの有効性を示す。
- 参考スコア(独自算出の注目度): 14.638758375246642
- License:
- Abstract: In this paper, a novel network architecture that deploys the multi-functional reconfigurable intelligent surface (MF-RIS) in low-Earth orbit (LEO) is proposed. Unlike traditional RIS with only signal reflection capability, the MF-RIS can reflect, refract, and amplify signals, as well as harvest energy from wireless signals. Given the high energy demands in shadow regions where solar energy is unavailable, MF-RIS is deployed in LEO to enhance signal coverage and improve energy efficiency (EE). To address this, we formulate a long-term EE optimization problem by determining the optimal parameters for MF-RIS configurations, including amplification and phase-shifts, energy harvesting ratios, and LEO transmit beamforming. To address the complex non-convex and non-linear problem, a federated learning enhanced multi-agent deep deterministic policy gradient (FEMAD) scheme is designed. Multi-agent DDPG of each agent can provide the optimal action policy from its interaction to environments, whereas federated learning enables the hidden information exchange among multi-agents. In numerical results, we can observe significant EE improvements compared to the other benchmarks, including centralized deep reinforcement learning as well as distributed multi-agent deep deterministic policy gradient (DDPG). Additionally, the proposed LEO-MF-RIS architecture has demonstrated its effectiveness, achieving the highest EE performance compared to the scenarios of fixed/no energy harvesting in MF-RIS, traditional reflection-only RIS, and deployment without RISs/MF-RISs.
- Abstract(参考訳): 本稿では、低地球軌道(LEO)に多機能再構成可能な知的表面(MF-RIS)を配置する新しいネットワークアーキテクチャを提案する。
従来の信号反射機能のみを持つRISとは異なり、MF-RISは信号を反射、屈折、増幅し、無線信号からエネルギーを回収することができる。
太陽エネルギーが利用できない影領域の高エネルギー需要を踏まえ、MF-RISはLEOに展開され、信号のカバレッジを高め、エネルギー効率(EE)を向上させる。
そこで我々は,MF-RIS構成の最適パラメータ(増幅,位相シフト,エネルギー回収率,LEOビームビームフォーミングなど)を決定することで,長期EE最適化問題を定式化する。
複雑な非凸問題と非線形問題に対処するため,連合学習による多エージェント深層決定性ポリシー勾配(FEMAD)スキームを設計した。
各エージェントのマルチエージェントDDPGは環境との相互作用から最適なアクションポリシーを提供するが、フェデレーション学習はマルチエージェント間の隠れ情報交換を可能にする。
数値的な結果から,集中型深部強化学習や分散多エージェント深部決定主義政策勾配(DDPG)など,他のベンチマークと比較して大きなEE改善が観察できる。
さらに、提案したLEO-MF-RISアーキテクチャは、MF-RIS、従来のリフレクションのみのRIS、RISやMF-RISを含まないデプロイメントのシナリオと比較して、高いEE性能を実現している。
関連論文リスト
- 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) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered
by Reconfigurable Intelligent Surfaces [30.1512069754603]
本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。
本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
論文 参考訳(メタデータ) (2023-05-18T12:46:42Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-11T13:16:28Z) - Deep Reinforcement Learning Based Joint Downlink Beamforming and RIS
Configuration in RIS-aided MU-MISO Systems Under Hardware Impairments and
Imperfect CSI [0.0]
我々は,光ビームフォーミングと再構成可能なインテリジェントサーフェス(RIS)位相シフトを協調的に最適化する,新しい深部強化学習(DRL)手法を提案する。
提案手法は,現実的なRIS振幅モデルを考慮した不完全チャネル状態情報(CSI)とハードウェア障害の課題に対処する。
論文 参考訳(メタデータ) (2022-10-10T09:37:53Z) - 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) - 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) - 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) - Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems
Exploiting Deep Reinforcement Learning [21.770491711632832]
再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。
本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。
提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
論文 参考訳(メタデータ) (2020-02-24T04:28:44Z)
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。