論文の概要: Movable-Element Multi-Functional RIS-Assisted Hybrid RSMA-NOMA: A Constrained Hybrid Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2610.34701v1
- Date: Mon, 26 Oct 2026 01:46:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.674843
- Title: Movable-Element Multi-Functional RIS-Assisted Hybrid RSMA-NOMA: A Constrained Hybrid Reinforcement Learning Approach
- Title（参考訳）: 移動要素多機能RIS支援ハイブリッドRSMA-Noma : 制約付きハイブリッド強化学習アプローチ
- Abstract要約: 本稿では,MF-RISアーキテクチャ (MF-RIS) を提案する。
MM-RISは、適応的な信号伝達、増幅、エネルギー回収と要素移動性を統合している。
- 参考スコア（独自算出の注目度）: 4.02185297590683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a movable-element (ME) multi-functional reconfigurable intelligent surface (MF-RIS) architecture, termed MM-RIS, which integrates element mobility with adaptive signal reflection, transmission, amplification, and energy harvesting (EH) to enhance communication flexibility and energy self-sustainability. A hybrid rate-splitting multiple access (RSMA) and non-orthogonal multiple access (NOMA) transmission scheme is further designed to improve spectral efficiency. We formulate an energy efficiency (EE) maximization problem by jointly optimizing transmit beamforming, power and rate allocation, MM-RIS configurations, panel deployment, and ME positions. To address the resulting non-convex mixed continuous-discrete optimization problem, we propose constrained hybrid deep reinforcement learning with federated transformer and parametrized sharing (CRAFTS). CRAFTS integrates multi-agent proximal policy optimization (MAPPO) and multi-agent deep Q-networks (MADQN) through bi-directional parametrized sharing to handle continuous and discrete actions, respectively. Moreover, a transformer-based architecture and federated learning (FL) are incorporated to enhance state representation and distributed knowledge sharing, whilst a Lagrangian-based adaptive penalty mechanism facilitates the constraint satisfaction. Simulation results have demonstrated that the proposed MM-RIS architecture and CRAFTS framework substantially improve EE and constraint satisfaction compared to the benchmarks in the open literature. Moreover, the results validate the benefits of spatially reconfigurable MM-RIS, hybrid RSMA-NOMA transmissions, and intelligent collaborative learning, highlighting the potential of the proposed framework for energy-efficient and adaptive next-generation wireless networks.
- Abstract（参考訳）: 本稿では,MF-RISアーキテクチャ(MF-RIS)を提案する。このアーキテクチャは,適応的な信号反射,伝送,増幅,エネルギー回収(EH)と要素移動性を統合し,通信の柔軟性とエネルギー自給性を向上させる。
さらに、スペクトル効率を向上させるために、ハイブリッドレート分割多重アクセス(RSMA)と非直交多重アクセス(NOMA)伝送方式を設計する。
我々は,送信ビームフォーミング,パワーとレートの割り当て,MM-RIS構成,パネル配置,ME位置を共同最適化することにより,エネルギー効率(EE)の最大化問題を定式化する。
連成変圧器とパラメタライズド・シェアリング(CRAFTS)を用いた制約付きハイブリッド強化学習を提案する。
CRAFTSは、双方向のパラメタライズド共有を通じて、MAPPO(Multi-agent proximal Policy Optimization)とMADQN(Multi-agent Deep Q-networks)を統合して、連続的なアクションと離散的なアクションをそれぞれ処理する。
さらに、状態表現と分散知識共有を強化するためにトランスフォーマーベースのアーキテクチャとフェデレートラーニング(FL)が組み込まれ、ラグランジアンベースの適応的ペナルティ機構は制約満足度を促進する。
シミュレーションの結果,提案するMM-RISアーキテクチャとCRAFTSフレームワークは,オープン文献のベンチマークと比較すると,EEと制約満足度を大幅に向上することが示された。
さらに、空間再構成可能なMM-RIS、ハイブリッドRSMA-NOMA伝送、インテリジェント協調学習の利点を検証し、エネルギー効率と適応的な次世代無線ネットワークのためのフレームワークの可能性を強調した。
関連論文リスト
- Aerial Multi-Functional RIS in Fluid Antennas-Aided Full-Duplex Networks: A Self-Optimized Hybrid Deep Reinforcement Learning Approach [4.02185297590683]
本稿では,自律型無人航空機 (AAV) と多機能再構成可能な表面 (MFRIS) をインテリジェント表面 (FA) AMRIS として提案する。
FAは信号、増幅、増幅、エネルギー回収(EH)を統合し、信号のカバレッジと持続可能性を向上させる。
我々は,AMRISのユーザ電力構成であるBS ULにおける送信ビームフォーミングを共同最適化することにより,全体のエネルギー効率(EE)を最大化することを目指している。
論文 参考訳（メタデータ） (2026-04-15T18:06:48Z) - Parametrized Sharing for Multi-Agent Hybrid DRL for Multiple Multi-Functional RISs-Aided Downlink NOMA Networks [3.578480064788939]
多機能再構成可能な知的表面(MF-RIS)は、その能動RIS能力とエネルギ収穫(EH)による自己持続性から、通信効率を向上させるために考案された。
我々は、MF-RISの位置だけでなく、振幅、位相シフト、EH比の電力割り当て、ビームフォーミング、MF-RIS構成を最適化することでエネルギー効率の問題を定式化する。
マルチエージェントハイブリッド強化学習(PMHRL)のためのパラメータ化共有方式を設計し、マルチエージェントポリシー最適化(PPO)とディープQネットワーク(D)を設計する。
論文 参考訳（メタデータ） (2026-01-02T02:44:30Z) - RIS-Assisted Downlink Pinching-Antenna Systems: GNN-Enabled Optimization Approaches [51.56300276709421]
本稿では,マルチユーザダウンリンク情報伝送のための再構成可能なマルチ導波路ピンチアンテナ (PASS) システムについて検討する。
RIS支援PASSのグラフ構造トポロジを活用することで,ユーザ位置に基づいてPA位置を学習する新しい3段階グラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2025-11-25T13:43:44Z) - Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - Multi-Functional RIS-Enabled in SAGIN for IoT: A Hybrid Deep Reinforcement Learning Approach with Compressed Twin-Models [4.02185297590683]
宇宙空間におけるモノのインターネットのための統合ネットワーク(SAGIN)について検討した。
MF-RISは同時に無線エネルギーを増幅し、回収することができる。
論文 参考訳（メタデータ） (2025-07-22T03:40:56Z) - 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) - 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) - Optimal Power Allocation for Rate Splitting Communications with Deep
Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。
ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文 参考訳（メタデータ） (2021-07-01T06:32:49Z) - 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)
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。