2023.2.27-3.3

1.《A Deep Reinforcement Learning-Based Resource Scheduler for Massive MIMO Networks》

      大规模MIMO系统中的大量天线允许基站使用多用户波束形成在同一时间和频率资源上与多个用户通信。然而，高度相关的用户信道会严重阻碍多用户波束形成所能实现的频谱效率。因此，基站在每个传输间隔中调度合适的用户组以实现最大频谱效率，同时遵守用户之间的公平约束是至关重要的。用户调度是一个NP难题，其复杂性随着用户数量呈指数增长。在本文中，我们考虑了大规模MIMO系统的用户调度问题。受深度强化学习（DRL）解决大动作集问题的最新成果启发，我们提出了SMART，这是一种基于最先进的软动作关键（SAC）DRL模型和K近邻（KNN）算法的大规模MIMO动态调度器。通过使用真实的大规模MIMO信道模型以及来自信道测量实验的真实数据集的综合仿真，我们证明了我们提出的模型在各种信道条件下的有效性。我们的结果表明，我们提出的模型在频谱效率和公平性方面非常接近于最优比例公平（PF）调度器，在PF在计算上可行的中等网络规模下，计算复杂度降低了一个数量级以上。我们的结果还表明了我们提出的调度器在具有大量用户的网络中的可行性和高性能

2.《Static Power Consumption Modeling and Measurement of Reconfigurable Intelligent Surfaces》

      可重构智能表面（RIS）有望以既经济又节能的方式改变无线通信。揭示RIS的实际功耗特性可以为RIS辅助无线通信系统的优化设计和能效性能评估提供必要的工具包。基于我们之前对RIS的动态功耗进行建模的工作，我们今后更多地关注静态功耗。我们首先将RIS硬件分为三个基本部分：FPGA控制板、驱动电路和RIS单元。前两部分主要进行研究，最后一部分在之前的工作中建模为动态功耗。在这项工作中，FPGA控制板的功耗被视为恒定值，然而，驱动电路的功耗是受控制信号数量及其自身功耗特性影响的变量。因此，我们对各种RIS（即基于PIN二极管/变容二极管/RF开关的RIS）的驱动电路的功耗进行了建模。最后，对静态功耗的测量结果和典型值进行了说明和讨论。

拓展：《Reconfigurable Intelligent Surface: Power Consumption Modeling and Practical Measurement Validation》

      由于能够以低成本和高能效的方式重塑无线通信环境，可重构智能表面（RIS）已经获得了大量关注。然而，RIS的显式功耗模型和测量验证受到的关注太少。因此，在本工作中，我们提出了RIS功耗模型，并使用各种RIS实现了实际测量验证。测量结果表明了该模型的通用性和准确性。首先，我们验证了RIS具有静态功耗，并给出了实验结果。其次，我们确认基于变容二极管的RIS的动态功耗几乎可以忽略不计。最后，我们对基于PIN二极管的RIS的动态功耗与RIS的极化模式、可控比特分辨率和工作状态之间的定量关系进行了建模，并通过实际实验结果进行了验证

4.《Double-RIS Aided Multi-user MIMO Communications: Common Reflection Pattern and Joint Beamforming Design》

      可重构智能表面（RIS）作为一种有希望通过动态构建无线信道来提高未来无线通信系统性能的技术，已经进入公众的视野。在这封信中，我们研究了双RIS辅助的下行链路多用户多输入多输出（MIMO）通信系统。我们通过联合优化每个RIS处的主动发射波束形成、接收均衡器和被动波束形成来研究均方误差（MSE）最小化问题。与先前的工作不同，为了降低通信开销和信号处理复杂性，我们假设两个RIS利用了共同的反射模式。在这种假设下，变量的耦合变得更紧密，从而使优化问题更难解决。为了有效地解决这个问题，我们提出了一种基于优化最小化（MM）的交替优化（AO）算法。数值结果表明，在高信噪比（SNR）区域，具有共同反射图案的双RIS可以实现与单独反射图案几乎相同的性能，而复杂性仅为单独反射图案的一半。因此，我们提出的设计实现了所考虑系统的性能和实现复杂性之间的有效权衡。

5.《A Novel Deep Reinforcement Learning-based Approach for Enhancing Spectral Efficiency of IRS-assisted Wireless Systems》

      本文从提高下行链路多用户（MU）多输入单输出系统（MISO）频谱效率的角度研究了一种智能反射面（IRS）增强网络。与以前主要关注替代优化方法的工作相比，我们利用两个深度强化学习框架，即深度确定性策略梯度（DDPG）和双延迟DDPG（TD3），研究了基站主动发射波束形成矩阵和IRS被动相移矩阵的非凸联合优化问题。仿真结果表明，后一种方案中的神经网络在各种情况下的性能通常更令人满意

6.《Joint User Scheduling and Precoding for XL-MIMO Systems with Imperfect CSI》

      我们提出了一种在具有超大孔径阵列的多输入多输出系统中联合预编码和用户选择的算法，假设真实的信道条件和不完美的信道估计。使用长期信道状态信息（CSI）进行用户调度，以及适当选择CSI被更新的用户集合，允许获得改进的可实现的和频谱效率。我们还确认，对于实际的性能预测，必须考虑预编码向量设计中不完美CSI的影响和训练成本。

拓展：《Joint QoS-Aware Scheduling and Precoding for Massive MIMO Systems via Deep Reinforcement Learning》

      移动网络的快速发展对第五代（5G）及更高版本（B5G）移动网络提出了高数据速率、低延迟和高可靠性应用的需求。同时，大规模多输入多输出（MIMO）技术对于实现该愿景至关重要，并且需要与资源管理功能协调以获得高用户体验。尽管已经开发了传统的跨层自适应算法来调度和分配网络资源，但由于服务质量（QoS）要求和B5G特性的不同，所产生的规则的复杂性很高。在这项工作中，我们考虑了大规模MIMO系统中的联合用户调度、天线分配和预编码问题。与直接分配资源（如天线数量）不同，分配过程被转化为基于深度强化学习（DRL）的动态算法选择问题，用于高效的马尔可夫决策过程（MDP）建模和策略训练。具体而言，所提出的效用函数将QoS要求和约束集成到与MDP回报匹配的长期系统范围目标。具有动作嵌入的组件化动作结构进一步将资源管理过程纳入模型。仿真表明，在苛刻的场景下，用户对静态算法选择和相关工作的满意度分别提高了7.2%和12.5%。

7.《Globally Optimal Resource Allocation Design for IRS-Assisted Multiuser Networks with Discrete Phase Shifts》

      智能反射表面（IRS）由于其定制无线传播环境的能力，被设想为在未来通信系统中实现高光谱和能量效率的低成本解决方案。尽管在文献中已经对IRS辅助多用户无线通信系统的资源分配设计进行了详尽的研究，但这种系统的优化设计和性能仍然没有得到很好的理解。为了填补这一空白，本文研究了IRS辅助多用户多输入单输出（MISO）系统的最优资源分配。特别地，我们联合优化基站（BS）处的波束形成和离散IRS相移，以最小化总发射功率。为了获得公式化的非凸组合优化问题的全局最优解，我们基于Schur补码和广义Bender分解，开发了一种具有保证收敛性的资源分配算法。我们的数值结果表明，与最先进的基于次优交替优化的方法相比，所提出的算法可以显著降低BS发射功率，尤其是对于中等数量的IRS元件。

8.《A Low-Complexity Solution to Sum Rate Maximization for IRS-assisted SWIPT-MIMO Broadcasting》

      本文主要研究在多输入多输出（SWIPT-MIMO）设置下，在智能反射表面（IRs）辅助的同时无线信息和功率传输系统中，在能量接收器（ER）处受服务质量（QoS）约束的情况下，使信息接收器（IR）处的可实现加权和速率（WSR）最大化的基本问题。值得注意的是，由于QoS约束中发射预编码矩阵和无源波束形成向量之间的耦合，公式化的非凸优化问题难以解决。我们首先使用惩罚对偶分解方法对约束中的设计变量进行解耦，然后应用交替梯度投影算法来实现重新表述的优化问题的平稳解。与基于块坐标下降（BCD）的基准方案相比，所提出的算法几乎将WSR提高了一倍。同时，所提出的方案的复杂性随着IRS元素的数量线性增长，而基准方案的复杂性与IRS元素数量的立方体成比例。