2023.3.27-3.31

1. 《Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes》

       由于用户之间的相互干扰，无线网络中的功率分配问题通常是非凸的，并且在计算上具有挑战性。图神经网络（GNN）最近成为解决这些问题的一种很有前途的方法，也是一种利用无线网络底层拓扑结构的方法。在本文中，我们提出了一种新的用于包括全双工（FD）节点的无线网络的图表示方法。然后，我们设计了一个相应的FD图神经网络（F-GNN），目的是分配发射功率以最大化网络吞吐量。我们的结果表明，我们的F-GNN在显著减少计算时间的情况下实现了最先进的性能。此外，与经典方法相比，F-GNN在性能和复杂性之间提供了极好的权衡。我们通过引入用于在网络中包含或排除边缘的基于距离的阈值来进一步完善这种权衡。我们发现，适当选择的阈值可以将所需的训练时间减少大约20%，而性能损失相对较小。

2. 《Deep Reinforcement Learning for Distributed Dynamic Coordinated Beamforming in Massive MIMO Cellular Networks》

       为了适应爆炸性的无线业务，大规模多输入多输出（MIMO）被认为是下一代通信系统的关键技术之一。在大规模MIMO蜂窝网络中，联合设计多个基站的波束形成器的协同波束形成（CBF）是提高网络性能的有效方法。在本文中，我们研究了大规模MIMO移动蜂窝网络中的和速率最大化问题，其中在每个小区中，多天线BS通过下行链路波束成形同时为多个移动用户服务。尽管现有的基于优化的CBF算法可以提供接近最优的解决方案，但它们除了需要高计算复杂度外，还需要实时和全局信道状态信息（CSI）。几乎不可能将它们应用于实际的无线网络，特别是高动态的移动蜂窝网络。受此启发，我们提出了一种基于深度强化学习的分布式动态协调波束形成（DDCBF）框架，该框架使每个BS能够仅使用局部CSI和来自其他BS的一些历史信息来确定波束形成器。此外，通过利用神经网络和专家知识，可以以相当低的计算复杂度来计算波束形成器。，从加权最小均方误差（WMMSE）算法的迭代过程中观察到的解结构。此外，我们提供了大量的数值模拟来验证所提出的基于DRL的方法的有效性。结果表明，该方法具有较低的计算复杂度和较少的所需信息，可以实现与集中式迭代优化算法相当的性能。

3.《A Survey on Model-based, Heuristic, and Machine Learning Optimization Approaches in RIS-aided Wireless Networks》

       可重构智能表面（RIS）作为设想的6G网络的关键推动者，以低能耗和低硬件成本提高网络容量、覆盖范围、效率和安全性，受到了相当大的关注。然而，将RIS集成到现有基础设施中大大增加了网络管理的复杂性，尤其是对于控制大量RIS元件而言。为了充分发挥RIS的潜力，高效的优化方法至关重要。这项工作对RIS辅助无线通信的优化技术进行了全面的调查，包括基于模型的、启发式的和机器学习（ML）算法。特别是，我们首先总结了文献中具有不同目标和约束的问题公式，例如，和速率最大化、功率最小化和不完美信道状态信息约束。然后，我们介绍了文献中使用的基于模型的算法，如交替优化、优化最小化方法和逐次凸近似。接下来，讨论了启发式优化，它应用启发式规则来获得低复杂度的解。此外，我们提出了最先进的ML算法和RIS应用，即监督和无监督学习、强化学习、联合学习、图学习、迁移学习和基于分层学习的方法。从稳定性、稳健性、最优性等方面对基于模型的方法、启发式方法和ML方法进行了比较，提供了对这些技术的系统理解。最后，我们重点介绍了RIS在6G网络中的辅助应用，并确定了未来的挑战。