2023.5.1-5.5

1.《Mixed Max-and-Min Fractional Programming for Wireless Networks》

       分数规划（FP）在无线网络设计中起着至关重要的作用，因为许多相关问题都涉及到最大化或最小化比率项。请注意，FP的最大化情况和最小化情况通常不能相互转换，因此在以前的大多数研究中必须分别处理。因此，现有的用于最大化比率的FP方法通常不适用于最小化情况，反之亦然。然而，FP目标可以是max和min混合的，例如，人们可能希望最大化合法接收机的信干噪比（SINR），同时最小化窃听者的信干噪声比。我们的目标是通过设计一个统一的优化框架来填补最大FP和最小FP之间的差距。主要结果有三个方面。首先，我们将现有的称为二次变换的最大FP技术扩展到最小FP，并进一步发展了混合情况的完全推广。第二我们对所提出的统一方法进行了最小化最大化（MM）解释，从而建立了其收敛性，并获得了矩阵扩展；我们得到的另一个结果是广义拉格朗日对偶变换，它有助于对数FP的求解。最后，我们提出了三个典型的应用：信息年龄（AoI）最小化、传感的Cramer-Rao界最小化和安全数据速率最大化，这些都不能用以前的FP方法有效地解决。

2. 《Hybrid Active-Passive IRS Assisted Energy-Efficient Wireless Communication》

       在智能反射表面（IRS）部署有源反射元件增加了信号放大能力，但会导致更高的功耗。因此，确定用于最大化能源效率（EE）的有源/无源元件的最佳数量仍然是一个具有挑战性和开放性的问题。为了回答这个问题，我们考虑了一种混合有源-无源IRS（H-IRS）辅助无线通信系统，其中H-IRS由有源和无源反射元件组成。具体而言，我们研究了H-IRS处有源/无源元件数量的优化，以最大化EE。为此，我们首先推导了在视线（LoS）信道情况下接近最优解的闭合形式表达式，并获得了在瑞利衰落信道情况下的最优解。然后，在一般Rician信道情况下，采用一种有效的算法来获得EE最大化的高质量次优解。仿真结果证明了H-IRS在不同Rician因子和IRS位置下最大化EE的有效性。

3. 《Non-Orthogonal Multiple Access Assisted by Reconfigurable Intelligent Surface Using Unsupervised Machine Learning》

       具有多天线基站的非正交多址（NOMA）是一种很有前途的下一代无线通信技术，在性能和用户公平性方面具有很高的潜力。由于NOMA的性能取决于信道条件，我们可以将NOMA和可重构智能表面（RIS）相结合，RIS是一种大型无源天线阵列，可以优化无线信道。然而，高维性使得RIS优化成为一个复杂的问题。在这项工作中，我们提出了一种机器学习方法来解决预编码和RIS配置的联合优化问题。我们应用RIS来实现信道的准退化，这允许以封闭形式进行最优预编码。使用了专门为RIS优化设计的神经网络架构RISnet。所提出的解决方案在性能和计算时间方面优于文献中的工作。

4. 《RISnet: A Scalable Approach for Reconfigurable Intelligent Surface Optimization with Partial CSI》

       可重构智能表面（RIS）是一种很有前途的技术，它使无线通信系统能够通过智能地操纵无线信道来提高性能。在本文中，我们考虑了通过空分多址（SDMA）的下行链路多用户多输入单输出（MISO）信道中的和速率最大化问题。该问题的两个主要挑战是由于RIS元素的大量而导致的高维性，以及难以获得完整的信道状态信息（CSI），这在文献中提出的许多算法中是已知的。相反，我们提出了一种混合机器学习方法，该方法使用基站（BS）的加权最小均方误差（WMMSE）预编码器和用于RIS配置的专用神经网络（NN）架构RISnet。RISnet具有良好的可扩展性以优化1296个RIS元件，并且仅需要16个RIS元素的部分CSI作为输入。我们表明，对于通过射线跟踪模拟获得的几何信道模型，它在信道估计要求较低的情况下实现了高性能。无监督学习可以让RISnet自己找到优化的RIS配置。数值结果表明，经过训练的模型以较低的计算工作量配置RIS，显著优于基线，并且可以在离散相移的情况下工作。