2023.7.3-7.7

1. 《Cell-Free XL-MIMO Meets Multi-Agent Reinforcement Learning: Architectures, Challenges, and Future Directions》

      无小区大规模多输入多输出（mMIMO）和超大规模MIMO（XL-MIMO）被认为是下一代无线通信系统的有前途的创新。它们在增加自由度方面的显著优势引起了人们的极大兴趣。在这篇文章中，我们首先回顾了XL-MIMO系统带来的基本机遇和挑战。然后，我们提出了无细胞XL-MIMO的增强范式，该范式结合了多智能体强化学习（MARL），为解决高维信号处理和昂贵的能源消耗问题提供了一种分布式策略。基于独特的近场特性，我们提出了两类低复杂度设计，即天线选择和功率控制，以适应不同的无小区XL-MIMO场景，并实现最大的数据速率。为了获得启发，提出了与绿色无细胞XL-MIMO系统相关的几个关键的未来研究方向。

2. 《Performance Analysis of RIS-Aided Space Shift Keying With Channel Estimation Errors》

       在本文中，我们研究了在不完全信道状态信息（CSI）下的可重构智能表面（RIS）辅助空移键控（SSK）下行链路通信系统，其中基站到RIS之间的信道遵循瑞利衰落，而RIS到用户设备之间的信道服从Rician衰落。基于最大似然检测器，推导了复合信道的条件成对误差概率。然后，导出了具有一个自由度的非中心卡方分布的概率密度函数。在此基础上，导出了具有不完全CSI的RIS-SSK格式的闭式解析表达式。为了获得更多有价值的见解，还给出了渐近ABEP表达式。最后，我们通过蒙特卡罗模拟验证了导出的闭式和渐近表达式。

3. 《Statistically Optimal Beamforming and Ergodic Capacity for RIS-aided MISO Systems》

       本文研究了可重构智能表面（RIS）辅助MISO下行链路系统在相关Rician衰落下的最优波束成形，以最大化平均信噪比。由于无源RIS单元的单位模约束，波束形成问题变得非凸。为了解决这一问题，我们提出了一种基于半定松弛的迭代算法，用于获得统计上最优的发射波束成形向量和RIS相移矩阵。此外，我们分析了中断概率（OP）和遍历容量（EC），以衡量所提出的波束成形方案的性能。与现有工作一样，OP和EC评估依赖于迭代算法的数值计算，没有清楚地揭示系统性能对关键参数的函数依赖性。因此，我们导出了最佳波束成形矢量和相移矩阵的闭合形式表达式，以及它们在一般设置的特殊情况下的OP性能。我们的分析表明，在存在LoS成分的情况下，i.i.d.衰落比相关情况更有益。这一事实是针对LoS被阻塞的情况分析确定的。此外，我们证明了在i.i.d.衰落下，在不存在/存在LoS分量的情况下，最大平均SNR随着RIS元素的数量线性/二次提高。

4. 《Meta Federated Reinforcement Learning for Distributed Resource Allocation》

       在蜂窝网络中，资源分配通常以集中的方式进行，这给基站（BS）带来了巨大的计算复杂性和高的传输开销。本文探讨了一种分布式资源分配方法，该方法旨在最大限度地提高能源效率，同时确保用户的服务质量。具体而言，为了解决无线信道条件，我们提出了一种稳健的元联合强化学习（MFRL）框架，该框架允许本地用户使用本地训练的神经网络模型优化发射功率并分配信道，从而将计算负担从云服务器卸载给本地用户，减少了与本地信道状态信息相关联的传输开销。BS执行元学习过程来初始化通用全局模型，从而能够快速适应具有改进的EE性能的不同环境。基于去中心化强化学习的联合学习技术促进了用户之间的协作和互利。分析和数值结果表明，所提出的MFRL框架加速了强化学习过程，减少了传输开销，并减轻了计算量，同时在各种场景下的收敛速度和EE性能方面优于传统的分散式强化学习算法。