2023.7.24-7.28

1. 《Multi-Agent Graph Reinforcement Learning based On-Demand Wireless Energy Transfer in Multi-UAV-aided IoT Network》

       本文提出了一种新的多无人机按需无线能量传输（WET）方案。与现有的研究不同，现有的研究只是追求物联网（IoT）设备的总能量或最小收获能量最大化，而物联网设备本身的能量需求几乎没有被考虑，我们提出了一种新的指标，称为饥饿能量水平（HoE），这反映了每个物联网设备基于其所需能量和从无人机获取的能量之间的能量差距的时变能量需求。为了最大限度地减少能量需求未得到满足的物联网设备的总体HoE，我们在无人机的实际移动性和能量约束下，最优地确定了无人机的所有轨迹和WET决策。尽管所提出的问题具有很高的复杂性，但通过挖掘无人机对其协同WET的自我关注，我们提出了基于多智能体图强化学习（MAGRL）的方法。通过MAGRL模型的离线训练，其中中央控制器的全局训练指导每个无人机代理的局部训练，然后每个无人机基于训练有素的局部神经网络分布式地确定其轨迹和WET。仿真结果表明，所提出的基于MAGRL的方法在满足物联网设备的能源需求方面优于各种基准。

2. 《Rank Optimization for MIMO systems with RIS: Simulation and Measurement》

      可重构智能表面（RIS）是一种很有前途的技术，可以重塑无线网络中的电磁环境，为增强无线信道提供各种可能性。受此启发，我们研究了RIS辅助的多输入多输出（MIMO）系统的信道优化。在本文中，提出了一种有效的RIS优化方法来提高MIMO信道的有效秩，以实现速率改进。数值结果验证了RIS在改善MIMO信道方面的有效性。此外，我们构建了一个2×2 RIS辅助MIMO原型来进行实验测量，并验证了我们提出的算法的性能。结果表明，与没有RIS的MIMO信道相比，RIS辅助的MIMO信道的有效秩和可实现速率显著增加。