Spectrum Efficiency Maximization of Reconfigurable Intelligent Surface Assisted Device-to-Device Networks: An Actor-Critic Approach
Notice bibliographique
Résumé
In recent years, Internet of Things (IoT) has become a radical evolution due to the exponentially growing demand for various promising applications toward the sixth-generation (6G) networks. As an energy-efficient and spectrum-efficient solution, device-to-device (D2D) communication has emerged as an enabling technology for 6G-based IoT networks. Recently, reconfigurable intelligent surface (RIS) has drawn much attention due to its capability to control the wireless environments so as to enhance the spectrum and energy efficiencies for the beyond fifth generation (B5G) wireless networks. Therefore, in this paper, a RIS-assisted D2D underlay cellular network is investigated to maximize the overall network’s spectrum efficiency (SE) by jointly optimizing the resource reuse indicators, the transmit power, the RIS’s passive beamforming and the BS’s receive beamforming. Instead of using traditional optimization techniques to solve the formulated mixed integer problem, in this paper, a reinforcement learning (RL) based solution is utilized. The formulated optimization problem is modeled by the Markov Decision Process (MDP) in the RL environment. In order to learn the optimal policy under high-dimensional continuous-valued state and action spaces, an actor-critic algorithm based on the deep deterministic policy gradient (DDPG) scheme (AC-DDPG) is proposed. Simulation results reveal that the proposed AC-DDPG scheme achieves significant SE enhancements as compared to the state-of-the-art existing optimization schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».