PPO-Based Energy Efficiency Maximization For RIS-Assisted Multi-User Miso Systems
Notice bibliographique
Résumé
In this paper, we explore the integration of a reconfigurable intelligent surface (RIS) with a multi-antenna base station (BS) for downlink multi-user multiple-input-single-output (MU-MISO) systems. We aim to enhance energy efficiency (EE) by jointly optimizing beamforming and phase shifts at the BS and RIS, respectively, while ensuring each mobile user meets their link budget requirements. The resulting optimization problem is inherently non-convex. To address this challenge, we employ proximal policy optimization (PPO), known for efficiently managing non-convex problems and reducing training overhead in continuous action spaces through a clip factor. Furthermore, by leveraging deep neural networks (DNN), the proposed PPO-based solution provides the optimum values for the beamforming at the BS and the phase shift at the RIS, respectively. Finally, we demonstrate the effectiveness and accuracy of the proposed PPO-based algorithm through an extensive simulation campaign, comparing its performance against baseline methods (i.e., fractional programming (FP) and deep deterministic policy gradient (DDPG)). The results show that our proposed PPO-based algorithm outperforms the considered baseline approaches (i.e., FP and DDPG) in terms of EE by 34.2% and 15.8%, respectively.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».