DRL-Powered Sum-Rate Maximization Design for IRS-Assisted Full Duplex Cluster NOMA WPCNs
Notice bibliographique
Résumé
This paper tackles the complex problem of maximizing the ergodic sum-rate in intelligent reflecting surface (IRS)-assisted full-duplex (FD) cluster non-orthogonal multiple access wireless-powered communication networks. The primary challenge lies in the joint optimization of hybrid access point (HAP) beamforming vectors, IRS phase shifts, and uplink power allocation for sensors, while considering practical constraints— including channel uncertainties, a nonlinear energy harvesting model, self-interference at both the HAP and sensors due to FD transmission, the rank-one constraint of the IRS, and the limited buffer capacity of the sensors. These factors result in an NP-hard optimization problem that conventional approaches cannot solve efficiently. To address this, we propose utilizing a deep reinforcement learning framework based on the twin delayed deep deterministic policy gradient (TD3) algorithm. Our results show that TD3 improves the system’s average sum-rate by up to 12% and 48% over the deep deterministic policy gradient (DDPG) and random allocation benchmarks, respectively. The results also show that both TD3 and DDPG have similar computational complexity. Thus, TD3 achieves a favorable balance between performance and computational complexity, making it a scalable and practical solution for next-generation networks where spectrum efficiency and throughput maximization are critical in hyper-dense environments.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».