Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach

本文提出了一种新的网络架构，利用多个接入点（AP）和同时传输和反射可重构智能表面（STAR-RIS）进行室内通信。优化问题包括用户分配、接入点波束成形和STAR-RIS相位控制，以实现反射和传输。该问题的固有复杂性需要采用分解方法进行高效求解。为了实现高效的资源管理，使用基于相关性的K-means聚类算法对接入点进行分组。利用多智能体深度强化学习（MADRL）优化STAR-RIS的控制。在提出的MADRL框架中，引入了一种新的方法，使每个决策变量都充当独立的智能体，实现协作学习和决策。此外，所提出的MADRL方法还包括凸逼近（CA）技术，利用连续凸逼近（SCA）的次优解来加速智能体的策略学习，从而实现更快的环境适应和收敛。仿真结果表明，与基准方法相比，网络效用得到了显著提高。然而，室内部署STAR-RIS存在干扰抑制、功耗和实时配置等挑战。

论文旨在提出一种新的网络架构，利用多个接入点和STAR-RISs实现室内通信，并解决部署STAR-RISs时的干扰、功耗和实时配置等问题。

通过优化用户分配、接入点波束成形和STAR-RIS的相位控制，结合多个智能算法和深度强化学习，提高网络效用。

论文使用多个智能算法和深度强化学习，提高网络效用。使用了多个数据集进行模拟实验，并与基线方法进行了比较。

最近的相关研究包括：《Reconfigurable Intelligent Surfaces: Towards Green and Sustainable Wireless Networks》、《Intelligent Reflecting Surface Enhanced Wireless Network: Joint Active and Passive Beamforming Design》等。