Компьютерная наука > Информационная теория [представлена 9 июля 2024 (v1), последний пересмотренный вариант 16 сентября 2026 года (этот вариант, v3)] Название: DRL-AdaPart: DRIL-Driven Adminive STAR-RIS Reltitioning for Fair and Effectival Message View PDF Abstract: В этой работе мы предлагаем метод эффективного использования ресурсов одновременно передающих и отражающих переработанные интеллектуальные поверхности (STAR-RIS) для обеспечения справедливых и высоких ставок данных. Мы введем переменную, определяющую количество элементов СТАР-РИС для каждого пользователя и максимально увеличивающую сумму ставок данных за счет совместной оптимизации фазовых сдвигов СТАР-РСО и подповерхностных атрибуций с использованием надлежащим образом адаптированного алгоритма глубокого обучения (DRL). Предлагаемый метод ДХО также сравнивается с алгоритмом Dinkelbach и проектируемым гибридным подходом ДХО. В модель ДХО включен штрафный термин для повышения эффективности использования ресурсов путем разумного деактивации элементов СТАР-РИС, когда это не требуется. Предлагаемый метод ДХО позволяет достичь справедливых и высоких показателей представления данных для стационарных и мобильных пользователей при одновременном обеспечении эффективного использования ресурсов за счет широкого моделирования. При использовании предлагаемого метода ДХО до 27% и 21% элементов СТАР-РИС могут быть отключены соответственно в статических и мобильных сценариях без ущерба для эффективности. История представления:…
DRL-AdaPart: DRl-Driven Aдаптация STAR-RIS
arXiv:2407,06868v3 Вид уведомления: заменить перекрестное резюме: В этой работе мы предлагаем метод эффективного использования ресурсов одновременного передачи и отражения переработанных интеллектуальных элементов поверхности (СТАР-РИС) для обеспечения справедливых и высоких темпов представления данных. Мы введем переменную, определяющую количество элементов СТАР-РИС для каждого пользователя и максимально увеличивающую сумму ставок данных за счет совместной оптимизации фазовых сдвигов СТАР-РСО и подповерхностных атрибуций с использованием надлежащим образом адаптированного алгоритма глубокого обучения (DRL). Предлагаемый метод ДХО также сравнивается с алгоритмом Dinkelbach и проектируемым гибридным подходом ДХО. В модель ДХО включен штрафный термин для повышения эффективности использования ресурсов путем разумного деактивации элементов СТАР-РИС, когда это не требуется. Предлагаемый метод ДХО может обеспечить достижение справедливых и высоких показателей для статических и мобильных пользователей при одновременном обеспечении эффективного использования ресурсов через экстенсивную систему
