AI 使能的资源调度

eefocus_3952551

AI 使能的资源调度
AI 辅助资源调度的优化目标包括以下方面：频谱和能源效率、环境感知范围、系统部署成本和网络拓扑等，多个 BS 和 RIS 的联合波束赋形设计以及联合功率分配。此外，在高移动性场景中，由于信道链路与 RIS 和 BS 上的调度密切相关，用户移动性将进一步影响RIS 通信的最佳网络拓扑。因此，还应讨论移动性场景中的网络拓扑优化。为了最大化下行链路非正交多址接入（Non-Orthgonal Multiple Access，NOMA）网络的和速率，调用一种修改的对象迁移自动化算法，将用户划分为几个相同大小的簇，通过深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）算法，以协同控制 RIS 处的多个反射元素。与先训练后测试的过程不同，采用长期的自调整学习方案，通过迭代探索和开发，在每个给定环境中搜索最佳动作，即用户分区和 RIS波束赋形。这种 RIS 辅助的 NOMA 下行链路网络实现了比传统正交多址（Orthgonal Multiple Access，OMA）网络更高的和数据速率。此外，DDPG 算法可以长期有效地学习资源分配策略的动态特性。


为了提高 RIS 辅助毫米波通信的性能，提出了一种机器学习授权的波束管理框架，以精确对齐 BS 和用户终端之间的波束。在此框架内，利用 DNN 来识别复杂的网络环境，这可以帮助每个 BS 选择其最佳 RIS。此外，采用在线学习方法来预测终端的移动性。通过集成环境和移动性感知，可以通过将用户的位置映射到其最佳 RIS 来实现主动波束切换方案。除了许多具有单个 RIS 的工作外，还有许多工作讨论了多个 RIS 的协作。例如，RIS 通信中的信道链路也可以以多跳方式进行调度，这可以有效地对抗严重的传播衰减并提高环境传感的覆盖范围。然而，由于多用户干扰、数学上难以处理的多跳信号和非线性约束，关于最大化多 RIS 系统的和速率的优化问题的公式是非凸的。提出一种基于DRL 的算法，用 DDPG 算法扩大 RIS 通信的感知范围。为了克服 DRL 框架中超大 Q 表的不切实际的搜索复杂性，使用了基于 DNN 的 Q 学习方法。此外，DDPG 结构的核心是由完全连接的 DNN 组成的评论家和演员网络。输入波束赋形矩阵和信道信息后，DDPG 算法将输出当前迭代的波束赋形设计。


采用 DRL 方法，通过联合优化发射功率分配、RIS 波束赋形矩阵和 RIS 单元的开/关状态，最大化了平均能量效率。尽管预定义的奖励可能受到各种未知方面的影响，例如用户信道上的不确定性，但预期奖励和实际奖励之间的差异可以由 DNN 在 DRL 框架中使用，其中反馈来自不确定环境。虽然 RIS 通信中的资源调度涉及对多个用户的 NN 进行训练，但 FL 框架也是处理资源调度问题的可行方法。将 FL 应用于 RIS 辅助的毫米波系统，并实现了隐私保护设计。FL 被应用于训练 DNN 模型，用于用户信道与其最优 RIS 波束赋形之间的映射。此外，FL 可以帮助并行优化多个 RIS，同时保护私有 CSI。然而，由于所有本地参数都是在共享无线信道上传输的，因此不期望的传播误差将不可避免地恶化全局聚合的性能。提出了一种交替优化算法，以最小化聚合误差并加快 FL 的收敛速度。通过调用半定松弛方法，解决了联合优化发射功率、接收标量和相移的非线性和非凸


问题。此外，基站、RIS 和用户的位置信息也可以辅助资源调度。利用位置信息的知识，可以通过几何方法容易地获得不同对象之间的位置关系，即基站-RIS 或 RIS-用户。利用用于波束赋形选择的预定义集合，可以利用适当设计的 NN 来搜索位置信息和最佳波束赋形索引之间的映射。


在移动场景中，由于用户的位置在变化，因此对变化环境的适应对于资源调度是必要的。为了在移动性场景中最大化多 RIS 辅助的多小区网络的上行链路和速率，提出了一种基于多代理 DRL 的动态控制方案，其中 BS 被视为独立的代理。特别地，每个 BS 自适应地配置其本地 UE 功率、本地 RIS 波束赋形及其组合器。针对多个基站动作耦合导致的非平稳性，提出了一种有效的消息传递方案，该方案要求相邻基站之间仅有有限的信息交换。对于车辆通信，路侧单元（RoadSide Unit，RSU）可以利用 RIS 在未覆盖区域内提供间接无线传输。由于车辆以不同的方向和移动速度移动，并且在盲区有不同的停留时间。如果向盲区内的所有车辆提供相同的业务量，低机动性车辆将比高机动性车辆获得较差的服务质量。


因此，研究了 RIS 赋能车辆通信中的联合车辆调度和无源波束赋形，以最大化盲区中车辆的最小可达速率。这个问题被分解为两个子问题：无线调度和 RIS 相移优化。前者通过 DRL 解决，以获得各种道路条件和 RIS 选择情况下的最优 RSU 调度方案，而后者通过块坐标下降（Block Coordinate Descent，BCD）算法解决，以最大化当前服务车辆的瞬时和速率。

阅读全文