联合局部线性嵌入与深度强化学习的RIS-MISO下行和速率优化

来源：电子与信息学报杂志2025年第7期北京时间：

作者：孙俊, 杨俊龙, 杨青青, 胡明志, 吴紫仪

单位：昆明理工大学信息工程与自动化学院 昆明 650500

摘要：智能反射面(RIS)因其能调节电磁波的相位和幅度，被视为下一代无线通信的关键技术而被广泛研究。在RIS辅助多输入单输出(MISO)的通信系统中，信道状态维度随用户数量的增加呈平方级增长，导致深度强化学习(DRL)智能体在高维状态空间下面临训练开销大的挑战。针对此问题，该文提出一种基于局部线性嵌入(LLE)和软动作评论(SAC)的联合优化算法，通过随机搜索算法和LLE对信道状态进行降维，并将低维状态作为SAC算法的输入，联合优化基站波束成形与RIS相位偏移，最大化MISO系统的下行和速率。仿真结果表明，在用户数为40的场景下，所提算法在维持与SAC相当的和速率性能的同时，训练时间减少了18.3%，计算资源消耗降低了64.8%。且随着用户规模的扩大，算法的训练开销进一步下降，充分验证了其有效性。

关键词：智能反射面, 局部线性嵌入, 深度强化学习, 和速率, 训练开销

基金资助：国家自然科学基金(62461030)，云南省基础研究计划(202401AT070355)