基于DRL的RIS-NOMA系统最大最小公平性研究

Research on Max-Min Fairness of RIS Assist NOMA System Based on DRL

智能反射面(RIS)辅助的下行多输入单输出非正交多址接入(MISO-NOMA)系统可以满足系统中和速率性能需求。然而,多数研究都集中在如何提高系统总的性能方面,却忽略了用户公平性的问题给弱用户造成的性能损失。为此,提出一种基于深度强化学习(DRL)的最大最小公平方案。首先,利用串行干扰消除技术(SIC)确定每个用户的可实现速率,构建相关的优化模型;然后,通过DRL技术联合设计基站处发射波束成形矩阵和RIS的相移矩阵,以最大化弱用户的可实现速率;最后,仿真结果表明,所提出的DRL算法相较于对比算法能有效地提升弱用户的通信性能。