[论文解读] Machine Learning Empowered Resource Allocation in IRS Aided MISO-NOMA Networks

Xinyu Gao, Yuanwei Liu+2 more|arXiv (Cornell University)|Mar 9, 2021

Advanced Wireless Communication Technologies参考文献 38被引用 52

一句话总结

本文提出了一种基于机器学习的智能反射表面（IRS）辅助MISO-NOMA网络资源分配框架，旨在满足服务质量（QoS）约束下最大化系统容量。该框架整合了长短期记忆网络（LSTM）用于用户移动性预测、K-高斯混合模型（K-GMM）用于动态用户聚类，以及深度Q网络（DQN）用于联合波束成形相位偏移与功率分配优化，在仿真中相较正交多址（OMA）方案实现了35%的吞吐量增益。

ABSTRACT

A novel framework of intelligent reflecting surface (IRS)-aided multiple-input single-output (MISO) non-orthogonal multiple access (NOMA) network is proposed, where a base station (BS) serves multiple clusters with unfixed number of users in each cluster. The goal is to maximize the sum rate of all users by jointly optimizing the passive beamforming vector at the IRS, decoding order, power allocation coefficient vector and number of clusters, subject to the rate requirements of users. In order to tackle the formulated problem, a three-step approach is proposed. More particularly, a long short-term memory (LSTM) based algorithm is first adopted for predicting the mobility of users. Secondly, a K-means based Gaussian mixture model (K-GMM) algorithm is proposed for user clustering. Thirdly, a deep Q-network (DQN) based algorithm is invoked for jointly determining the phase shift matrix and power allocation policy. Simulation results are provided for demonstrating that the proposed algorithm outperforms the benchmarks, while the throughput gain of 35% can be achieved by invoking NOMA technique instead of orthogonal multiple access (OMA).

研究动机与目标

• 在具有动态用户簇的IRS辅助MISO-NOMA网络中最大化系统容量。
• 在QoS约束下联合优化被动波束成形、解调顺序、功率分配与簇数。
• 利用机器学习技术解决非凸、高复杂度的优化问题。
• 实现在移动、多用户IRS-NOMA环境中的高效、实时资源分配。

提出的方法

• 使用LSTM预测用户移动性，以实现资源的主动适应。
• 提出K-GMM算法，基于预测的移动性和信道条件对用户进行聚类。
• 采用基于DQN的算法，联合优化相位偏移矩阵与功率分配系数。
• 集成三阶段框架：移动性预测 → 用户聚类 → 联合波束成形与功率控制。
• 建立在用户速率需求约束下的系统容量最大化问题。
• 利用深度强化学习处理波束成形与解调顺序的非凸、组合优化问题。

实验结果

研究问题

• RQ1 基于LSTM的移动性预测能否提升IRS-NOMA网络中的资源分配效率？
• RQ2 所提出的K-GMM聚类方法在处理动态用户分组方面效果如何？
• RQ3 DQN能否在联合相位偏移与功率分配中优于传统优化方法和Q-learning？
• RQ4 在IRS辅助的MISO-NOMA系统中，NOMA相较OMA的性能增益如何？
• RQ5 在所提框架下，IRS元素数量对系统容量有何影响？

主要发现

• 所提出的DQN算法在系统容量性能上优于Q-learning和基准方案。
• 在IRS辅助网络中，采用NOMA相较OMA实现了35%的吞吐量增益。
• 系统容量随IRS元素数量增加而提升，但高数量下增益增长率逐渐降低。
• DQN找到的最优解调顺序显著优于随机解调顺序，尤其在高发射功率下表现更优。
• K-GMM聚类方法能有效根据移动性和信道状态分组用户，提升系统公平性与频谱效率。
• LSTM、K-GMM与DQN的集成实现了低计算开销的实时自适应资源分配。