这篇论文研究了具有分布式可重构智能表面（RIS）的无线通信网络的资源分配问题，提出了两种迭代算法来最大化网络的能量效率，并展示了所提出方案在单用户和多用户情况下相较传统 RIS 方案和放大转发中继方案可获得高达 33％和 68％的性能提升。

May, 2020

本文研究了在利用可重构智能表面（RIS）协助下，单基站上行通信网络场景的问题，其中移动用户和设备对之间的直接通信和反射一跳传播被利用。利用交替最大化的方法，我们将问题分解为两个子问题，即功率分配和相位移位，从而实现了干扰的缓解。

Jul, 2020

本研究使用可重构智能表面辅助的无线发射机探究多用户通信网络的资源分配问题。通过控制表面的相位波束和 BS 的发射功率，将网络的总发射功率最小化，以满足用户的信噪比约束。提出一种双重方法解决该问题，其结果是降低了相对于最大比传输（MRT）波束成形和零强制（ZF）波束成形技术的总发射功率高达 94％和 27％。

Sep, 2020

研究了采用可重构智能表面 (RIS) 用于来自多天线基站的下行多用户通信。我们针对移动用户的个体链路预算保证，开发了能源有效的传输功率分配和表面反射元素的相位移位的设计。我们提出了两种算法来解决这些非凸设计优化问题。此外，我们提出了一种逼真的基于 RIS 的系统功耗模型，并在现实的户外环境中分析了所提出方法的性能。

Oct, 2018

本文提出了一种通过利用可重构智能表面技术与车联网集成来增强车辆通信的方法，旨在解决车联网中出现的连接性问题。该方法采用离散型可重构智能表面作为中继，在交通中断区域提供无线传输。深度强化学习与块坐标下降算法用于解决资源调度和相位位移矩阵的问题，并实验验证了该方法的优越性。

Jan, 2021

本文提出了一种基于反射模式调制的 RIS 增强的多输入单输出系统，其中 RIS 可以通过被动波束成形来配置其反射状态以增强接收信号功率并同时通过反射传递自己的信息，并且我们通过优化问题和交替优化技术提出了一种高质量的子优化解决方案，研究了所提出方案的渐近误码概率和可达速率性能，并表明该方案在可达速率性能方面优于传统的无信息传输的 RIS 协助系统。

Aug, 2020

本文提出一种基于深度学习技术的反射式无源波束成形方案，以提升无线通信系统的能量和频谱效率，并通过仿真证明其在维持性能的同时相较于半正定松弛方法大大减少了计算复杂度。

Jan, 2020

通过联合无人机轨迹和可重构智能表面的无源波束成型设计来最大化系统的平均可实现速率

Aug, 2019

本文研究了可重构智能表面（RIS）辅助的大规模多输入多输出系统在三维中为扩展无线蜂窝覆盖的问题，其中多个 RIS 分别装备有一组被动元件，部署以同时服务多个无人机（UAV）的基站（BS）在 5G 无线通信的时频资源中。通过联合优化 BS 的发送波束形成参数和 RIS 的相移参数来最大化 UAV 的最小信干噪比（SINR），并确保 UAV 之间的公平性。我们提出了两种新颖的算法来解决这个问题，并利用深度确定性策略梯度作为最优化方法来求解 BS 的波束形成矩阵和 RIS 的相移参数。通过模拟结果证明了我们提出的解决方案的有效性，并得出了一些有见地的观察结果。

Nov, 2023

本文提出了一个基于深度强化学习的方法，用于解决智能反射面支持下的设备对设备通信网络和的和速率优化问题。通过优化发射功率和相位转换矩阵，模拟结果表现优异。

Aug, 2021