通过多个关键接入点（APs）和自适应重构智能表面（STAR-RISs）的新型网络架构，该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案，并采用多智能体深度强化学习（MADRL）来优化 STAR-RIS 的控制。通过模拟实验，论文证明了与基准方法相比，网络效用显著提高。

Jun, 2024

优化星形可重构智能表面在非正交多址网络中的多输入多输出系统的能量效率。

Apr, 2023

本文考虑了一个 RIS 辅助的多用户 MISO 下行通信系统，通过联合设计 AP 的波束成形和 RIS 元件的相位向量，旨在最大化所有用户的加权和速率，使用分数规划技术提出低复杂度算法得到联合设计问题的稳态解。

Dec, 2019

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

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

本文提出了一种利用多架无人机作为被动中继器搭载可重构智能表面，以改善双连通支持的异构网络（HetNet）性能的新方法。我们通过对优化 UAV 的轨迹 / 速度、RIS 相移、子载波分配以及每个 BS 的有源波束赋形器进行联合优化，解决了总发射功率最小化问题，从而降低了传输功率，同时保持了相似的 QoS。

Jun, 2021

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

该论文介绍了可重构智能表面（RIS）的应用，重点在于解决无覆盖区域的问题，并提出了一种基于深度强化学习的解决方案，名为 D-RISA，通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架，与现有方法相比，该框架展示了更好的覆盖，即最小信噪比提高 10 dB，计算时间更短（高达 25％），并提高了对更密集网络部署的可扩展性。

Oct, 2023

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

本研究关注的是单小区多用户系统的下行，其中基站（BS）通过一种安装在 BS 的视线范围内的可重构智能表面与 K 个单天线用户进行通信。我们研究了最优线性预编码器（OLP）所实现的最小信号干扰加噪声比（SINR），该预编码器最大化最小 SINR，其协议给定了特定的功率限制，并且给出了 LoS 信道矩阵的各种情况下的理论分析与性能评估。

Mar, 2019