AI-Empowered Resource Allocation for Wirelessly Powered Pinching-Antenna Systems

本文针对多用户无线供电系统，提出了一种结合夹持天线阵列与深度强化学习的智能资源分配方案，通过联合优化天线位置、发射功率及时间切换比，有效解决了非凸优化难题并显著提升了系统能效。

要点

这篇论文讲述了一个关于如何让未来的无线网络更聪明、更省电的故事。我们可以把它想象成是在管理一个繁忙的“能量与数据快递站”。

为了让你更容易理解，我们把论文里的技术术语转换成生活中的场景：

1. 核心场景：一个“先充电，后送货”的快递站

想象有一个基站（大仓库），它下面有很多用户（小快递员）。

• 传统模式：小快递员自己带电池，跑累了就回家充电，或者靠固定的充电桩充电。
• 本文模式（能量收集）：小快递员不自己带大电池。他们先在大仓库里“晒太阳”（接收无线能量），把能量存进小电池里，然后再用这些存好的能量把“包裹”（数据）送回去。
• 挑战：如果天气不好（信号差），或者快递员没吃饱（能量不足），送件效率就很低，甚至送不到。

2. 主角登场：会“捏”的魔法天线（Pinching Antennas）

这是这篇论文最酷的创新点。

• 传统天线：就像路灯。它们固定在杆子上，位置不能动。如果快递员躲在树后面（信号被遮挡），路灯的光照不到他，他就充不进电，也发不出信号。
• 捏式天线（Pinching Antenna）：想象成一条长长的、透明的魔法水管，上面有很多可以滑动的“发光点”。
  • 这些发光点（天线）可以在水管上自由滑动。
  • 如果快递员躲在树后面，系统可以指挥发光点滑到树旁边，直接对着他发光。
  • 比喻：就像你在黑暗中用手电筒找东西，传统方法是把灯固定在天花板上（照不到角落），而这种方法是你拿着手电筒（或者让灯自己跑过去）直接照到目标身上。

3. 遇到的难题：复杂的“平衡术”

这个系统要同时做三件事，而且它们互相牵制，非常难算：

1. 灯往哪滑？（天线位置）：滑得太近会互相干扰，滑太远信号又弱。
2. 发多少力？（发射功率）：力气用太大，电池瞬间没电；力气太小，包裹送不到。
3. 花多少时间充电？（时间切换）：充电时间太长，送件时间就少了；送件时间太长，能量不够用。

而且，系统还面临两个不确定性：

• 不知道快递员到底在哪（位置误差）：就像快递员在雾里，系统只能猜个大概。
• 不知道快递员电池剩多少（电量误差）：就像快递员没告诉你他电池剩多少，系统只能估算。

传统的数学公式算不出这种“既模糊又动态”的最佳方案，因为变量太多，像解一个永远解不开的乱麻。

4. 解决方案：请了一位"AI 教练”（深度强化学习）

既然算不出来，作者就请了一位AI 教练（基于深度强化学习的算法，具体是 DDPG）。

• 怎么教？：AI 教练一开始也是瞎蒙的。它试着指挥灯滑动、调整功率。
  • 如果送件成功且省电，它就给自己加分（奖励）。
  • 如果送件失败或没电了，它就扣分（惩罚）。
• 自我进化：经过成千上万次的“试错”，AI 教练学会了在雾天、在拥挤的人群中，如何最完美地指挥那些滑动的灯，如何分配充电和送件的时间。它不需要知道具体的物理公式，它只通过“经验”学会了直觉。

5. 最终效果：大获全胜

论文通过模拟实验发现：

• 比固定路灯好：这种会滑动的“魔法水管”系统，比传统的固定天线系统，能量效率（省电程度）高得多。
• 越多人越聪明：虽然用户多了干扰会变大，但 AI 教练能很好地处理，依然保持高效。
• 适应性强：即使不知道快递员的确切位置，AI 也能通过不断调整，找到最佳方案。

总结

这就好比以前我们是用固定的探照灯在照看一群在迷宫里跑动的人，效果很差。
现在，我们换成了一群由 AI 指挥的、可以在迷宫墙壁上自由滑动的智能小灯。它们能根据人的位置自动调整，还能根据人的体力（电量）智能分配时间。结果就是：人跑得更快，灯更省电，整个系统运转得更流畅。

这篇论文就是为了解决未来 6G 网络中，如何让无数个小设备（如物联网传感器）既不用频繁换电池，又能高速传输数据而提出的“智能调度方案”。

技术摘要

这是一份关于论文《AI-Empowered Resource Allocation for Wirelessly Powered Pinching-Antenna Systems》（AI 赋能的无线供电夹持天线系统资源分配）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
随着物联网（IoT）设备的指数级增长，未来的 B5G/6G 网络需要在保证高频谱效率的同时，解决设备能量受限的问题。非正交多址接入（NOMA）技术通过功率域复用提高了频谱效率，而无线能量传输（WPT）和能量收集（EH）技术则能延长设备寿命。然而，传统的固定位置天线架构难以适应动态传播环境（如毫米波/太赫兹频段的遮挡和非视距传播），且 NOMA 系统的上行链路资源优化在考虑用户能量收集能力差异、电池状态不确定性及信道条件时极其复杂。

核心问题：
本文研究了一种基于**夹持天线（Pinching Antenna, PA）**阵列辅助的上行 NOMA 网络。该系统采用“先收集后传输”（Harvest-then-Transmit）协议。主要挑战在于：

1. 联合优化复杂性： 需要同时优化天线位置、发射功率控制和时间切换比率（Time-switching ratio），以最大化系统能效（EE）。
2. 非凸性与耦合性： 优化变量相互耦合，且能量收集模型具有非线性特征。
3. 不确定性： 用户位置信息和电池状态存在不确定性（感知误差或延迟），导致信道增益和能量约束具有随机性。
4. 传统方法局限： 传统凸优化方法难以处理此类高维、非凸且包含随机不确定性的问题。

2. 方法论 (Methodology)

系统模型：

• 架构： 基站（BS）配备安装在介质波导上的 $N$ 个夹持天线（PA），用户设备（UD）为单天线。PA 可沿波导动态激活，改变辐射点位置，从而实时适应信道变化。
• 协议： 每个时隙分为两个阶段：
  1. 能量收集阶段： 基站发射能量，用户利用非线性 EH 模型收集能量。
  2. 信息传输阶段： 用户利用收集的能量，通过功率域 NOMA 上行传输数据，基站利用串行干扰消除（SIC）解码。
• 不确定性建模：
  • 电池状态： 建模为有界均匀分布的估计误差。
  • 用户位置： 建模为有界高斯分布的估计误差。

优化问题构建：
目标是最大化系统能效（总可达速率与总功耗之比）。

• 决策变量： 发射功率向量 $\mathbf{p}$、PA 激活位置向量 $\mathbf{x}$、时间切换比率 $\beta(t)$。
• 约束条件： 天线位置范围、最小间距、时间比率可行性、最小速率要求、能量因果性约束（消耗能量不超过可用能量）以及不确定性约束。
• 难点： 问题是非凸的，且受随机变量影响，传统解析方法难以求解。

解决方案：基于深度强化学习（DRL）的框架
由于问题具有连续动作空间和高维耦合特性，本文提出使用**深度确定性策略梯度（DDPG）**算法：

• 马尔可夫决策过程（MDP）建模：
  • 状态空间 ($S_t$)： 包含所有用户的剩余电池能量和空间位置估计值。
  • 动作空间 ($A_t$)： 包含所有用户的发射功率、所有 PA 的激活位置以及时间切换比率。
  • 奖励函数 ($R_t$)： 定义为系统能效。若用户速率低于最小要求，则施加惩罚项。
• 网络结构： 包含 Actor 网络（生成策略）和 Critic 网络（评估状态 - 动作对的价值）。采用软目标更新（Soft Target Updates）和经验回放（Experience Replay）来保证训练稳定性。
• 自适应机制： DRL 代理无需显式的信道模型或完美的环境信息，通过数据驱动的方式在动态环境中自主学习近优的资源分配策略。

3. 主要贡献 (Key Contributions)

1. 新型系统架构： 首次将**夹持天线（PA）**引入无线供电的 NOMA 上行网络。利用 PA 沿波导动态调整辐射点的能力，在不增加硬件复杂度的情况下，实现了空间重构，有效对抗遮挡并优化视距（LoS）路径。
2. 联合优化框架： 提出了一个联合优化天线位置、发射功率和时间切换比率的能效最大化问题，并显式考虑了非线性能量收集模型以及用户位置和电池状态的不确定性。
3. AI 驱动的求解算法： 设计了一种基于 DDPG 的强化学习算法，能够自主处理非凸、高维且包含随机不确定性的资源分配问题，实现了动态环境下的自适应决策。
4. 性能验证： 通过仿真证明了该方案在能效和频谱效率上显著优于传统固定天线方案和静态资源分配方案。

4. 仿真结果 (Results)

• 算法收敛性： DDPG 算法在训练过程中表现出最高的平均奖励和最低的波动性，相比 SAC、A2C 和 PPO 等其他 DRL 算法，收敛更稳定，更适合此类强耦合的约束优化问题。
• 天线数量影响： 随着 PA 数量增加，系统能效稳步提升。这是因为增加了空间自由度，增强了波束成形灵活性。但在 PA 数量过多时，由于电路功耗增加和元件间耦合效应，边际增益逐渐下降。
• 用户数量影响： 随着用户数量增加，能效呈单调下降趋势（由于干扰增加和电路功耗累积）。但在高密度场景下，下降速率减缓，表明系统对空间/频谱资源的饱和。
• 对比优势： 提出的 PA 辅助自适应方案在能效上显著优于以下基准：
  • 固定 PA 位置（传统固定天线）。
  • 离散 PA 位置优化。
  • 连续优化但非自适应的方案。
  • 基于 OMA 的 PA 辅助系统。

5. 意义与价值 (Significance)

• 技术突破： 本文展示了将可重构智能表面/波导技术（夹持天线）与无线能量传输及NOMA相结合的巨大潜力，为解决未来 6G 网络中能量受限设备的连接问题提供了新的硬件架构思路。
• 实用价值： 提出的 DRL 框架不依赖完美的信道状态信息（CSI）和精确的电池状态，具有很强的鲁棒性，非常适合实际部署中充满不确定性的动态环境。
• 能效提升： 通过动态调整天线位置来优化信道增益，同时智能分配能量收集与传输时间，显著提升了系统的整体能源利用效率，符合绿色通信和可持续发展的目标。

总结： 该论文通过引入创新的夹持天线硬件架构，并结合先进的深度强化学习算法，成功解决了无线供电 NOMA 系统中复杂的资源分配难题，为下一代高能效、高可靠性的无线网络设计提供了重要的理论依据和技术方案。