# 正交频分复用

OFDM-ISAC系统里，通信偏好注水功率与高斯型输入，感知偏好均匀功率与恒模星座，两者在频选信道上形成折中。该工作把每子载波的功率与峰度作为共同变量，用自编码器离线训练一族以峰度为条件的有限星座，在线按分配结果即时生成。仿真显示中等信噪比下联合优化明显优于单独优化功率或星座，且预训练星座族几乎完全兑现了预测的分配增益。

OFDM-ISAC系统里，通信偏好注水功率与高斯型输入，感知偏好均匀功率与恒模星座，两者在频选信道上形成折中。该工作把每子载波的功率与峰度作为共同变量，用自编码器离线训练一族以峰度为条件的有限星座，在线按分配结果即时生成。仿真显示中等信噪比下联合优化明显优于单独优化功率或星座，且预训练星座族几乎完全兑现了预测的分配增益。

该工作提出 GREQ 两阶段混合模型-学习框架：第一阶段用基于信道统计的贪心算法以最少子信道确定性满足用户 QoS，第二阶段利用 OFDM 子信道间干扰仅来自同子信道这一结构，将大规模 MARL 问题分解为按子信道独立的 QMIX 子问题，从而避免动作空间指数爆炸；在 50MHz 带宽、多种 numerology 的仿真中，GREQ 相比优化与学习基线吞吐提升最高 40%，实现 100% 约束满足，且仅激活 20–80% 的可用子信道。

该工作提出 GREQ 两阶段混合模型-学习框架：第一阶段用基于信道统计的贪心算法以最少子信道确定性满足用户 QoS，第二阶段利用 OFDM 子信道间干扰仅来自同子信道这一结构，将大规模 MARL 问题分解为按子信道独立的 QMIX 子问题，从而避免动作空间指数爆炸；在 50MHz 带宽、多种 numerology 的仿真中，GREQ 相比优化与学习基线吞吐提升最高 40%，实现 100% 约束满足，且仅激活 20–80% 的可用子信道。