# NOMA功率分配

在下行NOMA系统中，功率分配此前多依赖固定、均分或集中式学习，难以同时兼顾吞吐与弱信道用户。Kampala International University团队把每个用户建模为独立学习智能体，用共享奖励协调各自的局部观测，并在学习环境中显式计入不完美SIC留下的残余干扰。三用户仿真中，该方法在30 dB信噪比下取得约18 bps/Hz和0.96的公平指数，10 dB时中断概率低于10%。

在下行NOMA系统中，功率分配此前多依赖固定、均分或集中式学习，难以同时兼顾吞吐与弱信道用户。Kampala International University团队把每个用户建模为独立学习智能体，用共享奖励协调各自的局部观测，并在学习环境中显式计入不完美SIC留下的残余干扰。三用户仿真中，该方法在30 dB信噪比下取得约18 bps/Hz和0.96的公平指数，10 dB时中断概率低于10%。