工作一年的经验

前段时间晋升答辩,自我感觉答辩很失败。我总结自己答辩失败的直接原因是:优化的目标与线上效果有很大偏差。

我认为更深的原因在于:缺乏主动与领导的沟通

最近已经在这两方面有了不小改进,工作上也较之前有了突破。


与领导的沟通十分的必要。如果一味闷着头工作,不把你的想法事先与领导讨论,造成的结局是,当你展现工作成果时,领导会尽力挑你不足。如果先与领导讨论,有可能得到更多的思路,发现自己想法的不足。简单点说,就是把你的方案,其它人的方案,领导的方案多方吸取,得到最终可行的方案,并经过领导同意后,再进行具体实现。


另外,一定要优化线上效果,否则后面无论再好的算法都是无用功。不同于数据挖掘比赛,比赛时,需要优化的目标已经设定好,你只负责试验各种算法,把指标提升即可。现实中,你要亲自给自己设定优化目标。就像考试解题一样,首先要确保100%理解题意,这样后续的解答才能得到正确的结果。找到正确的优化目标,后续的工作才有意义。这一点十分重要,血的教训,以后要时刻提醒自己,是否在优化正确的目标。


还有一点是,不要一上来就套用算法模型。多做做试验式的探究,把问题中不清楚的环节搞清楚,说不定解决问题的关键就藏在这些你还不清楚的环节中。一种比较好的让自己搞清楚问题各个环节的办法是,先尽量不用高大上的算法,先用最暴力的方法试试,因为暴力方法迫使你要把问题的基本环节搞清楚。如果暴力方法可行,又何必搞高大上的算法。

内容概要:该论文探讨了一种基于粒子群优化(PSO)的STAR-RIS辅助NOMA无线通信网络优化方法。STAR-RIS作为一种新型可重构智能表面,能同时反射和传输信号,与传统仅能反射的RIS不同。结合NOMA技术,STAR-RIS可以提升覆盖范围、用户容量和频谱效率。针对STAR-RIS元素众多导致获取完整信道状态信息(CSI)开销大的问题,作者提出一种在不依赖完整CSI的情况下,联合优化功率分配、基站波束成形以及STAR-RIS的传输和反射波束成形向量的方法,以最大化总可实现速率并确保每个用户的最低速率要求。仿真结果显示,该方案优于STAR-RIS辅助的OMA系统。 适合人群:具备一定无线通信理论基础、对智能反射面技术和非正交多址接入技术感兴趣的科研人员和工程师。 使用场景及目标:①适用于希望深入了解STAR-RIS与NOMA结合的研究者;②为解决无线通信中频谱资源紧张、提高系统性能提供新的思路和技术手段;③帮助理解PSO算法在无线通信优化问题中的应用。 其他说明:文中提供了详细的Python代码实现,涵盖系统参数设置、信道建模、速率计算、目标函数定义、约束条件设定、主优化函数设计及结果可视化等环节,便于读者理解和复现实验结果。此外,文章还对比了PSO与其他优化算法(如DDPG)的区别,强调了PSO在不需要显式CSI估计方面的优势。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值