本文提出一种可移动元件（ME）多功能可重构智能表面（MF‑RIS）架构，记为 MM‑RIS。该架构在传统 RIS 的相位调制基础上，加入元件位移能力，并支持反射、透射、放大以及能量收集（EH），从而提升通信的灵活性和能量自给自足性。
在 MM‑RIS 上进一步设计了混合率分割多址（RSMA）与非正交多址（NOMA）传输方案，以增强频谱效率。针对系统的能量效率（EE）最大化，构建了联合优化模型，变量包括发射波束、功率与速率分配、MM‑RIS 配置、面板部署以及 ME 位置。
该模型为非凸的连续‑离散混合优化问题。为求解，本文提出约束混合深度强化学习框架 CRAFTS（Constrained Hybrid deep reinforcement learning with federated transformer and parametrized sharing）。CRAFTS 通过双向参数共享，将多智能体近端策略优化（MAPPO）用于连续动作，将多智能体深度 Q 网络（MADQN）用于离散动作，实现连续‑离散协同决策。
框架内部采用基于 Transformer 的状态编码，并结合联邦学习（FL）实现分布式知识共享，提升全局表示能力。约束满足通过拉格朗日自适应惩罚机制实现，能够在学习过程中动态调节约束违背的代价。
仿真结果表明，MM‑RIS 结构与 CRAFTS 框架相较于文献基准在 EE 和约束满足率上均有显著提升，验证了空间可重构 MM‑RIS、混合 RSMA‑NOMA 以及智能协同学习的协同增益。
点评