Reconfigurable intelligent surfaces (RISs), also known as intelligent reflecting surfaces (IRSs), or large intelligent surfaces (LISs), ¹ have received significant attention for their potential to enhance the capacity and coverage of wireless networks by smartly reconfiguring the wireless propagation environment. Therefore, RISs are considered a promising technology for the sixth-generation (6G) of communication networks. In this context, we provide a comprehensive overview of the state-of-the-art on RISs, with focus on their operating principles, performance evaluation, beamforming design and resource management, applications of machine learning to RIS-enhanced wireless networks, as well as the integration of RISs with other emerging technologies. We describe the basic principles of RISs both from physics and communications perspectives, based on which we present performance evaluation of multiantenna assisted RIS systems. In addition, we systematically survey existing designs for RIS-enhanced wireless networks encompassing performance analysis, information theory, and performance optimization perspectives. Furthermore, we survey existing research contributions that apply machine learning for tackling challenges in dynamic scenarios, such as random fluctuations of wireless channels and user mobility in RIS-enhanced wireless networks. Last but not least, we identify major issues and research opportunities associated with the integration of RISs and other emerging technologies for applications to next-generation networks. ¹ Without loss of generality, we use the name of RIS in the remainder of this paper. 

Reconfigurable intelligent surfaces (RISs) constitute a promising performance enhancement for next-generation (NG) wireless networks in terms of enhancing both their spectral efficiency (SE) and energy efficiency (EE). We conceive a system for serving paired power-domain non-orthogonal multiple access (NOMA) users by designing the passive beamforming weights at the RISs. In an effort to evaluate the network performance, we first derive the best-case and worst-case of new channel statistics for characterizing the effective channel gains. Then, we derive the best-case and worst-case of our closed-form expressions derived both for the outage probability and for the ergodic rate of the prioritized user. For gleaning further insights, we investigate both the diversity orders of the outage probability and the high-signal-to-noise (SNR) slopes of the ergodic rate. We also derive both the SE and EE of the proposed network. Our analytical results demonstrate that the base station (BS)-user links have almost no impact on the diversity orders attained when the number of RISs is high enough. Numerical results are provided for confirming that: i) the high-SNR slope of the RIS-aided network is one; ii) the proposed RIS-aided NOMA network has superior network performance compared to its orthogonal counterpart.

In order to overcome the reflecting-only issue of the conventional reconfigurable intelligent surface (RIS), simultaneous-transmitting-and-reflecting reconfigurable intelligent surface (STAR-RIS) stands as a potential solution for providing access services to the users located at the full space. By utilizing the omnidirectional properties of STAR-RIS, non-orthogonal multiple access (NOMA) users on both sides can be served simultaneously. By making the signal reflected by STAR-RIS coherent superposition with the direct signal, using the Riemannian optimization algorithm (ROA), the proposed signal enhancement algorithm can greatly enhance the signal power of NOMA users, reduce the outage probability, and improve the ergodic rate performance. According to the simulation results, the random phase STAR-RIS can improve the spectral efficiency of 3.6bit/s/Hz compared without STAR-RIS. After using the proposed ROA, the spectral efficiency can be extra increased by 1.8bit/s/Hz, which verifies the superiority of the proposed algorithm.