1. 项目概述与核心价值在无线通信系统设计中我们常常面临一个核心矛盾如何在有限的发射功率下最大化用户的通信质量传统的解决方案比如优化基站BS的波束赋形Beamforming已经将单点性能挖掘到了相当的程度。然而当信道环境复杂特别是存在遮挡导致直连链路BS-User很弱时基站“巧妇难为无米之炊”性能提升很快会遇到瓶颈。近年来智能反射面IRS技术为解决这一难题提供了新思路。你可以把它想象成一面“智能镜子”通过编程控制表面成百上千个反射单元的相位能够将入射的无线信号以特定的方式反射到目标用户从而构建一条强大的虚拟视距链路。早期的IRS是被动式的即只改变信号相位不放大信号功率。这就带来了“双衰落”问题信号从BS到IRS经历一次衰落从IRS到用户又经历一次衰落信号强度衰减非常严重。主动式智能反射面Active IRS的出现相当于给这面“镜子”装上了微型功率放大器在反射信号的同时还能进行放大有效对抗了路径损耗性能潜力巨大。但引入Active IRS也带来了新的挑战系统总功率来自电源或电池需要在基站和IRS之间进行分配。给基站多分点直连信号可能更强给IRS多分点反射链路可能更优。这个分配比例功率分配因子不是固定的它需要与基站的波束赋形向量、IRS的相位矩阵进行联合优化三者相互耦合构成了一个非常复杂的非凸优化问题。本项目正是瞄准了这一前沿问题。我们提出并实现了两种基于机器学习的联合优化策略核心目标是在总功率硬性约束下通过协同设计功率分配因子、基站波束赋形和主动IRS相位矩阵最大化用户的可达速率Achievable Rate。第一种策略Max-SNR-PA以最大化信噪比SNR为目标采用了多项式回归、Dinkelbach变换和逐次凸逼近SCA等混合方法。第二种策略Max-AR-CFFP则直接以最大化可达速率为目标利用闭式分式规划CFFP方法旨在以更低的计算复杂度获得接近的性能。这项工作为5G-Advanced及未来6G网络中如何高效利用Active IRS这一新硬件来突破传统网络容量极限提供了切实可行的算法方案和设计思路。2. 系统模型与问题建模2.1 为什么需要联合优化在深入公式之前我们首先要理解“联合优化”的必要性。在Active IRS辅助的系统中有三个关键的控制“旋钮”基站波束赋形向量 (v)控制基站天线阵列的发射方向将能量聚焦。IRS相位与放大矩阵 ()控制每个反射单元的相位和放大系数塑造反射波束。功率分配因子 (β)决定总功率P_max中有多少比例βP_max分配给基站剩余比例(1-β)P_max分配给IRS的放大器。这三个旋钮是深度耦合的。例如如果你优化出了一个非常高效的IRS波束但这个波束需要IRS消耗大量功率那么你就必须减少基站的分配功率β变小这可能导致直连链路质量下降。反之如果基站波束v非常强可能就不需要IRS反射太多能量此时β可以更大。因此孤立地优化任何一个变量都无法达到全局最优。我们必须将它们视为一个整体来设计。2.2 数学模型拆解我们考虑一个下行链路系统一个配备M根天线的基站BS服务一个单天线用户User并有一个包含N个反射单元的主动IRS进行辅助。核心的数学模型建立如下1. 基站发射信号s_B sqrt(β * P_max) * v * x这里x是满足E[|x|^2]1的发送符号v是满足v^H v 1的归一化波束赋形向量。β在[0,1]之间是功率分配因子。2. IRS反射信号IRS不仅反射信号其内置放大器还会引入额外的噪声。其反射信号为s_I * G * s_B * n_I sqrt(β * P_max) * * G * v * x * n_I其中G是BS到IRS的信道矩阵n_I ~ CN(0, σ_I^2 I_N)是IRS放大器引入的加性高斯白噪声。 diag(a_1 e^{jθ_1}, ..., a_N e^{jθ_N})是IRS的反射矩阵包含了每个单元的放大系数a_n和相移θ_n。3. 用户接收信号用户会收到来自基站的直连信号和来自IRS的反射信号y sqrt(β * P_max) * (f^H G h^H) v * x f^H n_I z其中f^H是IRS到用户的信道向量h^H是BS到用户的直连信道向量z ~ CN(0, σ_n^2)是用户接收机噪声。4. 关键性能指标根据上述模型我们可以推导出用户端的信噪比SNR和香农可达速率ARSNR [β * P_max * |(f^H G h^H) v|^2] / [σ_I^2 * ||f^H ||^2 σ_n^2] AR log2(1 SNR)同时系统需要满足总功率约束基站功率 (βP_max) IRS功耗 (P_IRS) ≤P_max。IRS的功耗包括放大反射信号的功率和放大器本身的功耗即P_IRS βP_max * || G v||^2 σ_I^2 * ||||_F^2。5. 优化问题形式化我们的目标就是在总功率P_max的约束下联合优化βv 和以最大化SNR对应Max-SNR-PA策略或直接最大化AR对应Max-AR-CFFP策略。这是一个典型的带有多个非凸约束的分数规划问题直接求解是NP-hard的。注意这里有一个重要的工程考量点。在被动IRS中的每个元素模值通常为1只调相不放大。但在主动IRS中a_n可以大于1这带来了增益但也引入了新的噪声项f^H n_I和功耗项σ_I^2 * ||||_F^2。这使得优化问题比被动IRS场景复杂得多但也带来了性能提升的潜力。3. 核心算法一Max-SNR-PA策略详解Max-SNR-PA策略的核心思想是采用交替优化Alternating Optimization框架。既然三个变量耦合在一起难以处理我们就“冻结”其中两个优化第三个如此循环迭代直至收敛。这种方法虽然不能保证找到全局最优解但能高效地找到一个性能优异的局部最优解。3.1 功率分配因子(β)的优化多项式回归的妙用当固定IRS矩阵和基站波束v后优化问题(P0)退化为仅关于β的单变量问题(P1)。但目标函数f(β)的形式非常复杂是一个包含平方根和分式的非线性函数直接求导找极值点计算繁琐且可能没有闭式解。我们采用的技巧是多项式回归拟合。采样在β的定义域[0, 1]内均匀或随机选取J个点{β_1, β_2, ..., β_J}代入原函数f(β)计算出真实的SNR值构成训练集{(β_j, f(β_j))}。拟合用一个Q阶多项式g(β) a_0 a_1 β ... a_Q β^Q去拟合这些样本点。通过最小二乘法我们可以解析地求出最优系数向量[a_0, a_1, ..., a_Q]^T。寻优拟合后的多项式g(β)是光滑的。对其在[0,1]区间内求导导数是一个(Q-1)阶多项式令其等于零。当Q≤5时我们可以直接求出导数的根即候选极值点β_bar。决策检查这些根是否落在[0,1]区间内然后将所有合法的候选点包括区间端点0和1代入原函数f(β)注意是原函数不是拟合函数选择使f(β)最大的那个作为本轮迭代的最优β。实操心得多项式阶数Q和采样点数J的选择是关键。Q太高如5会导致求根困难且容易过拟合Q太低如2则拟合精度不足。J太少会导致拟合不准确。仿真表明Q3 J201是一个在精度和复杂度之间很好的平衡点。在实际代码实现中可以先尝试Q2,3,4观察拟合曲线与真实曲线的均方误差再做选择。3.2 基站波束赋形(v)的优化逐次凸逼近SCA固定β和后优化v的问题(P2)仍然非凸主要难点在于模值约束v^H v 1和功率约束中的二次型。我们通过两步将其转化为凸问题松弛约束首先将严格的模值约束v^H v 1松弛为v^H v ≤ 1。因为目标函数是v^H B vB是厄米特矩阵对于这种齐次二次型最优解必然在边界v^H v 1上取得所以松弛是紧的不会损失最优性。处理非凸分式约束功率约束v^H C v ≤ P_max本身是凸的假设C半正定但之前为了推导方便我们将其与松弛后的模值约束结合形成了一个非凸的约束v^H C v / v^H v ≤ P_max。这里我们利用逐次凸逼近SCA技术。SCA核心在某个固定点v_tilde处对非凸的分子v^H B v和分母v^H v分别进行一阶泰勒展开因为它们是凸函数。对于凸函数f(x)其一阶泰勒展开f(x) ≥ f(x0) ∇f(x0)^T (x-x0)给出了该函数的一个全局下界。我们用这个下界替代原目标函数和约束中的非凸部分从而在每一步迭代中得到一个凸的近似子问题(P2-3)。迭代求解求解这个凸子问题可以用CVX等凸优化工具包得到新的解v_new然后将其作为下一次SCA迭代的展开点v_tilde。如此反复序列解会收敛到一个原问题的驻点。最后将得到的解归一化以满足严格的模值约束。3.3 IRS相位矩阵()的优化Dinkelbach变换固定β和v后优化或其向量化形式θ的问题(P3)是一个分式规划问题。我们采用经典的Dinkelbach变换将其转化为一系列更容易处理的子问题。变换形式对于分式规划问题max F(x)/G(x)Dinkelbach变换引入一个辅助变量η将其等价转化为max F(x) - η G(x)。可以证明当η F(x*)/G(x*)时x*是最优点变换后问题的最优值为0。迭代过程我们从一个初始的η开始例如η0。在每次迭代中固定η求解凸问题(P3-1)max θ^H D θ 2 Re{t^H θ} - η(θ^H E θ σ_n^2)。这个问题仍然非凸因为目标函数中的θ^H D θ项是凹的如果D半正定。我们再次使用SCA在固定点θ_0处对θ^H D θ进行一阶下界逼近得到凸子问题(P3-2)用CVX求解得到新的θ。更新η用新得到的θ更新ηη_new [θ^H D θ 2 Re{t^H θ}] / [θ^H E θ σ_n^2]。收敛判断重复步骤2和3直到目标函数F(θ) - η G(θ)的值小于一个预设的容差ξ。此时得到的θ和η即为原分式规划问题的一个解。3.4 算法流程与复杂度分析将上述三个子问题的优化过程组合起来就形成了完整的Max-SNR-PA算法对应原文Algorithm 2初始化β(0),v(0),(0)计算初始可达速率AR(0)。循环迭代直至收敛a.固定v, 用多项式回归法更新β。b.固定β, 用SCA法更新v。c.固定β, v用Dinkelbach变换SCA法更新。d. 计算新的可达速率AR(k)。 e. 判断|AR(k) - AR(k-1)|是否小于阈值ε若是则退出循环。输出最优的β,v,和AR。复杂度分析算法的总复杂度由三部分主导更新β复杂度为O((Q1)^4)主要来自多项式系数求解的矩阵求逆。更新v复杂度约为O(6M^3 log(1/ε))其中M是基站天线数源于内点法求解凸问题的迭代。更新复杂度约为O(log(1/ε) * L_θ * log(1/ξ) * N^4.5)其中N是IRS单元数L_θ是Dinkelbach内层循环次数。这是算法中最耗时的部分与N^4.5成正比。因此总复杂度为O(L_p [Q^4 6M^3 log(1/ε) 2 log(1/ε) L_θ log(1/ξ) N^4.5])其中L_p是外层交替优化循环次数。可以看到当IRS单元数N很大时计算负担会显著增加。4. 核心算法二低复杂度Max-AR-CFFP策略Max-SNR-PA策略虽然有效但计算复杂度高尤其是对于大规模IRSN很大的场景。Max-AR-CFFP策略的核心动机就是降低计算复杂度同时直接以最大化可达速率AR为目标在性能与效率之间取得更好平衡。4.1 问题重构闭式分式规划CFFP我们回到一个更本质的系统模型隐藏了功率分配因子β将总功率P_max视为一个池子基站波束v1和IRS矩阵共同从这个池子里消耗功率。优化问题(P4)是直接最大化AR1 log2(1SNR1)。直接处理对数函数和分式形式的SNR非常困难。闭式分式规划CFFP提供了一种巧妙的转化方法。通过引入两个辅助变量γ和μ我们可以将原问题(P4)等价地转化为问题(P4-1)max log(1γ) - |μ|^2 (σ_I^2 ||f^H ||^2 σ_n^2) - γ 2√(1γ) Re{μ* (f^H G h^H) v1}这个新形式的目标函数是关于每个变量v1, , γ, μ分别都是凹的或凸的这为交替优化创造了极佳的条件。4.2 交替优化与闭式解在转化后的问题(P4-1)中当固定其中三个变量时剩下一个变量的最优解存在闭式表达式或可以转化为一个简单的凸问题这大大降低了计算成本。优化辅助变量μ (固定v1, , γ)目标函数对μ求导等于零可直接得到最优解μ_opt √[(1γ) ||(f^H G h^H) v1||^2] / [σ_I^2 ||f^H ||^2 σ_n^2]这是一个标量计算复杂度极低O(N)。优化辅助变量γ (固定v1, , μ)同样通过求导得到最优解γ_opt [ϖ^2 ϖ√(ϖ^24)] / 2其中ϖ Re{μ* (f^H G h^H) v1}复杂度为O(M)。优化基站波束v1 (固定, γ, μ)问题转化为一个带有二次约束的线性目标最大化问题(P4-2)max Re{k^H v1}, s.t. v1^H H v1 ≤ P_r这是一个二阶锥规划SOCP问题是凸的可以用CVX高效求解。其复杂度约为O(log(1/δ) * M^4.5)虽然与M有关但通常基站天线数M远小于IRS单元数N。优化IRS矩阵 (固定v1, γ, μ)同样地问题转化为另一个凸问题(P4-3)max Re{θ^H d} - θ^H J θ, s.t. θ^H L θ ≤ P_b这也是一个SOCP问题复杂度约为O(log(1/δ) * N^4.5)。4.3 算法流程与优势分析Max-AR-CFFP算法对应原文Algorithm 3流程如下初始化v1,,μ,γ。循环迭代直至收敛a.固定v1, , γ按闭式解更新μ。b.固定v1, , μ按闭式解更新γ。c.固定, γ, μ用凸优化求解v1。d.固定v1, γ, μ用凸优化求解。e. 计算新的可达速率AR1判断是否收敛。核心优势复杂度显著降低总复杂度为O(L_c log(1/δ) (M^4.5 N^4.5))。相比于Max-SNR-PA它省去了高阶多项式拟合和Dinkelbach内层迭代且两个凸问题的求解是标准SOCP效率更高。直接优化AR以信息论意义上的直接指标可达速率为目标理论上更精准。交替步骤清晰四个子问题交替更新每个步骤都有明确且高效的求解方法。注意事项尽管Max-AR-CFFP复杂度更低但其性能与Max-SNR-PA在大多数场景下相差无几后续仿真证实。在工程实现中尤其是对实时性要求较高的场景Max-AR-CFFP通常是更实用的选择。然而其初始化点可能对收敛速度和最终结果有影响实践中可以采用随机初始化多次运行取最佳或使用Max-SNR-PA的粗略解作为其“热启动”。5. 仿真结果分析与工程启示我们通过大量的蒙特卡洛仿真来验证所提算法的性能。仿真环境设置如下BS位置(0,30,0)IRS位置(50,0,10)用户位置(25,30,0)单位米。信道采用瑞利衰落模型。基站天线数M2噪声功率σ_I^2 σ_n^2 -100 dBm。5.1 关键性能验证1. 多项式回归拟合效果图2展示了不同采样点数J和多项式阶数Q下拟合得到的速率曲线与原始速率曲线的对比。可以看到当J201, Q3时拟合曲线几乎与原始曲线重合。这验证了用低阶多项式来近似复杂的β函数是可行且准确的为Max-SNR-PA算法中高效求解β提供了保障。2. 算法收敛性图3和图4分别展示了两种算法的收敛行为。无论是Max-SNR-PA还是Max-AR-CFFP其可达速率都随着迭代次数增加而快速上升并在有限步数内通常10-15次内达到稳定。这表明我们的交替优化框架是有效的。同时可以看到Max-AR-CFFP的收敛速度略慢于Max-SNR-PA但考虑到其单次迭代复杂度低总的计算时间往往更短。3. 性能对比与增益分析我们将提出的两种算法与多种基准方案进行对比固定功率分配β0.5, 0.8, 0.99将功率固定比例分配给BS和IRS。被动IRS使用只有相移功能、无放大能力的IRS。随机相位IRS采用随机相移。无IRS传统MISO系统。图5-7展示了在不同直连链路强度弱、中、强下可达速率随IRS单元数N增加的变化趋势。核心结论如下所提算法全面优于基准在所有场景下Max-SNR-PA和Max-AR-CFFP的性能始终是最好的且两者性能非常接近。Active IRS的价值在直连链路较弱时图5被动IRS和固定功率分配方案性能提升有限而两种所提算法通过联合优化能充分利用Active IRS的放大能力带来显著的性能增益可达速率提升数倍。功率分配的威力即使直连链路很强图7固定的功率分配如β0.99即绝大部分功率给BS性能仍次于所提的动态分配算法。这说明动态的、联合的功率分配至关重要它能根据实时信道条件在直传和反射路径之间找到最佳平衡。规模效应随着IRS单元数N增加所有IRS辅助方案的性能都在提升但所提算法的提升斜率更陡说明其能更有效地利用大规模IRS提供的空间自由度。图8-10则展示了在固定N128时速率随总发射功率P_max增加的变化。可以看到在低功率区域所提算法的优势尤为明显。随着功率增大所有方案的性能差距会相对缩小但所提算法始终保持在最前列。5.2 工程实践要点与避坑指南基于仿真和算法分析在实际系统设计中需要注意以下几点信道估计开销本算法假设完美的信道状态信息CSI即已知G, f, h。在实际中获取这些信道特别是大规模IRS相关的信道开销巨大。需要结合信道估计技术如基于导频的方案并考虑算法对信道误差的鲁棒性。算法选择准则追求极致性能如果系统计算资源充足如云端集中处理且IRS规模不是特别大N100可以选择Max-SNR-PA算法。追求实时性与效率对于大规模IRSN很大或边缘计算场景Max-AR-CFFP是更优选择它能以轻微的性能损失换取计算复杂度的大幅下降。混合策略可以先用Max-SNR-PA或更简化的版本进行粗调得到一组较好的初始解然后切换到Max-AR-CFFP进行快速精调和跟踪。初始化策略交替优化算法对初始值敏感。建议的初始化方法包括最大比传输MRT基站波束初始化为v h / ||h||即对准直连信道。信道匹配IRS相位初始化为对齐BS-IRS和IRS-User信道的相位即θ_n的相位设置为-angle(conj(f_n) * (G v)_n)放大系数初始化为一个较小值。随机初始化多次运行从多组随机初始点开始选择最终性能最好的解。收敛阈值设置外层交替优化循环的收敛阈值ε不宜设置过小如1e-6通常1e-3或1e-4在性能与时间上是一个较好的折衷。内层Dinkelbach或凸优化求解器的精度也可以适当放宽。硬件非理想因素实际Active IRS中放大器的增益可能存在非线性相移和幅度控制存在量化误差。在算法设计后期需要考虑这些非理想因素的影响可能需要在优化问题中加入相应的约束或使用鲁棒优化方法。6. 总结与展望本项目深入探讨了主动智能反射面辅助通信系统中功率分配与波束赋形的联合优化这一核心问题。我们提出了两种高效的迭代算法基于多项式回归和Dinkelbach变换的Max-SNR-PA算法以及基于闭式分式规划的Max-AR-CFFP低复杂度算法。仿真结果充分验证了所提算法在提升系统可达速率方面的显著优势特别是在直连链路弱、IRS规模大的场景下性能增益尤为突出。从工程落地的角度看Max-AR-CFFP算法因其更低的复杂度而更具吸引力。未来的工作可以从以下几个方向展开一是研究更高效的信道估计方案以降低获取CSI的开销二是探索基于深度学习的优化方法将复杂的迭代过程离线训练为一个神经网络在线实现瞬时推理满足超低时延需求三是考虑更复杂的多用户、宽带频率选择性信道场景将当前的算法框架进行扩展。主动IRS作为一种能主动塑造无线环境的新范式其与先进信号处理算法的结合必将为未来6G网络的能力跨越提供关键支撑。
