1. 项目概述当波束赋形遇见智能反射面在无线通信领域提升频谱效率和扩大覆盖范围是永恒的核心挑战。传统的解决方案比如增加基站天线数量大规模MIMO或部署中继往往伴随着高昂的硬件成本、复杂的信号处理和额外的能耗。近年来智能反射面Intelligent Reflecting Surface, IRS作为一种革命性的“智能无线环境”技术为我们打开了一扇新的大门。你可以把它想象成一面由成千上万个微型“镜子”组成的数字墙每一面“镜子”都能独立、智能地调整其对入射无线信号的反射相位和幅度。通过编程控制这面“墙”我们就能像指挥光线一样动态地塑造无线信号的传播路径将能量精准地“引导”到目标用户同时避开干扰。然而理想很丰满现实却很骨感。在实际的硬件实现中要让每个IRS单元实现任意精度的连续相位调节成本和技术难度极高。更常见、更经济的选择是使用1-bit或2-bit的相位量化这意味着每个单元只能选择有限的几个固定相位值例如1-bit对应0°和180°两个相位。这就引出了本文要解决的核心问题在IRS相位只能离散调节的硬约束下如何设计最优的波束赋形策略以最大化多用户系统的整体性能传统的优化方法要么假设连续相位不切实际要么面对离散优化问题陷入计算复杂度爆炸的困境。我们的工作正是瞄准了这一痛点提出了一套融合了角度域分析和量化近似的联合优化框架。简单来说我们不再把信道看作一堆抽象的数字矩阵而是回归其物理本质——信号在三维空间中的传播角度。通过精确建模基站、IRS和用户之间的空间几何关系我们能更“聪明”地初始化并约束优化问题。然后采用“先连续松弛后智能量化”的两步法在逼近最优性能的同时将计算复杂度控制在工程可实现的范围内。2. 核心思路与系统建模拆解2.1 为什么是角度域从抽象矩阵到空间几何很多现有的IRS研究将信道建模为随机矩阵这虽然便于理论分析但忽略了无线传播中固有的空间结构信息。当IRS部署在较高位置如建筑物外墙时基站到IRS的链路通常存在强视距LoS分量。此时信道的特性很大程度上由收发端的相对位置和阵列的几何结构决定。我们的核心创新之一就是引入了一个三维角度域信道模型。我们不再仅仅关注信道矩阵H的数值而是深入其物理构成角度出发AoD信号从基站天线阵列发射出去的方向。角度到达AoA信号到达IRS阵列或用户的方向。这些角度信息方位角和仰角可以直接从基站、IRS和用户的物理坐标(x, y, z)计算出来。基于此我们可以用阵列响应向量来精确描述LoS信道分量。例如基站到IRS的信道F可以分解为F sqrt(β_F K_F/(K_F1)) * F_LoS sqrt(β_F/(K_F1)) * F_NLoS其中F_LoS就是由AoD和AoA决定的确定性部分它可以通过基站和IRS的阵列流形向量a(θ, φ)和b(θ, φ)的克罗内克积来精确表示。K_F是莱斯K因子表征LoS路径的强弱β_F是包含距离路径损耗的大尺度衰落。实操心得在仿真中构建这个模型时关键是要正确计算阵列响应向量。对于均匀矩形阵列URA每个天线单元的相位偏移需要根据其在阵列中的二维索引(m, n)来计算公式为exp(j*π*[(m-1)*sinθ*cosφ (n-1)*sinθ*sinφ])。务必注意角度转换为弧度制并确保阵列索引从0或1开始的一致性否则会导致相位计算错误波束指向完全偏离。2.2 系统模型与信号传输流程我们考虑一个典型的下行多用户MISO系统基站BS配备M根天线服务K个单天线用户。智能反射面IRS由N个无源反射单元组成部署在基站和用户之间用于辅助通信。每个单元引入一个可调的相移θ_n ∈ {0, 2π/L, ..., 2π(L-1)/L}其中L2^b由量化比特数b决定。信道包含直接路径基站到用户和反射路径基站-IRS-用户。由于遮挡直接路径通常较弱建模为瑞利衰落而基站-IRS和IRS-用户路径由于可能存在LoS建模为莱斯衰落。基站采用线性预编码。发送信号向量x W s其中s是K个用户的符号向量W是M×K的预编码矩阵。用户k的接收信号为y_k h_k^T x n_k这里h_k是基站到用户k的等效端到端信道它融合了直接信道和经过IRS反射的信道h_k h_{d,k} g_k Θ F。其中Θ diag(α_1 e^{jθ_1}, ..., α_N e^{jθ_N})是IRS的反射系数矩阵g_k是IRS到用户k的信道F是基站到IRS的信道。我们的目标就是联合设计基站的预编码矩阵W和IRS的离散相移矩阵Θ以最大化系统的加权和速率或最小用户信干噪比SINR。2.3 问题挑战非凸与离散的“双重枷锁”这个联合优化问题天然是非凸的因为目标函数和速率关于变量W和Θ非凸且约束条件|e^{jθ_n}|1是单位模约束。更棘手的是θ_n被限制在一个离散集合中这使问题进一步变成了一个混合整数非凸规划问题属于NP-hard难题。直接使用穷举搜索或分支定界法等全局优化方法其计算复杂度随IRS单元数量N呈指数增长对于N成百上千的大规模IRS完全不现实。因此我们必须寻找低复杂度的次优算法。3. 所提算法两步走的量化近似优化框架我们的核心思路是“分而治之”和“化离散为连续”。具体分为两大步固定IRS优化基站预编码固定预编码优化IRS离散相移。其中第二步是我们算法的创新重点。3.1 第一步基于MSE最小化的ZF预编码设计为了降低复杂度我们选择将基站预编码设计与IRS相移优化解耦。首先我们假设一个给定的IRS配置Θ推导基站端的预编码矩阵W。我们采用迫零ZF预编码来消除多用户间干扰。其目标是在接收端完全消除其他用户信号对目标用户的干扰。ZF预编码矩阵的计算公式为W_ZF H^H (H H^H)^{-1}其中H是包含所有用户端到端信道的复合信道矩阵。ZF预编码器实质上是信道矩阵的伪逆它强制将每个用户的信号投影到其他用户信道的零空间。为什么选择ZF而不是MMSE在本文的上下文中我们更关注于在已知完美CSI下通过IRS增强信号并抑制干扰。ZF提供了清晰的干扰消除特性且计算相对简单便于我们集中分析IRS相位优化的效果。当然MMSE预编码在存在噪声放大问题时性能更优但会引入更复杂的功率分配问题。在我们的仿真中假设中高信噪比区域ZF性能接近MMSE且能简化分析。3.2 第二步基于量化近似的IRS离散相移优化核心算法在固定了ZF预编码器W_ZF后优化问题简化为(P1): max_θ R_sum(θ) s.t. θ_n ∈ Q, ∀n其中Q是离散相位集合。这个问题依然是离散非凸的。我们提出的量化近似算法流程如下连续松弛暂时忽略离散约束允许相位θ_n在[0, 2π)内连续取值。将原问题(P1)松弛为连续优化问题(P2)。连续域优化求解松弛后的连续问题(P2)。由于问题非凸我们采用交替优化AO框架。在每次迭代中我们固定其他变量优化单个变量。具体可以使用投影梯度上升法来最大化最小用户SINR。我们引入一个辅助变量u作为所有用户SINR的下界将问题转化为(P3): max_{θ, u} u s.t. γ_k(θ) u, ∀k然后通过二分法搜索u并验证可行性。智能量化获得连续最优解θ_n*后进行最近邻量化将其映射到离散集合Q中最近的相位值θ_n^quantized arg min_{θ̃ ∈ Q} |θ_n* - θ̃|迭代与收敛将量化后的相位作为新的初始点重复步骤2-3直到用户最小SINR的变化小于预设阈值ϵ或达到最大迭代次数。算法1概要: 基于交替优化与量化近似的IRS相位优化输入信道矩阵 IRS单元数N 用户数K 噪声功率 量化比特b 收敛门限ϵ输出优化后的离散相位向量θ* 达到的最小SINRγ_min*初始化随机生成初始连续相位向量θ 迭代计数t0。While未收敛Do: a.固定相位计算SINR根据当前θ 计算所有用户的SINRγ_k。 b.连续优化以最大化min(γ_k)为目标使用投影梯度法更新连续相位θ。 c.离散量化将更新后的连续相位θ_n量化到最近的离散电平。 d.更新与判断计算新的γ_min 检查|γ_min^(t) - γ_min^(t-1)| ϵ。End While3.3 性能基准贪婪算法为了评估我们算法的性能我们实现了一个贪婪逐元素优化算法作为基准算法2。该算法流程如下初始化所有IRS单元的相位。依次对每个单元n进行优化 a. 固定其他N-1个单元的相位。 b. 遍历该单元所有可能的离散相位值θ_cand ∈ Q。 c. 计算每种候选值下所有用户中最小的SINR。 d. 选择能使最小SINR最大的那个相位值更新该单元。遍历所有单元一次为一轮重复多轮直至收敛。贪婪算法的复杂度约为O(I * N * L)其中I是迭代轮数。虽然它也能处理离散优化但当N很大时计算量依然可观且容易陷入局部最优。我们的量化近似算法通过利用连续优化的梯度信息能以更少的迭代次数找到更好的解。4. 仿真结果与深度分析我们通过大量的仿真验证所提算法的有效性。关键参数如下载频f_c 2.1 GHz 基站天线数M 16 IRS单元数N可变16, 32, 64, ...用户数K 2 调制方式为QPSK信道模型采用COST 2100。4.1 频谱效率SE提升图4展示了在N64M16 服务单用户时系统频谱效率随基站发射功率P_t的变化。可以清晰地看到所提算法显著优于基准我们提出的量化近似算法Quantization-based Approximation性能远超随机相位配置Random Phase也明显优于贪婪逐元素优化Greedy per element。逼近连续性能即使仅使用b2bit4个相位等级的量化我们的算法性能也非常接近理想连续相位的理论上界。这说明精细的量化并非必需通过好的算法低分辨率硬件也能取得优异效果。功率效率在目标SE为2 bps/Hz时所提算法相比随机相位可节省约5 dB的发射功率。这对于基站节能至关重要。4.2 误码率BER与IRS规模的关系图5研究了误码率性能。结果非常直观IRS元素越多性能越好在目标误码率BER10^-5时将IRS单元数从N16增加到N32 所需发射功率降低约3.5 dB从N32到N64 进一步降低约3.5 dB。这体现了IRS的孔径增益更大的IRS相当于更大的有效天线孔径能汇聚更多信号能量。与无IRS场景对比即使在N16的小规模IRS下系统为了达到BER10^-5 也比完全不使用IRS的场景节省了超过7 dB的发射功率。这凸显了IRS在克服遮挡、增强弱覆盖区域信号强度的巨大潜力。4.3 量化比特数的影响1-bit够用吗图10是本文最具工程指导意义的结论之一。它展示了在不同IRS单元数N下1-bit、2-bit和连续相位系统的性能对比。低分辨率可用性当IRS单元数量较少如N16时1-bit量化仅0°和180°两种相位相比连续相位性能损失明显。但当N增大到64甚至更多时1-bit量化带来的性能损失变得非常小。硬件与性能的权衡这意味着在大规模IRS部署中我们可以放心地采用超低复杂度、低成本的1-bit相位控制器如简单的PIN二极管开关而无需追求高精度、高成本的移相器。性能的损失可以通过增加IRS单元数量来弥补。这为降低IRS硬件成本和功耗指明了方向。4.4 IRS部署位置与波束成形图图8和图12-14提供了关于IRS部署的直观洞察最优部署IRS部署在基站和用户的连线上或靠近该连线时性能最佳图8。当IRS的x坐标与用户x坐标对齐时频谱效率达到峰值。波束成形能力图12-14展示了IRS的波束图。通过优化相位IRS能够形成尖锐的主瓣对准目标用户方向。当用户位置变化时波束能自适应地转向图13。图14更展示了将一个大IRS分区同时为两个不同位置的用户生成独立波束的能力验证了其在多用户场景下的可扩展性。注意事项仿真中假设了完美的信道状态信息CSI这是算法性能的理论上限。在实际系统中CSI获取误差、用户移动性、IRS控制链路延迟都会影响性能。我们的算法框架基于角度域模型对角度估计误差相对鲁棒因为角度信息的变化通常比快衰落信道慢。未来的工程实现需要结合稳健的信道估计与预测算法。5. 工程实现考量与未来拓展5.1 从理论到实践关键步骤与挑战信道获取与角度估计算法依赖于准确的AoA/AoD信息。在实际中这需要通过上行导频信号进行信道估计。可以利用毫米波信道稀疏性使用压缩感知或基于深度学习的方法来降低导频开销。基站和IRS之间需要一条低速率、高可靠的控制链路如有线或专用无线链路来传递相位控制信息。同步问题基站波束成形和IRS相位调整需要严格的时间同步。任何同步误差都会导致波束指向偏差。需要设计精密的定时同步协议可能利用全球导航卫星系统GNSS或网络同步协议。计算与延迟优化算法尤其是连续优化步骤需要在基站或边缘服务器上运行。对于大规模IRSN1000算法复杂度仍需进一步降低。可以考虑采用深度学习模型将优化过程替换为经过训练的神经网络实现毫秒级的实时相位配置。分区服务与多IRS协作如图14所示单个IRS可以分区服务多个用户。未来网络可能部署多个IRS。需要研究分布式优化算法协调多个IRS之间的相位配置避免波束冲突实现网络级性能最优。5.2 未来研究方向本文工作可以沿多个方向深化非完美CSI在信道估计存在误差的模型下重新设计稳健的波束成形与相位优化算法。更复杂的调制与多载波将研究扩展到高阶QAM、OFDM系统分析频率选择性信道下的性能。动态环境与移动性研究在用户移动场景下IRS相位的快速跟踪与更新策略。硬件损伤建模将IRS单元的幅度不均匀性、相位量化误差、非线性效应等硬件非理想特性纳入模型设计更鲁棒的算法。与6G新技术的融合探索IRS在太赫兹通信、全双工系统、语义通信等6G潜在场景中的应用。6. 总结与个人体会回顾这项围绕“IRS辅助无线通信中基于角度域分析与量化近似的离散相位波束赋形优化”的工作其核心价值在于在理论性能与工程可实现性之间找到了一个精巧的平衡点。角度域模型让我们从物理层面理解了问题而“连续松弛量化”的两步法则提供了一条通往低复杂度解决方案的清晰路径。在实际的研发或仿真复现过程中我最大的体会是对离散约束的处理往往“迂回”比“强攻”更有效。一开始我们尝试过直接使用遗传算法、模拟退火等智能优化算法求解离散问题但面对上百个变量收敛速度极慢且结果不稳定。转而采用本文的连续优化框架后虽然牺牲了严格的全局最优性保证但计算效率提升了数个数量级且解的质量在工程上完全可接受。这印证了在通信系统设计中一个“足够好”且“足够快”的算法远比一个“理论上最优”但无法实时运行的算法更有生命力。另一个深刻的教训是关于仿真验证的完备性。最初我们只对比了和速率后来在审稿人建议下补充了误码率、中断概率和波束图分析。这些补充结果从不同维度交叉验证了算法的有效性例如波束图直观地展示了IRS的空间聚焦能力使论文结论更加坚实。因此在设计性能评估方案时务必从系统吞吐量、链路误码率、覆盖中断概率和物理层波束方向多个层面进行交叉检验。最后对于希望进入IRS研究领域的朋友我的建议是打好基础重视跨学科。IRS处于电磁场、通信理论、信号处理和优化算法的交叉点。深入理解天线阵列理论阵列响应、波束成形和优化方法凸优化、交替优化是根本。同时要时刻关注硬件进展了解PIN二极管、变容二极管、液晶等实现相位调制的实际器件特性这样提出的算法才不会是“空中楼阁”。这项技术正从论文走向原型从实验室走向市场其中蕴含的工程挑战与创新机遇同样巨大。
