FP分数规划在无线通信中的应用（I）

更多精彩内容请关注微信公众号 ‘优化与算法’

前言

在数学优化中，分数规划是线性分式规划的推广。分数规划中的目标函数是两个函数的比值，这两个函数通常是非线性的。要优化的比值通常描述系统的某种效率。

1. Concave-convex FP问题

1.1 基本形式

一维问题。符号说明：用R表示实数集，用R+表示非负实数集，再用R++表示严格正实数集，用C表示复数集，用S++表示对称正定矩阵集。$\mathcal{X}\subseteq {\mathbb{R}}^d(d\in \mathbb{N})$，A为非负函数$A(\mathbf{x}):{\mathbb{R}}^d\to {\mathbb{R}}_{+}$，B为正函数$B(\mathbf{x}):{\mathbb{R}}^d\to {\mathbb{R}}_{++}$
$$\begin{gathered} \underset{\mathbf{x}}{\mathrm{maximize}}\frac{A(\mathbf{x})}{B(\mathbf{x})} \\ \text{subject to}\mathbf{x}\in \mathcal{X}. \end{gathered}$$
二次变换等效形式如下。这种构造有几个性质：分子与分母解耦、最优解与原问题等效、目标函数与原问题等效（比前一个性质更强，适用于多比率问题）、目标函数concave.

$$\begin{gathered} \underset{\mathbf{x},y}{\mathrm{maximize}}2y\sqrt{A(\mathbf{x})}-y^{2}B(\mathbf{x}) \\ \text{subject to}\mathbf{x}\in \mathcal{X},y\in \mathbb{R}. \end{gathered}$$

当满足以下条件时，此FP问题为concave-convex ：（1）分子$A_m(\mathbf{x})$都是concave；（2）分母$B_m(\mathbf{x})$都convex；（3）约束集$\mathcal{X}$是由有限个不等式约束表示的标准形式的非空凸集。

---

一维FP concave-convex问题算法

• 步骤1：找到$\mathbf{x}$可行解，并将原问题做二次变换等效。
• 步骤2：由$y_m^{\star }=\frac{\sqrt{A_m(\mathbf{x})}}{B_m(\mathbf{x})},\forall m=1,\dots ,M.$更新所有$y_m$，
• 步骤3：将$y_m$代入等效问题，求解关于$\mathbf{x}$的concave问题，更新$\mathbf{x}$。
• 步骤4：重复步骤2和3，直至收敛。（本算法确保可收敛到一个stationary point）

---

传统的Dinkelbach’s变换可以比所提出的二次变换更快地收敛，但前者的使用仅限于单个比率问题，而后者能够处理多个比率问题。

1.2 比率和问题 sum-of-ratios

原问题：
$$\begin{gathered} \underset{\mathbf{x}}{\mathrm{maximize}}\sum _{m=1}^M\frac{A_m(\mathbf{x})}{B_m(\mathbf{x})} \\ \text{subject to}\mathbf{x}\in \mathcal{X} \end{gathered}$$
等效问题：
$$\begin{gathered} \underset{\mathbf{x},\mathbf{y}}{\mathrm{maximize}}\sum _{m=1}^M\left(2y_m\sqrt{A_m(\mathbf{x})}-y_m^2{B}_m(\mathbf{x})\right) \\ \text{subject to}\mathbf{x}\in \mathcal{X},y_m\in \mathbb{R}. \end{gathered}$$
若满足concave-convex条件，使用算法1求解。

1.3 Max-min Ratio

原问题：
$$\begin{gathered} \underset{\mathbf{x}}{\mathrm{maximize}}\underset{m}{\min }\left\{\frac{A_m(\mathbf{x})}{B_m(\mathbf{x})}\right\} \\ \text{subject to}\mathbf{x}\in \mathcal{X} \end{gathered}$$
等效问题：
$$\begin{gathered} \underset{\mathbf{x},\mathbf{y},z}{\mathrm{maximize}}z \\ \text{subject to}\mathbf{x}\in \mathcal{X},y_m\in \mathbb{R},z\in \mathbb{R} \\ 2y_m\sqrt{A_m(\mathbf{x})}-y_m^2{B}_m(\mathbf{x})\ge z,\forall m. \end{gathered}$$
若满足concave-convex条件，使用算法1求解。

1.4 多维问题

MIMO系统中，分子是向量，分母是矩阵的多维复数情况下考虑FP。${\mathbf{a}}_m(\mathbf{x}):{\mathbb{C}}^{d_1}\to {\mathbb{C}}^{d_2}$,${\mathbf{B}}_m(\mathbf{x}):{\mathbb{C}}^{d_1}\to {\mathbb{S}}_{++}^{d_2\times d_2}$,${\mathbf{a}}_m^{†}$为${\mathbf{a}}_m(\mathbf{x})$共轭转置（矩阵同理），${\mathbf{B}}_m^{-1}$为矩阵的逆。

原问题：
$$\begin{gathered} \underset{\mathbf{x}}{\mathrm{maximize}}\sum _{m=1}^M{\mathbf{a}}_m^{+}(\mathbf{x}){\mathbf{B}}_m^{-1}(\mathbf{x}){\mathbf{a}}_m(\mathbf{x}) \\ \mathrm{subject}\mathrm{to}\mathbf{x}\in \mathcal{X}. \end{gathered}$$

等效问题：
max ⁡ x , y ∑ m = 1 M ( 2 R e { y m † a m ( x ) } − y m † B m ( x ) y m ) s u b j e c t t o x ∈ X ,    y m ∈ C d 2 \mathop {\max }\limits_{{\bf{x}},{\kern 1pt} {\bf{y}}} \sum\limits_{m = 1}^M {\left( {2{\mathop{\rm Re}\nolimits} \{ {\bf{y}}_m^ {\dagger} {{\bf{a}}_m}({\bf{x}})\} - {\bf{y}}_m^ {\dagger} {{\bf{B}}_m}({\bf{x}}){{\bf{y}}_m}} \right)} \\ {\rm{subject to }}{\bf{x}} \in {\cal X},\;{{\bf{y}}_m} \in {\mathbb{C}^{{d_2}}} x,ymax​m=1∑M​(2Re{ym†​am​(x)}−ym†​Bm​(x)ym​)subjecttox∈X,ym​∈Cd2​

若满足concave-convex条件，该问题也可使用算法1求解，步骤2替换为${\mathbf{y}}_m^{\star }=({\mathbf{B}}_m(\mathbf{x}){)}^{-1}{\mathbf{a}}_m(\mathbf{x})$即可。

2. FP的拉格朗日对偶变换

当FP不满足concave-convex条件时，比如约束集$\mathcal{X}$非凸，即$\mathbf{x}$含有离散变量时，可用拉格朗日对偶变换（Lagrangian
dual transform），以下直接贴出论文中推导结果。

2.1 一维问题

原问题：

$$\begin{array}{rl}\underset{\mathbf{x}}{\mathrm{maximize}}& \sum _{m=1}^M{w}_m\log \left(1+\frac{A_m(\mathbf{x})}{B_m(\mathbf{x})}\right)\\ \text{subject to}& \mathbf{x}\in \mathcal{X}\end{array}$$

等效问题：加入了辅助变量${\gamma }_m$

$$\begin{array}{rl}\underset{\mathbf{x},\mathbf{\gamma }}{\mathrm{maximize}}& f_r(\mathbf{x},\mathbf{\gamma })\\ \text{subject to}& \mathbf{x}\in \mathcal{X}\end{array}$$

$$\begin{array}{r}{f}_r(\mathbf{x},\mathbf{\gamma })=\sum _{m=1}^M{w}_m\log (1+{\gamma }_m)-\sum _{m=1}^M{w}_m{\gamma }_m+\underset{\text{Sum-of-ratio term}}{\underbrace{\sum _{m=1}^M\frac{w_m(1+{\gamma }_m)A_m(\mathbf{x})}{A_m(\mathbf{x})+B_m(\mathbf{x})}}}\end{array}$$

求解思路：对于固定的$\mathbf{x}$，通过$\partial f_r/\partial {\gamma }_i=0$可以求出${\gamma }_i^{\star }$。然后对后面的分数项，做二次变换等效，引入辅助变量$y_m$，得到另一个目标函数$f_q(\mathbf{x},\mathbf{\gamma },\mathbf{y})$，通过$\partial f_q/\partial y_i=0$可以求出$y_i^{\star }$。这样就只剩下变量组$\mathbf{x}$，此时目标函数不含有分数项，可能可以得到一些闭式解，或者$\mathbf{x}$中的部分变量有闭式解，其他变量（如离散项）仍需要再找解法。

具体而言（从所给例子中得到），结合(4)，得到：

$$\partial f_r/\partial {\gamma }_m=0\to {\gamma }_m^{\star }=A_m(\mathbf{x})/B_m(\mathbf{x})$$

$$f_q(\mathbf{x},\mathbf{\gamma },\mathbf{y})=\underset{f_r的前两项}{\underbrace{\sum _{m=1}^M{w}_m\log (1+{\gamma }_m)-\sum _{m=1}^M{w}_m{\gamma }_m}}+\sum _{m=1}^{M}2y_m\sqrt{\underset{\text{分式项的分子A’}}{\underbrace{w_m(1+{\gamma }_m)A_m(\mathbf{x})}}}-y_m^2\underset{\text{分式项的分母B’}}{\underbrace{\left(A_m(\mathbf{x})+B_m(\mathbf{x})\right)}}$$

$$\partial f_q/\partial y_i=0\to y_m^{\star }=\frac{\sqrt{A^{\prime }}}{B^{\prime }}=\frac{\sqrt{w_m(1+{\gamma }_m)A_m(\mathbf{x})}}{A_m(\mathbf{x})+B_m(\mathbf{x})}$$

2.2多维问题

原问题：

$$\begin{array}{rl}\underset{\mathbf{x}}{\mathrm{maximize}}& \sum _{m=1}^M{w}_m\log \left(1+{\mathbf{\alpha }}_m^{†}(\mathbf{x}){\mathbf{B}}_m^{-1}(\mathbf{x}){\mathbf{\alpha }}_m(\mathbf{x})\right)\\ \text{subject to}& \mathbf{x}\in \mathcal{X}\end{array}$$

等效问题：

$$\begin{array}{rl}\underset{\mathbf{x},\mathbf{\gamma }}{\mathrm{maximize}}& f_r(\mathbf{x},\mathbf{\gamma })\\ \text{subject to}& \mathbf{x}\in \mathcal{X}\end{array}$$

$$f_r(\mathbf{x},\mathbf{\gamma })=\sum _{m=1}^M{w}_m\log (1+{\gamma }_m)-\sum _{m=1}^M{w}_m{\gamma }_m+\sum _{m=1}^M{w}_m(1+{\gamma }_m){\mathbf{\alpha }}_m^{†}(\mathbf{x})({\mathbf{\alpha }}_m(\mathbf{x}){\mathbf{\alpha }}_m^{†}(\mathbf{x})+{\mathbf{B}}_m(\mathbf{x}){)}^{-1}{\mathbf{\alpha }}_m(\mathbf{x})$$

求解思路：同上。

具体而言（从所给例子中得到）：

$$\partial f_r/\partial {\gamma }_m=0\to {\gamma }_m^{\star }={\mathbf{\alpha }}_m^{†}(\mathbf{x}){\mathbf{B}}_m^{-1}(\mathbf{x}){\mathbf{\alpha }}_m(\mathbf{x})$$

注意，$f_r$中的“分子”是$w_m(1+{\gamma }_m){\mathbf{\alpha }}_m^{†}(\mathbf{x}){\mathbf{\alpha }}_m(\mathbf{x})$，对应的${{\mathbf{\alpha }}^{\prime }}_m(\mathbf{x})=\sqrt{w_m(1+{\gamma }_m)}{\mathbf{\alpha }}_m(\mathbf{x})$（记得常数项要开根号），而“分母”是${{\mathbf{B}}^{\prime }}_m(\mathbf{x})={\mathbf{\alpha }}_m(\mathbf{x}){\mathbf{\alpha }}_m^{†}(\mathbf{x})+{\mathbf{B}}_m(\mathbf{x})$，根据(8)，得到：

$$f_q(\mathbf{x},\mathbf{\gamma },\mathbf{y})=\underset{f_r的前两项}{\underbrace{\sum _{m=1}^M{w}_m\log (1+{\gamma }_m)-\sum _{m=1}^M{w}_m{\gamma }_m}}+\sum _{m=1}^M\left(2\text{Re}\left\{{\mathbf{y}}_m^{†}{{\mathbf{\alpha }}^{\prime }}_m(\mathbf{x})\right\}-{\mathbf{y}}_m^{†}{{\mathbf{B}}^{\prime }}_m(\mathbf{x}){\mathbf{y}}_m\right)$$

$${\mathbf{y}}_m^{\star }=({{\mathbf{B}}^{\prime }}_m(\mathbf{x}){)}^{-1}{{\mathbf{\alpha }}^{\prime }}_m(\mathbf{x})$$

第2部分请点击 FP分数规划在无线通信中的应用（II）享用

欢迎关注VX公号“优化与算法”了解更多