Fractional Programming for Communication Systems—Part I: Power Control and Beamforming

II. FRACTIONAL PROGRAMMING

FP是一类涉及分数项(或比率)的优化问题。本节回顾了处理单比率问题的FP的经典技术，然后介绍了一种能够处理多比率问题的新的二次变换技术。

A. Classic Techniques

我们首先考虑单比率FP问题。给定一个非空约束集 $\mathcal{X}\subseteq {\mathbb{R}}^d$，一个非负函数 $A(\mathbf{x})$：${\mathbb{R}}^d\to {\mathbb{R}}_{+}$，一个正函数$B(\mathbf{x})$：${\mathbb{R}}^d\to {\mathbb{R}}_{++}$，其中 $d\in \mathbb{N}$，定义一个单比(最大化)FP问题为

$$\begin{array}{rl}\underset{\mathbf{x}}{\mathrm{maximize}}& \frac{A(\mathbf{x})}{B(\mathbf{x})}\\ \text{subject to}& \mathbf{x}\in \mathcal{X}.\end{array}\text{\hspace{1em}(1a)(1b)}$$

上面的单比FP问题一般不是凸的。

处理FP的传统方法是将问题重新格式化为分子和分母解耦的形式，从而使 $A(\mathbf{x})$ 凹函数，$B(\mathbf{x})$ 是凸函数，$\mathcal{X}$ 是标准形式表示的凸集的情况——称为 concave-convex FP 问题。下面介绍的两种经典技术就属于这种类型的方法。

1. Charnes-Cooper Transform

这种经典的FP技术是由早期的作品[20]，[21]提出的。它引入了两个新的变量
$$\begin{array}{c}z=\frac{1}{B(\mathbf{x})}\end{array}\text{\hspace{1em}(2)}$$

和
$$\begin{array}{c}\mathbf{q}=\frac{\mathbf{x}}{B(\mathbf{x})},\end{array}\text{\hspace{1em}(3)}$$

然后将单比率问题(1)重新表述为

$$\begin{array}{rl}\underset{z,\mathbf{q}}{\mathrm{maximize}}& zA\left(\frac{\mathbf{q}}{z}\right)\\ \text{subject to}& zB\left(\frac{\mathbf{q}}{z}\right)\le 1\\ & z\in \mathcal{Z}\\ & \mathbf{q}\in \mathcal{Q}\end{array}\text{\hspace{1em}(4a)(4b)(4c)(4d)}$$

式中，$\mathcal{Z}$ 和 $\mathcal{Q}$ 分别为 $z$ 和 $\mathbf{q}$ 根据式(2)和式(3)的取值范围，$\mathbf{x}\in \mathcal{X}$。在解决了上述问题后，原始解 $\mathbf{x}$ 可以通过(2)或(3)恢复。这种变换首先由Charnes和Cooper针对仿射情况提出[20]，然后由Schaible[21]扩展到一般的凹凸情况。

注意，这种技术通过将 $B(\mathbf{x})$ 移动到约束(4b)，同时在目标中保留 $A(\mathbf{x})$，从而解耦了分母和分子。如果问题是一个凹凸FP，则重构式(4)是一个可以有效求解的凸问题。注意，在Charnes-Cooper变换中：(i)引入了附加约束；(ii) $\mathcal{Z}$ 和 $\mathcal{Q}$ 需要表征，这可能不容易做到。我们还注意到，尽管该技术在单比情况下工作得很好（实际上收敛于凹凸单比FP问题的全局最优解），但它不能轻易扩展到多比情况，例如，sum-of-ratios problem问题。

2. Dinkelbach’s Transform：

这种经典的技术，首次在[22]中提出，将单比率问题(1)重新表述为
$$\begin{array}{rl}\underset{\mathbf{x}}{\mathrm{maximize}}& A(\mathbf{x})-yB(\mathbf{x})\\ \text{subject to}& \mathbf{x}\in \mathcal{X}\end{array}\text{\hspace{1em}(5a)(5b)}$$

使用一个新的辅助变量 $y$ 进行迭代更新

$$\begin{array}{c}y[t+1]=\frac{A(\mathbf{x}[t])}{B(\mathbf{x}[t])}\end{array}\text{\hspace{1em}(6)}$$

其中 $t$ 是迭代索引。根据(6)交替更新 $y$ 并在(5)中求解 $\mathbf{x}$，可以证明收敛性是保证的，因为每次迭代后 $y$ 都是非递减的。特别地，当单比问题(1)是一个凹凸FP时，在(5)中对固定 $y$ 优化 $x$ 是一个凸问题；整体迭代算法实际上收敛于(1)的全局最优解。与Charnes-Cooper变换相比，Dinkelbach变换具有不引入额外约束的优势。

B. Proposed Quadratic Transform

FP的经典变换对单比问题很有效，但不能很容易地推广到多比FP问题。这是因为尽管这些经典变换具有原FP和变换后的问题具有相同最优解的性质，但变换后的问题的目标函数的最优值不一定与原FP目标函数值相同。因此，当涉及多个比率时，人们无法将变换单独应用于每个比率。

本文提出了一种新的变换，该变换以Dinkelbach变换为启发，但增加了目标函数值必须保持不变的约束条件。它之所以被命名为二次变换(quadratic transform)，是因为它涉及二次项。

首先，在(1)式中对原FP目标函数进行重新变换时，我们表述了期望的变换后的目标函数必须具备的性质:

• C1：（解耦）新目标的形式为 $g(\mathbf{x},y)=f(A(\mathbf{x}))q_1(y)+h(B(\mathbf{x}))q_2(y)$，其中 $y$ 是辅助变量。

• C2：（等价解）变量 ${\mathbf{x}}^{\star }$ 使 $A(\mathbf{x})/B(\mathbf{x})$ 最大化当且仅当 ${\mathbf{x}}^{\star }$ 与一些 $y$ 一起使 $g(\mathbf{x},y)$ 最大化。

• C3：（等价目标）令 $y^{\star }=\arg {\max }_{y}g(\mathbf{x},y)$ 对于某个 $\mathbf{x}$，那么对于这个 $\mathbf{x}$，$g(\mathbf{x},y^{\star })=A(\mathbf{x})/B(\mathbf{x})$。

• C4：（凹性）对于固定的 $\mathbf{x}$，函数 $g(\mathbf{x},y)$ 对 $y$ 是凹的，即 ${\partial }^{2}g/\partial y^2\le 0$。

以上四种条件都是自然启发的。C1和C2遵循经典FP变换的思想，通过 $y$ 解耦 $A(\mathbf{x})$ 和 $A(\mathbf{x})$ 的优化；C3与原始问题作了更强的等价性，其动机是期望应用于多比率问题；C4允许对固定 $\mathbf{x}$ 的进行 $y$ 凸优化。请注意，C3意味着C2，但反之则不然。实际上，Dinkelbach变换满足C1、C2和C4，但不满足C3。(具体来说，在最优情况下，根据(6)，Dinkelbach变换 $y^{\star }=A(\mathbf{x})/B(\mathbf{x})$，因此其 $g(\mathbf{x},y^{\star })=0$。)

本文提出了FP问题的一种新的二次变换，它满足所有这些条件C1-C4，其定理表示如下。

定理1（二次变换）：二次变换

$$\begin{array}{c}g(\mathbf{x},y)=2y\sqrt{A(\mathbf{x})}-y^{2}B(\mathbf{x})\end{array}\text{\hspace{1em}(7)}$$

满足条件C1-C4。更进一步，如果C4被强化为要求 ${\partial }^{2}g/\partial y^2$ 独立于y，那么任何满足C1-C4的 $g(\mathbf{x},y)$ 必须是这样的形式
$$\begin{array}{c}g(\mathbf{x},y)=2(t_{1}y+t_2)\sqrt{A(\mathbf{x})}-(t_{1}y+t_2{)}^{2}B(\mathbf{x})\end{array}\text{\hspace{1em}(8)}$$

对于某些 $t_1\ne 0$ 和某些 $t_2\in \mathbb{R}$。因此，所提出的二次变换在 $y$ 上的仿射变换是不失一般性的。