Intelligent Reflecting Surface Enhanced Wireless Network via Joint Active and Passive Beamforming

II. SYSTEM MODEL AND PROBLEM FORMULATION

A. System Model

如图1所示，我们考虑单蜂窝网络中的IRS辅助下行通信，其中部署IRS以协助在给定频带上从多天线AP到K个单天线用户的通信。用户集合用k表示，AP点发射天线数用M表示，IRS反射单元数用N表示。IRS配备一个控制器，协调其在两种工作模式之间的切换，即用于信道估计的接收模式和用于数据传输的反射模式[8]。由于高路径损耗，假设被IRS反射两次或两次以上的信号的功率可以忽略，因此可以忽略。为了描述IRS带来的理论性能增益，我们假设所有信道的信道状态信息(CSI)在AP处是完全已知的，并且对所有信道采用准静态平坦衰落模型。由于IRS是一种被动反射设备，我们考虑了上行链路和下行链路传输的时分双工(TDD)协议，并假设基于上行链路训练的下行链路CSI采集的信道互易性。

从AP到IRS、从IRS到用户k、从AP到用户k的基带等效信道分别用G∈CN×M, hr,k H∈C1×N和hHd,k∈C1×M表示，其中k = 1，···，k。值得注意的是，在RFID通信中，AP通过IRS到每个用户的反射信道通常被称为二进反向散射信道[16]，其行为与AP-user直接信道不同。具体来说，IRS的每个元件接收来自发射器的叠加多径信号，然后将组合信号以可调幅度和/或相位散射，就像来自单点源一样。设θ= [θ 1，···，θN]，定义一个对角矩阵ω = diag(β1ejθ1，···，βNejθN) (j表示虚单位)作为IRS的反射系数矩阵，其中θn∈[0,2 π]，βn∈[0,1]分别表示IRS的第N个元素的相移2和振幅反射系数3。因此，将复合AP-IRS-user通道建模为三个组件的串联，即AP-IRS链路、带相移的IRS反射和IRS-用户链路。
在本文中，我们考虑在每个用户分配一个专用波束形成矢量的AP处线性发射预编码。因此，AP处传输的复基带?K信号可以表示为x = K =1周sk，其中sk为用户K的传输数据，wk∈CM×1为对应的波束形成矢量。假设sk，k = 1，···，k为独立随机变量，均值为零，单位方差(归一化幂)为零。在用户k处从AP-user和AP-IRS-user通道接收到的信号表示为

$$\begin{array}{c}{y}_k=({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H)\sum _{j=1}^K{\mathbf{w}}_j{s}_j+n_k,k=1,\cdots ,K,\end{array}\text{\hspace{1em}(1)}$$

其中，$n_k\sim \mathcal{C}\mathcal{N}(0,{\sigma }_k^2)$ 表示用户 $k$ 接收机处的加性高斯白噪声(AWGN)。因此，用户 $k$ 的SINR为

$$\begin{array}{c}{\text{SINR}}_k=\frac{|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_j{|}^2+{\sigma }_k^2},\forall k.\end{array}\text{\hspace{1em}(2)}$$

B. Problem Formulation

让 $\mathbf{W}=[{\mathbf{w}}_1,\cdots ,{\mathbf{w}}_K]\in {\mathbb{C}}^{M\times K}$，${\mathbf{H}}_r=[{\mathbf{h}}_{r,1},\cdots ,{\mathbf{h}}_{r,K}]\in {\mathbb{C}}^{N\times K}$，Hd=[hd,1,···,hd,K)∈CM×K。在本文中，我们的目标是通过联合优化AP点的发射波束形成和IRS的反射波束形成，以最小化AP点的总发射功率

$$\begin{array}{rl}\text{(P1)}:\underset{\mathbf{W},\mathbf{\theta }}{\min }& \sum _{k=1}^K\Vert {\mathbf{w}}_k{\Vert }^2\\ s.t.& \frac{|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_j{|}^2+{\sigma }_k^2}\ge {\gamma }_k,\forall k,\\ & \\ & 0\le {\theta }_n\le 2\pi ,n=1,\cdots ,N,\end{array}\text{\hspace{1em}(3)(4)(5)}$$

所有用户的单独SINR约束。据此，该问题表示为

其中 ${\gamma }_k>0$ 为用户 $k$ 的最小SINR要求。虽然(P1)的目标函数和(5)中的约束是凸的，但由于(4)中发射波束形成和相移耦合的非凸约束，求解(P1)具有挑战性。一般来说，对于这类非凸优化问题的最优求解，并没有标准的方法。然而，在下一节中，我们分别应用SDR和交替优化技术来近似求解单用户情况下的(P1)，然后将其推广到多用户情况。在解决问题(P1)之前，我们提出了其可行性的充分条件如下。让 $\mathbf{H}=[{\mathbf{h}}_1,\cdots ,{\mathbf{h}}_K]\in {\mathbb{C}}^{M\times K}$，其中 ${\mathbf{h}}_k^H={\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H$。

Proposition 1：如果 $\mathrm{rank}({\mathbf{G}}^H{\mathbf{H}}_r+{\mathbf{H}}_d)=K$，问题(P1)对任何有限用户SINR目标 ${\gamma }_k$ 都是可行的

证明：当rank(GHHr+Hd)= K时，H =HrHΘG +HdH的(右)伪逆存在，且Θ= I, AP处的预编码矩阵W可设为

很容易验证，上述解决方案允许所有用户实现其对应的γk’s，从而(P1)是可行的。

由于增加了AP-IRS-user链接，与没有IRS的情况相比，命题1中的秩条件在IRS辅助系统中实际上更容易满足，即 $\mathrm{rank}({\mathbf{H}}_d)=K$。例如，如果两个用户的AP-user直接通道位于同一方向，则 $\mathrm{rank}({\mathbf{H}}_d)=K$ 不成立。虽然IRS辅助系统中的等级条件可能仍然成立，因为这两个用户的合并AP-user通道（包括AP-user直接链接和AP-IRS-user反射链接）也不太可能对齐，因为有额外的IRS反射路径。

III.Single-User System

在本节中，我们考虑单用户设置，即 $K=1$，以获得最佳联合波束形成设计的重要见解。在这种情况下，不存在用户间干扰，因此(P1)简化为(通过删除用户指数)

$$\begin{array}{rl}& \text{(P2)}:\underset{\mathbf{w},\mathbf{\theta }}{\min }\Vert \mathbf{w}{\Vert }^2\\ & s.t.|({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H)\mathbf{w}{|}^2\ge \gamma {\sigma }^2,\\ & 0\le {\theta }_n\le 2\pi ,n=1,\cdots ,N.\end{array}\text{\hspace{1em}(7)(8)(9)}$$

虽然简化了很多，但问题(P2)仍然是一个非凸优化问题，因为(8)的左手边(LHS)相对于w和θ不是联合凹的。在下文中

在两个子节中，我们分别通过应用SDR和交替优化技术来解决(P2)，下一节将扩展到一般的多用户系统。

A. SDR

不难验证，最优发射功率sat-

Power等效为r =dmaximizing合并信道的信道功率增益，即
$$\begin{array}{rl}& \underset{\mathbf{\theta }}{\max }\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2\\ & s.t.0\le {\theta }_n\le 2\pi ,\forall n.\end{array}\text{\hspace{1em}(13)(14)}$$

设 $\mathbf{v}=[v_1,\cdots ,v_N{]}^H$，其中 $v_n=e^{j{\theta }_n}$。那么，(14)中的约束等价于单位模约束:|vn|2= 1，∀n。通过应用变量变化 $\mathbf{\Phi }=\text{diag}({\mathbf{h}}_r^H)\mathbf{G}\in {\mathbb{C}}^{N\times M}$，我们得到 $\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2=\Vert {\mathbf{v}}^H\mathbf{\Phi }+{\mathbf{h}}_d^H{\Vert }^2$。因此，问题(13)等价于

$$\begin{array}{rl}& \underset{\mathbf{v}}{\max }{\mathbf{v}}^H\mathbf{\Phi }{\mathbf{\Phi }}^H\mathbf{v}+{\mathbf{v}}^H\mathbf{\Phi }{\mathbf{h}}_d+{\mathbf{h}}_d^H{\mathbf{\Phi }}^H\mathbf{v}+\Vert {\mathbf{h}}_d^H{\Vert }^2\\ & s.t.|v_n{|}^2=1,\forall n.\end{array}\text{\hspace{1em}(15)(16)}$$

注意，问题(15)是一个非凸二次约束二次规划(QCQP)，它可以被重新表述为齐次QCQP[19]。具体来说，通过引入辅助变量t，问题(15)等价地写成

其中
$$\begin{array}{c}\mathbf{R}=\left[\begin{array}{cc}\mathbf{\Phi }{\mathbf{\Phi }}^H& \mathbf{\Phi }{\mathbf{h}}_d\\ {\mathbf{h}}_d^H{\mathbf{\Phi }}^H& 0\end{array}\right],\bar{\mathbf{v}}=\left[\begin{array}{c}\mathbf{v}\\ t\end{array}\right].\end{array}$$
然而，问题(17)在一般[19]中仍然是非凸的。请注意 ${\bar{\mathbf{v}}}^H\mathbf{R}\bar{\mathbf{v}}=\mathrm{tr}(\mathbf{R}\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H)$。定义 $\mathbf{V}=\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H$，这需要满足 $\mathbf{V}⪰0$ 和 $\mathrm{rank}(\mathbf{V})=1$。由于 rank-one 约束是非凸的，我们使用SDR来放松这个约束。因此，问题(17)被简化为

$$\begin{array}{rl}& \underset{\mathbf{V}}{\max }\mathrm{tr}(\mathbf{RV})+\Vert {\mathbf{h}}_d^H{\Vert }^2\\ & s.t.{\mathbf{V}}_{n,n}=1,n=1,\cdots ,N+1,\\ & \mathbf{V}⪰0.\end{array}\text{\hspace{1em}(19)(20)(21)}$$

由于问题(19)是一个凸半定规划(SDP)，它可以通过现有的凸优化求解器(如CVX[20])进行优化求解。一般情况下，松弛问题(19)可能不会导致秩一解，即秩(V) = 1，这意味着问题(19)的最优目标值只服务于问题(17)的上界。因此，需要额外的步骤来从获得的问题(19)的高阶解构造一个秩一解，而细节可以在[1]中找到，因此在这里省略。研究表明，这种SDR方法加上足够多的随机化，可以保证问题的最优目标值至少是π -近似(19)[19]。

求出 $\mathbf{V}$ 后， 对其作 EVD分解 得到 $\mathbf{V}=\mathbf{U}\Sigma {\mathbf{U}}^H$， 然后获得向量 $\bar{\mathbf{v}}=\mathbf{U}{\Sigma }^{1/2}\mathbf{r}$, 其中 $\mathbf{r}\in \mathcal{C}\mathcal{N}\left(0,{\mathbf{I}}_{N+1}\right)$。 再从由不同的 $\mathbf{r}$ 得到的所有 $\bar{\mathbf{v}}$ 中， 选出最大化 ${\overline{\mathbf{v}}}^H\mathbf{R}\bar{\mathbf{v}}$ 的 $\bar{\mathbf{v}}$， 最后再人为地将 $\mathbf{v}=e^{j\arg \left({\left[\frac{\bar{\mathbf{v}}}{{\bar{\mathbf{v}}}_{N+1}}\right]}_{(1:N)}\right)}$， 即满足恒模约束。

function [v, lower_bound] = SDR_solving(hr, G, hd, N)
    L = 1000; % 高斯随机化过程次数
    Phi = diag(hr)*G;
    R = [Phi*Phi' Phi*hd'; hd*Phi' 0];
    cvx_begin sdp quiet
        variable V(N+1,N+1) hermitian
        maximize(real(trace(R*V))+norm(hd)^2);
        subject to
            diag(V) == 1;
            V ==  hermitian_semidefinite(N+1);
    cvx_end
    
    lower_bound = cvx_optval;
    % 高斯随机化过程
    %% method 1
    max_F = 0;
    max_v = 0;
    [U, Sigma] = eig(V);
    for l = 1 : L
        r = sqrt(2) / 2 * (randn(N+1, 1) + 1j * randn(N+1, 1));
        v = U * Sigma^(0.5) * r;
        if v' * R * v > max_F
            max_v = v;
            max_F = v' * R * v;
        end
    end
    
    v = exp(1j * angle(max_v / max_v(end)));
    v = v(1 : N);
end

B. Alternating Optimization

为了实现比上一小节中基于sdr的解决方案更低的复杂度，我们在本小节中提出了一种基于交替优化的备选次优算法。具体来说，在AP处的发射波束形成方向和发射功率随着IRS处的相移以交替的方式迭代优化，直到实现收敛。
设w = Pw¯，其中w¯表示发射波束形成方向，P为发射功率。对于固定的发射波束形成方向w，¯(P2)被简化为一个联合发射功率和相移的优化问题，可以表示为(类似于(10)和(13))，

虽然是非凸的，但上述问题通过利用其目标函数的特殊结构，可以得到一个闭式解。具体来说，我们有以下不等式:

其中(a)是由于三角不等式，当且仅当arg(hHrΘG w)¯=arg(hHdw)¯? ϕ为0时，等式成立。接下来，我们表明总是存在一个解θ满足(a)的等式以及(23)中的相移约束。设hHrΘGw =vHa其中v =[ejθ1，···，ejθN]H且a =diag(hrH)Gw.¯With(24)，问题(22)等价于

不难看出，上述问题的最优解是由v∗=ej(ϕ0−arg(a)) =ej(ϕ0−arg(diag(hHr)Gw))¯。因此，IRS处的第n相移为

其中hHn,r是hHr的第n个元素，gnH是g的第n个行向量。注意gnHw¯结合了transmit

IV.Multiuser System

在本节中，我们考虑一般的多用户设置。具体来说，我们提出了两种有效的算法，通过在单用户情况下泛化这两种方法来次优求解(P1)。

A. Alternating Optimization Algorithm

该算法利用了与单用户情况类似的交替优化，而在AP处的发射波束形成采用了众所周知的最小均方误差(MMSE)准则来处理多用户干扰，而不是在无干扰的单用户情况下使用MRT。对于给定相移 $\mathbf{\theta }$，从AP到用户 $k$ 的组合信道由 ${\mathbf{h}}_k^H={\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H$ 给出。由此，问题(P1)简化为

$$\begin{array}{rl}& \text{(P3)}:\underset{\mathbf{W}}{\min }\sum _{k=1}^K\Vert {\mathbf{w}}_k{\Vert }^2\\ & s.t.\frac{|{\mathbf{h}}_k^H{\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|{\mathbf{h}}_k^H{\mathbf{w}}_j{|}^2+{\sigma }_k^2}\ge {\gamma }_k,\forall k.\end{array}\text{\hspace{1em}(36)(37)}$$

需要注意的是，(P3)是多用户MISO下行广播信道中常见的功率最小化问题，可以通过二阶锥规划(SOCP)[22]、SDP[23]或基于上下行对偶性的定点迭代算法[24]、[25]来有效解决。此外，很容易验证，在问题(P3)的最优解处，(37)中的所有SINR约束都满足等式。

另一方面，对于给定的传输波束成形 $\mathbf{W}$，问题(P1)被简化为可行性检验问题。

设 ${\mathbf{h}}_{d,k}^H{\mathbf{w}}_j=b_{k,j}$ 和 $v_n=e^{j{\theta }_n}$。通过应用变量的变化 ${\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}{\mathbf{w}}_j={\mathbf{v}}^H{\mathbf{a}}_{k,j}$，其中 $\mathbf{v}=[e^{j{\theta }_1},\cdots ,e^{j{\theta }_N}{]}^H$ 和 ${\mathbf{a}}_{k,j}=\text{diag}({\mathbf{h}}_{r,k}^H)\mathbf{G}{\mathbf{w}}_j$，问题(P1)被简化为

$$\begin{array}{rl}& \text{Find}\mathbf{v}\\ & s.t.\frac{|{\mathbf{v}}^H{\mathbf{a}}_{k,k}+b_{k,k}{|}^2}{{\sum }_{j\ne k}^K|{\mathbf{v}}^H{\mathbf{a}}_{k,j}+b_{k,j}{|}^2+{\sigma }_k^2}\ge {\gamma }_k,\forall k,\\ & |v_n|=1,n=1,\cdots ,N.\end{array}\text{\hspace{1em}(38)(39)(40)}$$

虽然上述问题与多天线中继广播信道的中继波波形优化问题类似[26]，但由于(39)中的公共向量 $\mathbf{v}$ 的相位旋转可能无法使(39)中的 ${\mathbf{v}}^H{\mathbf{a}}_{k,k}+b_{k,k}$ 对所有用户都是实数，因此不能直接转化为SOCP优化问题。而且，它在(40)中具有非凸的单位模约束。然而，通过观察(39)和(40)约束可以转化为二次约束，我们应用SDR技术来有效地近似求解问题(38)。

具体地，通过引入辅助变量 $t$，(38)可以等价地写成

$$\begin{array}{rl}& \text{Find}\mathbf{v}\\ & s.t.{\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,k}\bar{\mathbf{v}}+|b_{k,k}{|}^2\ge {\gamma }_k\sum _{j\ne k}^K{\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,j}\bar{\mathbf{v}}\\ & +{\gamma }_k\left(\sum _{j\ne k}^K|b_{k,j}{|}^2+{\sigma }_k^2\right),\forall k,\\ & |v_n{|}^2=1,n=1,\cdots ,N+1,\end{array}\text{\hspace{1em}(41)(42)(43)}$$
其中
$$\begin{array}{c}{\mathbf{R}}_{k,j}=\left[\begin{array}{cc}{\mathbf{a}}_{k,j}{\mathbf{a}}_{k,j}^H& {\mathbf{a}}_{k,j}{b}_{k,j}^H\\ {\mathbf{a}}_{k,j}^H{b}_{k,j}& 0\end{array}\right],\bar{\mathbf{v}}=\left[\begin{array}{c}\mathbf{v}\\ t\end{array}\right].\end{array}$$

请注意 ${\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,j}\bar{\mathbf{v}}=\mathrm{tr}({\mathbf{R}}_{k,j}\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H)$。定义 ${\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,j}\bar{\mathbf{v}}=\mathrm{tr}({\mathbf{R}}_{k,j}\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H)$，这需要满足 $\mathbf{V}⪰0$ 和$\mathrm{rank}(\mathbf{V})=1$。由于秩一约束是非凸的，我们放松这个约束，然后将问题(41)转化为

$$\begin{array}{rl}& \text{(P4)}:\text{Find}\mathbf{V}\\ & s.t.\mathrm{tr}({\mathbf{R}}_{k,k}\mathbf{V})+|b_{k,k}{|}^2\ge {\gamma }_k\sum _{j\ne k}^K\mathrm{tr}({\mathbf{R}}_{k,j}\mathbf{V})\\ & +{\gamma }_k\left(\sum _{j\ne k}^K|b_{k,j}{|}^2+{\sigma }_k^2\right),\forall k,\\ & {\mathbf{V}}_{n,n}=1,n=1,\cdots ,N+1,\\ & \mathbf{V}⪰0.\end{array}\text{\hspace{1em}(44)(45)(46)(47)}$$

% 当给定AP的波束向量时，优化IRS的相位v，求解问题（P4'）
function v = IRS_MultiUser(W,Hr,Hd,G,N,Uk,gamma)
    L = 1000; % 高斯随机化过程次数
    b = Hd'*W;
    R = cell(Uk,Uk);
    for k=1:Uk
        for j=1:Uk
            a = diag(Hr(:,k)')*G*W(:,j);
            R{k,j} = [a*a' a*b(k,j)';a'*b(k,j) 0];
        end
    end
    cvx_begin quiet
        variable V(N+1,N+1) hermitian
        variable alpha1(Uk,1)
        expression RV(Uk,Uk)
        for k=1:Uk
            for j=1:Uk
                RV(k,j)=trace(R{k,j}*V);
            end
        end
        maximize(sum(alpha1))
        subject to
            for i=1:Uk
                trace(R{i,i}*V)+square_abs(b(i,i))>=gamma*sum(RV(i,[1:i-1 i+1:Uk]))+gamma*(b(i,[1:i-1 i+1:Uk])*b(i,[1:i-1 i+1:Uk])'+1) + alpha1(i);
                alpha1(i) >= 0;
            end
            diag(V) == 1;
            V ==  hermitian_semidefinite(N+1);      
    cvx_end
    % 高斯随机化过程
    max_F = 0;
    max_v = 0;
    [U, Sigma] = eig(V);
    for l = 1 : L
        r = sqrt(2) / 2 * (randn(N+1, 1) + 1j * randn(N+1, 1));
        v = U * Sigma^(0.5) * r;
        s = 0;
        Vp = v*v';
        RVp = zeros(Uk,Uk);
        for k=1:Uk
            for j=1:Uk
                RVp(k,j)=trace(R{k,j}*Vp);
            end
        end
        for i=1:Uk
            s = s + real(v'*R{i,i}*v+b(i,i)'*b(i,i)-gamma*sum(RVp(i,[1:i-1 i+1:Uk]))-gamma*(b(i,[1:i-1 i+1:Uk])*b(i,[1:i-1 i+1:Uk])'+1));
        end
        if real(s)> max_F
            max_v = v;
            max_F = real(s);
        end
    end
    
    v = exp(1j * angle(max_v / max_v(end)));
    v = v(1 : N);
end

不难观察到，问题(P4)是一个SDP，因此可以通过现有的凸优化求解器(如CVX[20])进行优化求解。虽然SDR对于问题(41)可能不紧，但基于求解(P4)得到的高阶解，可以类似地使用高斯随机化来获得问题(41)的可行解。此外，值得指出的是，(45)中的SINR等式约束并不一定满足，由于所有用户的共同相移矩阵 $\mathbf{V}$。

为了获得更好的收敛解，我们进一步将问题(P4)转化为一个目标明确的优化问题，即获得一个通常更有效的相移解以降低发射功率。其基本原理是，对于发射波束形成优化问题，即(P3)，在最优解处，所有SINR约束都是有效的。因此，优化相移以强制用户可实现的SINR大于(P4)中的SINR目标，直接导致(P3)中的发射功率降低（例如，通过简单地缩小发射波束形成的功率)。为此，问题(P4)被转化为以下问题

(P4’) : max ⁡ V , { α k }   ∑ k = 1 K α k   s . t .   t r ( R k , k V ) + ∣ b k , k ∣ 2 ≥ γ k ∑ j ≠ k K t r ( R k , j V )   s . t .   +   γ k ( ∑ j ≠ k K ∣ b k , j ∣ 2 + σ k 2 ) + α k , ∀ k ,   s . t .   V n , n = 1 , n = 1 , ⋯   , N + 1 ,   s . t .   V ⪰ 0 , α k ≥ 0 , ∀ k , \begin{align*}&\hspace{-2.5pc}\text {(P4')}: \max _{\boldsymbol V, \{\alpha _{k}\} } ~\sum _{k=1}^{K} \alpha _{k} \tag{48}\\&~\mathrm {s.t.}~{\mathrm{tr}}({\boldsymbol {R}_{k,k}}{\boldsymbol V}) + | b_{k,k}|^{2} \geq \gamma _{k}\sum _{j\neq k}^{K} {\mathrm{tr}}({\boldsymbol {R}_{k,j}}{\boldsymbol V}) \\&\hphantom {~\mathrm {s.t.}~}\quad +\, \gamma _{k}\left({\sum _{j\neq k}^{K} | b_{k,j}|^{2} + \sigma ^{2}_{k}}\right) + \alpha _{k}, \quad \forall k, \tag{49}\\&\hphantom {~\mathrm {s.t.}~} \boldsymbol {V}_{n,n} = 1, \quad n=1,\cdots, N+1, \tag{50}\\&\hphantom {~\mathrm {s.t.}~}\boldsymbol {V} \succeq 0, \alpha _{k} \geq 0, \quad \forall k, \tag{51}\end{align*} ​(P4’):V,{αk​}max​ k=1∑K​αk​ s.t. tr(Rk,k​V)+∣bk,k​∣2≥γk​j=k∑K​tr(Rk,j​V) s.t. +γk​ ​j=k∑K​∣bk,j​∣2+σk2​ ​+αk​,∀k, s.t. Vn,n​=1,n=1,⋯,N+1, s.t. V⪰0,αk​≥0,∀k,​(48)(49)(50)(51)​

其中松弛变量 ${\alpha }_k$ 可以解释为相移优化中用户 $k$ 的 SINR residual。注意(P4)和(P4’)具有相同的可行V集合，而(P4’)在收敛解方面比(P4)更高效，这一点将在 Section V-B 通过仿真加以验证。