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

Abstract

智能反射面（IRS）包含有大量的低成本无源器件，每个无源器件都可以独立的将入射信号反射出去，并且调节其相位，从而合起来实现三维无源波束赋形，而不需要射频（RF）传输链路。本文研究了IRS辅助下单蜂窝无线网络，其中IRS部署在一个多天线接入点（AP）和多个单天线用户之间，支持其间传输。通过联合优化有源天线阵列的传输端波束赋形和IRS的无源移相器的反射端波束赋形，来最小化总传输功率，约束条件是用户个人的信干噪比（SINR）。进一步我们考虑了当IRS反射器件趋近无穷大时，其IRS无源波束赋形的极限情况，并且将其与传统有源波束赋形/中继进行了对比。仿真结果表明IRS辅助的MIMO系统相对于没使用IRS的大规模MIMO系统，可以在有源天线/射频链路显著减小的情况下，实现同等的传输速率。

Introduction

背景

为实现针对到来的5G网络下至少1000亿设备实现1000倍网络容量的增加以及无处不在的无线连接，在上个十年，人们提出了许多无线技术，主要包括超密集网络（UDN），大规模MIMO和毫米波通信。然而网络的能效和硬件成本仍然是实际系统中的关键问题。

IRS介绍

IRS是一个平面阵列，包含有大量的可重构无源器件（即低成本印刷二极管），每个器件都可以独立的针对入射信号产生一个特定的相移（由相连的智能控制器进行控制），从而合起来改变反射信号传输。通过IRS所有无源器件智能的调节相移，反射信号既可以与其他路径的信号在预期接收机处相干叠加，也可以在非预期接收机处进行相消叠加，从而减少干扰、提高安全性/隐私性。

IRS与AF对比

1. 放大转发（AF）中继通过放大和再生信号来协助源-目的地传输。IRS不需要传输模块，只需要作为一个无源阵列反射接收信号，因此IRS没有传输功率损耗。
2. 有源AF中继通常以半双工（HD）模式工作，因此频谱效率方面要比全双工（FD）模式工作的IRS低。尽管AF中继也能工作于FD，但是这将会使其不可避免的受到自身严重的干扰，从而需要有效的干扰消除技术。

IRS与反向散射通信对比

射频识别（RFID）标签的反向散射通信，需要通过发送者接发送信号之后反射回来的信号，来实现与接收者通信。IRS主要用于增强现有的通信链路性能，而不是通过反射来传递自己的信息。因此在反向散射通信中，从发送者到接收者的直接链路，是意外干扰，需要在接收者处进行消除。而在IRS增强的通信中，直接链路信号和反射链路信号承载着相同的有用信息，因此可以在接收者处相干叠加，最大化接收功率。

IRS和大规模MIMO对比

IRS和大规模MIMO相比，阵列架构（无源vs有源），运行机制（反射vs传输）

技术	运行机制	双工	所需RF链路个数	硬件成本	能耗	作用
IRS	无源，反射	全双工	0	低	低	协助者
反向散射通信	无源，反射	全双工	0	非常低	非常低	源
MIMO 中继	有源，接收和发送	半/全双工	N	高	高	协助者
大规模MIMO	有源，发送/接收	半/全双工	N	非常高	非常高	源/目的

从实施角度来看，IRS有许多吸引人的优点，例如低剖面，重量轻，几何共形，从而使得其容易被贴/移动到墙面/天花板上，提供了实际部署的高可行性。例如，在有接入点（AP）/基站（BS）的视距传输（LoS）内，将IRS部署在墙面/天花板上，在IRS附近的信号强度可以得到显著提升。另外，将IRS集成到现有网络中（例如蜂窝网络或者WiFi），可以对用户透明，即不需要改变任何用户设备的软硬件情况。上述这些特点使得IFS成为一项针对于未来无线网络的令人信服的新技术，尤其是在室内高密度用户的应用（例如礼堂、购物广场、展览中心、机场等等）。

本文工作

模型

本文考虑IRS辅助的单蜂窝多用户多输入单输出（MISO）通信系统，AP是单个多天线，用户是多个单天线。考虑特殊情况：没有任何干扰的单用户传输，当AP-user链路明显强于AP-IRS链路时，AP应该将波束直接打向用户，如果是AP-user链路被障碍物挡住了，AP应该将其波束调整为朝向IRS，从而最大限度的利用其反射信号来服务用户。
此外，在多用户设置下，一个IRS辅助系统主要受到两方面影响：单用户情况下所需信号的波束赋形和多用户之间的空间干扰抑制。一个临近IRS的用户相比于距离IRS较远的用户而言，预计将会能够承受更多来自AP端的干扰。这是由于IRS的相移可以进行调节，从而被IRS反射的干扰可以与临近用户的AP-user链路进行相消，以抑制其整体接收干扰。因此，这为在AP处设计发射波束成形以服务于IRS覆盖区域之外的其他用户提供了更大的灵活性，从而提高系统中所有用户的SINR性能。因此，AP处的发射波束赋形需要与基于AP-IRS，IRS-users和AP-users的IRS相移进行联合设计，从而得到充分的网络波束赋形增益。

难题

非凸SINR约束和由无源移相器产生的信号单位模数约束（signal unit-modulus constraints）。即使之前研究了恒定包络预编码和混合数字/模拟处理，这些设计主要受限于发送端或接收端，并不适用于设计AP的有源波束赋形和IRS的无源波束赋形联合优化。

解决方法

1. 考虑单用户场景，应用半正定松弛（SDR）技术来获得一个高质量近似解和一个最优值的下届，从而进行对于近似解松弛度？（tightness）的估计。为了降低计算的复杂度，提出了一个基于相移和传输波束赋形向量交替优化的高效算法，最优解通过固定对方值的闭式解得出。
2. 将单用户场景扩展为多用户场景，提出了两个算法来获得能够权衡性能与复杂度的次优解。

仿真结果

1. 与传统在单用户和多用户设置中均不使用IRS情况的设置相比，部署IRS可以显著降低在AP处为满足用户SINR目标所需的发射功率。
2. 对于临近IRS的但用户而言，当反射元素个数N非常大的时候，AP的传输功率随着N的增加而降低，数量级大约为$N^2$。

系统模型和问题表述

系统建模

单天线用户数量为$K$,AP的天线个数为$M$，IRS反射单元个数为$N$。IRS配备有控制器，可以协调它在两种工作模式之间切换（用于信道估计的接收模式，用于信号传输的反射模式）。由于有较高的路径损耗，因此假设被IRS反射高于两次的信号都可以被忽略。为了描述IRS带来的理论性能增益，我们假设在AP端所有相关信道的信道状态信息（CSI）是完全已知的。除此之外所有信道采用准静态平坦衰落模型？。由于IRS是一个无源反射设备，我们对于上下行传输考虑为时分双工（TDD）协议，并且假设下行链路CSI通过上行链路训练的信道互易性来获得。

AP-IRS等效基带信道为$G\in {\mathbb{C}}^{N\times M}$
IRS-user $k$等效基带信道为$h_{r,k}^H\in {\mathbb{C}}^{1\times N}$
AP-user $k$等效基带信道为$h_{d,k}^H\in {\mathbb{C}}^{1\times M}$，其中$k=1,\cdots ,K$。
取$\theta =[{\theta }_1,\cdots ,{\theta }_N]$，定义对角矩阵$\Theta =diag[{\beta }_1{e}^{j{\theta }_1},\cdots ,{\beta }_N{e}^{j{\theta }_N}]$作为IRS的反射系数矩阵，其中${\theta }_n\in [0,2\pi )$代表了IRS第$n$个元件反射系数的相位,${\beta }_n\in [0,1]$代表了IRS第$n$个元件反射系数的幅度。在实践中，IRS的每个元素通常都是为了最大限度地提高信号反射。因此，为了简单起见，我们设置${\beta }_n=1,\forall n.$

本文考虑在AP上线性传输预编码，为每个用户分配一个专用波束形成向量。因此AP处复杂的基带传输信号可以被表述为$\mathbf{x}={\sum }_{k=1}^K{\mathbf{w}}_k{s}_k$，其中$s_k$代表传输到用户$k$的数据，${\mathbf{w}}_k\in {\mathbb{C}}^{M\times 1}$是相应的波束赋形向量。假设$s_k,k=1,\cdots ,K$是独立同分布，均值为0，方差为1（归一化功率）。用户$k$所收到的AP-user 和AP-IRS-user两个信道的信号可以表示为
$$y_k=({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H)\sum _{j=1}^k{\mathbf{w}}_j{s}_j+n_k,k=1,\cdots ,K,(1)$$
其中$n_k\sim \mathcal{C}\mathcal{N}(0,{\sigma }^2)$，代表了在用户$k$处接收到的加性高斯白噪声（AWGN）。因此，用户$k$的SINR为
$$SIN{R}_k=\frac{|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_k{|}^2+{\sigma }^2},\forall k.(2)$$

问题表述

令$$\begin{gathered} \mathbf{W}=[{\mathbf{w}}_1,\cdots ,{\mathbf{w}}_K]\in {\mathbb{C}}^{M\times K}, \\ {\mathbf{H}}_r=[{\mathbf{h}}_{r,1},\cdots ,{\mathbf{h}}_{r,K}]\in {\mathbb{C}}^{N\times K}, \\ {\mathbf{H}}_d=[{\mathbf{h}}_{d,1},\cdots ,{\mathbf{h}}_{d,K}]\in {\mathbb{C}}^{M\times K} \end{gathered}$$
本文目的是通过联合优化AP的传输波束赋形与IRS的反射波束赋形，从而最小化AP的整体传输功率。限制条件为所有用户个人的SINR。因此问题可表述为
$$\begin{gathered} (\text{P}1):\underset{\mathbf{W},\mathbf{\theta }}{\min }\sum _{k=1}^K\Vert {\mathbf{w}}_k{\Vert }^2(3) \\ s.t.\frac{|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|({\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H){\mathbf{w}}_j{|}^2+{\sigma }^2}\ge {\gamma }_k,\forall k.(4) \\ 0\le {\theta }_n\le 2\pi ,n=1,\cdots ,N,(5) \end{gathered}$$
其中${\gamma }_k>0$是用户$k$ SINR需求的最小值。

尽管（P1）的目标函数和约束（5）是凸的，但是（P1）的约束（4）是非凸的，传输波束赋形和相移是耦合的。下一节将会分别使用SDR和交替优化的方法来求得单用户情况下的近似解，进而推广到多用户。
在解决（P1）之前，给出了其可行性的一个充分条件，令$\mathbf{H}=[{\mathbf{h}}_1,\cdots ,{\mathbf{h}}_K]\in {\mathbb{C}}^{M\times K}$其中${\mathbf{h}}_k^H={\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H,\forall k$

命题1：对于任何有限用户的SINR目标${\gamma }_k$，如果$rank({\mathbf{G}}^H{\mathbf{H}}_r+{\mathbf{H}}_d)=K$，那么问题（P1）是可行的。
证明看不懂

单用户系统

本节考虑单用户场景，即$K=1$。在这种情况下没有用户间的干扰，因此（P1）可以被简化为
$$\begin{gathered} (\text{P}2):\underset{\mathbf{w},\mathbf{\theta }}{\min }\Vert {\mathbf{w}}_k{\Vert }^2(7) \\ s.t.|({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H)\mathbf{w}{|}^2\ge \gamma {\sigma }^2,(8) \\ 0\le {\theta }_n\le 2\pi ,n=1,\cdots ,N.(9) \end{gathered}$$
尽管简化了，问题（P2）仍然是一个非凸优化问题，因为（8）左边相对于$w$和$\theta$不是共同凹的？。在接下来的两小节中，我们分别通过SDR和交替优化的方法来解决问题（P2），在下一节中将会扩展到多用户系统。

SDR

首先采用SDR来解决问题（P2），有助于获得（P2）最佳值的下限，以评估其他次优解的性能差距？。 对于任意给定的相移$\theta$，众所周知，最大传输比（MRT）是问题（P2）的最佳发射波束成形的解决方案。即${\mathbf{w}}^{\ast }=\sqrt{P}\frac{({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{)}^H}{\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H\Vert }$，其中$P$代表AP的传输功率。将${\mathbf{w}}^{\ast }$带入问题（P2）中，可得
$$\begin{gathered} \underset{P,\mathbf{\theta }}{\min }P(10) \\ s.t.P\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2\ge \gamma {\sigma }^2,(11) \\ 0\le {\theta }_n\le 2\pi ,\forall n.(12) \end{gathered}$$
不难证明最优传输功率满足$P^{\ast }=\frac{\gamma {\sigma }^2}{\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2}$，因此最小化传输功率等效为最大化合并信道功率增益，即
$$\begin{gathered} \underset{\theta }{\max }\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2(13) \\ s.t.0\le {\theta }_n\le 2\pi ,\forall n.(14) \end{gathered}$$
令$\mathbf{v}=[v_1,\cdots ,v_N{]}^H$，其中$v_n=e^{j{\theta }_n},\forall n.$此时约束（14）等效为一个单位模数约束：$|v_n{|}^2=1,\forall n.$通过改变变量${\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}={\mathbf{v}}^H\mathbf{\Phi }$，其中$\mathbf{\Phi }=diag({\mathbf{h}}_r^H)\mathbf{G}\in {\mathbb{C}}^{N\times M}$，因此我们有$\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{\Vert }^2=\Vert {\mathbf{v}}^H\mathbf{\Phi }+{\mathbf{h}}_d^H{\Vert }^2.$这样问题13可以等效为
$$\begin{gathered} \underset{\mathbf{v}}{\max }{\mathbf{v}}^H\mathbf{\Phi }{\mathbf{\Phi }}^H\mathbf{v}+{\mathbf{v}}^H\mathbf{\Phi }{\mathbf{h}}_d+{\mathbf{h}}_d^H{\mathbf{\Phi }}^H\mathbf{v}+\Vert {\mathbf{h}}_d^H{\Vert }^2(15) \\ s.t.|v_n{|}^2=1,\forall n.(16) \end{gathered}$$
注意到问题（15）是一个非凸二次约束二次规划（QCQP,quadratically constrained quadratic program）,可以被改写为一个homogeneous QCQP(齐次QCQP？)。通过引入一个辅助变量$t$，问题（15）可以等效为
$$\begin{gathered} \underset{\bar{\mathbf{v}}}{\max }{\bar{\mathbf{v}}}^H\mathbf{R}\bar{\mathbf{v}}+\Vert {\mathbf{h}}_d^H{\Vert }^2(17) \\ s.t.|{\bar{v}}_n{|}^2=1,n=1,\cdots ,N+1(18) \end{gathered}$$
其中
$$\mathbf{R}=\left[\begin{array}{cc}\mathbf{\Phi }{\mathbf{\Phi }}^H& \mathbf{\Phi }{\mathbf{h}}_d\\ {\mathbf{h}}_d^H{\mathbf{\Phi }}^H& 0\end{array}\right],\bar{\mathbf{v}}=\left[\begin{array}{c}\mathbf{v}\\ t\end{array}\right].$$
然而问题（17）仍然是非凸问题。注意到${\bar{\mathbf{v}}}^H\mathbf{R}\bar{\mathbf{v}}=\text{tr}(\mathbf{R}\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H).$定义$\mathbf{V}=\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H$，需要满足$\mathbf{V}⪰0$且$\text{rank}(\mathbf{V})=1.$由于rank1约束是非凸的，我们应用SDR去松弛这个约束。因此问题（17）化简为
$$\begin{gathered} \underset{\mathbf{V}}{\max }\text{tr}(\mathbf{R}\mathbf{V}+\Vert {\mathbf{h}}_d^H{\Vert }^2)(19) \\ s.t.{\mathbf{V}}_{n,n}=1,n=1,\cdots ,N+1,(20) \\ \mathbf{V}⪰0.(21) \end{gathered}$$
问题（19）是一个凸半正定规划（SDP），可以通过CVX等凸优化求解器取得最优解。一般来说问题（19）的松弛解可能秩不为1，即$\text{rank}(\mathbf{V})\ne 1$这就表明问题（19）的最优目标值只是问题（17）的上界。因此，需要额外的步骤来从问题（19）的高阶解构造一阶解，具体在[1]，这里省略。

交替优化

上一节基于SDR的解决方法复杂度较高，为了实现低复杂度，本节我们提出了基于交替优化的交替次优解算法。AP端的传输波束赋形方向和传输功率将以交替的方法，与IRS端相移进行交替优化，直到实现收敛。
令$\mathbf{w}=\sqrt{P}\bar{\mathbf{w}}$，其中$\bar{\mathbf{w}}$代表了传输波束赋形方向，$P$为传输功率。对于给定的传输波束赋形方向$\bar{\mathbf{w}}$，（P2）简化为一个传输功率和相移的联合优化问题，
$$\begin{gathered} \underset{\mathbf{\theta }}{\max }|({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H)\bar{\mathbf{w}}{|}^2(22) \\ s.t.0\le {\theta }_n\le 2\pi ,n=1,\cdots ,N.(23) \end{gathered}$$
虽然上述问题是非凸的，但利用其目标函数的特殊结构，可以得到封闭形式的解:
$$|({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H)\bar{\mathbf{w}}|=|{\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}\bar{\mathbf{w}}+{\mathbf{h}}_d^H\bar{\mathbf{w}}|\stackrel{(a)}{\le }|{\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}\bar{\mathbf{w}}|+|{\mathbf{h}}_d^H\bar{\mathbf{w}}|,(24)$$
其中$(a)$是三角不等式，当$\text{arg}({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}\bar{\mathbf{w}})=\text{arg}({\mathbf{h}}_d^H\bar{\mathbf{w}})\triangleq {\varphi }_0$时，等号成立。
接下来我们将证明总会存在一个解$\theta$，满足(a)的等式以及（23）的相移约束条件。令${\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}\bar{\mathbf{w}}={\mathbf{v}}^H\mathbf{a}$其中$\mathbf{v}=[e^{j{\theta }_1},\cdots ,e^{j{\theta }_N}{]}^H,$$\mathbf{a}=\text{diag}({\mathbf{h}}_r^H)\mathbf{G}\bar{\mathbf{w}}$由（24）可得，问题（22）可以简化为
$$\begin{gathered} \underset{\mathbf{v}}{\max }|{\mathbf{v}}^H\mathbf{a}{|}^2(25) \\ s.t.|v_n|=1,\forall n=1,\cdots ,N,(26) \\ \text{arg}({\mathbf{v}}^H\mathbf{a})={\varphi }_0(27) \end{gathered}$$
这个问题的最优解为${\mathbf{v}}^{\ast }=e^{j({\varphi }_0-\text{arg}(\mathbf{a}))}=e^{j({\varphi }_0-\text{arg}(\text{diag}({\mathbf{h}}_r^H)\mathbf{G}\bar{\mathbf{w}}))}$
因此IRS第n个器件相移为
$${\theta }_n^{\ast }={\varphi }_0-\text{arg}(h_{n,r}^H{\mathbf{g}}_n^H\bar{\mathbf{w}})={\varphi }_0-\text{arg}(h_{n,r}^H)-\text{arg}({\mathbf{g}}_n^H\bar{\mathbf{w}}),(28)$$
其中$h_{n,r}^H$是${\mathbf{h}}_r^H$的第n列，${\mathbf{g}}_n^H$是$\mathbf{G}$的第n行向量。注意到${\mathbf{g}}_n^H\bar{\mathbf{w}}$合并了传输波束赋形和AP-IRS信道，可被视为IRS处第n个反射元件感知的有效通道。因此（28）表明应该调节第n个相移，使得通过AP-IRS和IRS-user链路信号的相位和AP-user直接链路信号的相位一致，从而在user实现信号相干合并。同时还会发现，获得的相位${\theta }^{\ast }$与$h_{n,r}$的幅度独立。因此由（P2）最优发射功率为$P^{\ast }=\frac{\gamma {\sigma }^2}{\Vert ({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H)\bar{\mathbf{w}}{\Vert }^2}$，接下来我们对于（28）中给定的$\theta$，对传输波束赋形方向进行优化。由上一节可知，合并信道是由${\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H$得到的，因此MRT是最优解，即${\bar{\mathbf{w}}}^{\ast }=\frac{({\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H{)}^H}{\Vert {\mathbf{h}}_r^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_d^H\Vert }$。
上述交替优化方法实际上很有吸引力，因为发射波束形成和相移都是在封闭形式的表达式中获得的，而无需调用SDP求解器。其收敛性由以下两个事实保证。第一，对于每个子问题而言，得到的最优解确保（P2）的目标值在迭代过程中不增加。第二，由于SNR的限制，（P2）的最佳值是有下界的。因此，所提出的算法保证收敛。？

多用户系统

交替优化算法

该算法与单用户情况下类似，但是AP的发射波束形成是通过应用最小均方误差（MMSE）准则来处理多用户干扰，而不是在没有干扰的单用户情况下使用MRT。对于给定的相移$\theta$，从AP到用户$k$的合并信道为${\mathbf{h}}_k^H={\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H$，因此问题（P1）简化为
$$\begin{gathered} (\text{P}3):\underset{\mathbf{W}}{\min }\sum _{k=1}^K\Vert {\mathbf{w}}_k{\Vert }^2(36) \\ s.t.\frac{|{\mathbf{h}}_k^H{\mathbf{w}}_k{|}^2}{{\sum }_{j\ne k}^K|{\mathbf{h}}_k^H{\mathbf{w}}_j{|}^2+{\sigma }^2}\ge {\gamma }_k,\forall k.(37) \end{gathered}$$
注意到（P3）是多用户MISO下行广播信道的传统功率最小化问题，可以通过二阶锥规划（SOCP）、半正定规划（SDP）或者基于上下行链路对偶的定点迭代算法来进行有效的解决。此外，很容易验证问题（P3）的最优解都满足（37）中的所有SINR约束的等式。
另一方面，对于给定的发射波束赋形$\mathbf{W}$，问题（P1）化简为一个可行性检查问题（feasibility-check problem）。令${\mathbf{h}}_{d,k}^H{\mathbf{w}}_j=b_{k,j}$，$v_n=e^{j{\theta }_n},n=1,\cdots ,N.$通过变量替换${\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}{\mathbf{w}}_j={\mathbf{v}}^H{\mathbf{a}}_{k,j}$其中$\mathbf{v}=[e^{j{\theta }_1},\cdots ,e^{j{\theta }_N}{]}^H$，${\mathbf{a}}_{k,j}=\text{diag}({\mathbf{h}}_{r,k}^H)\mathbf{G}{\mathbf{w}}_j$，问题（P1）可以被化简为
$$\begin{gathered} \text{Find}\mathbf{v}(38) \\ s.t.\frac{|{\mathbf{v}}^H{\mathbf{a}}_{k,k}+b_{k,k}{|}^2}{{\sum }_{j\ne k}^K|{\mathbf{v}}^H{\mathbf{a}}_{k,j}+b_{k,j}{|}^2+{\sigma }_k^2}\ge {\gamma }_k,\forall k,(39) \\ |v_n|=1,n=1,\cdots ,N.(40) \end{gathered}$$
上述问题类似于多天线中继广播信道的中继波束赋形优化问题，由于公共向量$\mathbf{v}$的相位旋转不能使对于所有用户（39）中的${\mathbf{v}}^H{\mathbf{a}}_{k,k}+b_{k,k}$变为实数，因此它不能直接转化为SOCP优化问题，同时（40）也是非凸单位模数约束。然而通过观察约束（39）（40）可以转化为二次约束，我们可以应用SDR技术来求得问题（38）的近似解。
通过引入辅助变量$t$ ，（38）可以等效为
$$\begin{gathered} \text{Find}\mathbf{v}(41) \\ s.t.{\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,k}\bar{\mathbf{v}}+|b_{k,k}{|}^2\ge {\gamma }_k\sum _{j\ne k}^K{\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,j}\bar{\mathbf{v}}+{\gamma }_k(\sum _{j\ne k}^K|b_{k,j}{|}^2+{\sigma }_k^2),\forall k,(42) \\ |v_n{|}^2=1,n=1,\cdots ,N+1,(43) \end{gathered}$$
其中
$${\mathbf{R}}_{k,j}=\left[\begin{array}{cc}{\mathbf{a}}_{k,j}{\mathbf{a}}_{k,j}^H& {\mathbf{a}}_{k,j}{\mathbf{b}}_{k,j}^H\\ {\mathbf{a}}_{k,j}^H{\mathbf{b}}_{k,j}& 0\end{array}\right],\bar{\mathbf{v}}=\left[\begin{array}{c}\mathbf{v}\\ t\end{array}\right].$$
注意到${\bar{\mathbf{v}}}^H{\mathbf{R}}_{k,j}\bar{\mathbf{v}}=\text{tr}({\mathbf{R}}_{k,j}\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H)$，定义$\mathbf{V}=\bar{\mathbf{v}}{\bar{\mathbf{v}}}^H$，需要满足$\mathbf{V}⪰0$和$\text{rank}(\mathbf{V})=1.$由于rank1约束是非凸的，我们将这个约束进行松弛，问题（41)可以转化为
$$\begin{gathered} \text{(P4):}\text{Find}\mathbf{V}(44) \\ s.t.\text{tr}({\mathbf{R}}_{k,k}\mathbf{V})+|b_{k,k}{|}^2\ge {\gamma }_k\sum _{j\ne k}^K\text{tr}({\mathbf{R}}_{k,j}\mathbf{V})+{\gamma }_k(\sum _{j\ne k}^K|b_{k,j}{|}^2+{\sigma }_k^2),\forall k,(45) \\ {\mathbf{V}}_{n,n}=1,n=1,\cdots ,N+1,(46) \\ \mathbf{V}⪰0.(47) \end{gathered}$$
不难看出问题（P4）是一个SDP，并且可以通过例如CVX等现有凸优化求解器进行优化求解。

算法1 交替优化算法
1.初始化相移$\mathbf{\theta }={\mathbf{\theta }}^1$并且设置迭代数字$r=1.$
2,重复
3.对于给定的${\mathbf{\theta }}^r$,求解问题（P3），并且将最优解表示为${\mathbf{W}}^r.$
4.对于给定给定${\mathbf{W}}^r$，求解问题（P4），并且将执行高斯随机化之后的解表示为${\mathbf{\theta }}^{r+1}.$
5.更新$r=r+1.$
6.直到目标值的分数下降低于阈值$ϵ>0$，或问题（P4）变为不可行

在所提出的交替优化算法中，我们通过迭代的方法交替解决问题（P3）和（P4），每次迭代得到的解被用作下一次迭代的初始点。特别的，算法起始于通过给定的$\mathbf{\theta }$解决问题（P3）而不是通过给定的$\mathbf{W}$求解（P4）。这是经过精心设计的，假如$\text{rank}({\mathbf{G}}^H\mathbf{\Theta }{\mathbf{H}}_r+{\mathbf{H}}_d)=K$,对于任意$\mathbf{\theta }$,（P3）都是可行的，但是对于任意$\mathbf{W}$，（P4）不一定可行。另一方面，由于求解（P4）只能得到一个可行解，因此在算法1中，（P3）的目标值是否会在迭代过程中单调减小仍然是未知的。
证明略

两阶段算法（Two-Stage Algorithm）

提出了一个低复杂度的两阶段算法，将（P1）的联合波束赋形设计问题解耦成两个波束赋形子问题，分别为优化相移和优化波束赋形。第一阶段通过解决一个加权有效信道最大化增益问题来优化IRS的相移。目的在于将不同的用户信道的相位进行对齐，从而最大化IRS波束赋形增益，尤其是针对于靠近IRS的用户。第二阶段通过解决问题（P3）来获得给定相移$\mathbf{\theta }$下基于MMSE的发射波束赋形。
令$\mathbf{v}=[e^{j{\theta }_1},\cdots ,e^{j{\theta }_N}{]}^H\in {\mathbb{C}}^{N\times 1}$，${\mathbf{\Phi }}_k=\text{diag}({\mathbf{h}}_{r,k}^H)\mathbf{G}\in {\mathbb{C}}^{N\times M},\forall k.$所有用户的加权合并信道增益为
$$\sum _{k=1}^K{t}_k\Vert {\mathbf{h}}_{r,k}^H\mathbf{\Theta }\mathbf{G}+{\mathbf{h}}_{d,k}^H{\Vert }^2=\sum _{k=1}^K{t}_k\Vert {\mathbf{v}}^H\text{diag}({\mathbf{h}}_{r,k}^H)\mathbf{G}+{\mathbf{h}}_{d,k}^H{\Vert }^2=\sum _{k=1}^K{t}_k\Vert {\mathbf{v}}^H{\mathbf{\Phi }}_k+{\mathbf{h}}_{d,k}^H{\Vert }^2,(52)$$
我们设置权重为$t_k=\frac{1}{{\gamma }_k{\sigma }_k^2},k=1,\cdots ,K,$基于（52），可以通过解决下列问题来求解相移
$$\begin{gathered} \text{(P5):}\underset{\mathbf{v}}{\max }\sum _{k=1}^K{t}_k\Vert {\mathbf{v}}^H{\mathbf{\Phi }}_k+{\mathbf{h}}_{d,k}^H{\Vert }^2(53) \\ s.t.|v_n|=1,n=1,\cdots ,N.(54) \end{gathered}$$
注意到当$K=1$时，（P5）等效于单用户情况下的问题（13）。然而在多用户情况下，由于对具有不同信道的所有用户应用相同的相移集，不同用户的组合信道功率增益通常不能在同一时间最大化，因此需要平衡以获得最佳解（P5）。尽管如此，由于问题（P5）是非凸QCQP，它可以类似地重新表述为齐次QCQP，然后通过应用SDR和高斯随机化技术来解决。利用从（P5）获得的相移，通过求解（P3）可以获得基于MMSE的发射波束成形。相较于交替优化算法，两阶段算法有着更低的计算复杂度，（P5）和（P3）分别只需要被求解一次，但是性能可能会遭受损失。

下一步思考

1. QCQP
2. rank1约束
3. SDR
4. SOCP
5. Gaussian randomization techniques