通信中的分式规划规划（part I)——功率控制、Beamforming、能量效率

最新推荐文章于 2024-02-19 23:37:30 发布

昨晚学会了通信

最新推荐文章于 2024-02-19 23:37:30 发布

阅读量1.5w

点赞数 53

分类专栏：通信优化算法文章标签：数字通信

本文链接：https://blog.csdn.net/qq_33668008/article/details/115443840

版权

《Fractional Programming for Communication Systems—Part I: Power Control and Beamforming》
本文地址：https://arxiv.org/abs/1802.10192

前言

该文章为对上述论文的阅读笔记，一点戳见，不吝赐教。

FP背景

FP是一类包含比例项的优化问题，经济学、管理学、信息科学、光学、图论和计算机科学等广泛领域都对它进行了广泛的研究。
本文档是目的是将FP的应用扩展到通信系统设计中更广泛的优化问题，特别是功率控制、波束形成和用户调度等通常不能直接用比例形式表示的优化问题。

通常关注的是数据速率计算为 $\text{log}(1 + \text{SINR})$ 的通信系统，SINR表示的是信干噪比（signal-to-interference-plus-noise ratio）。SINR在通信系统中的突出作用使得FP是网络设计和优化的宝贵工具，整个讨论集中在无线蜂窝网络，但它可以很容易地适应许多其他网络(例如，光网络或数字用户线路)。

为何依然要研究FP问题在无线蜂窝网络的应用？

尽管存在大多数关于FP的工作，但大多数工作是针对的单比问题（single-ratio）问题。而少数研究多比问题的工作（mltiple-ratio）的工作，它们又被限定在特定的形式（如，max-min问题）。而对于系统级通信网络设计，通常不得不应对多比问题，因为整个系统的性能通常是来自多个干扰链路的多个分数阶参数(如SINRs)的函数。求解多比的FP问题，是一个NP-hard问题，找到一个全局最优解十分耗费时间，甚至不可承担。对于求多比问题的驻点解，已知的方法只有连续凸逼近等通用方法。因此研究针对多比问题的FP十分有意义。

FP问题形式

给定一个非空约束集合（ $\in \mathbb{N}$ ，即： $d$ 为严格的正整数）： $\mathcal{X} \subseteq \mathbb{R}^{d}$ ，一个非负函数： $A(\mathbf{x}):\mathbb{R}^{d} \rightarrow \mathbb{R}_{+}$ ,一个正函数： $B(\mathbf{x}): \mathbb{R}^{d} \rightarrow \mathbb{R}_{++}$ ，一个单比问题（maximizing）可以表示为:

$\begin{array}{ll} \underset{\mathrm{x}}{\operatorname{maximize}} & \frac{A(\mathrm{x})}{B(\mathrm{x})} \\ \text { subject to } & \mathrm{x} \in \mathcal{X} \end{array}$

上述的单比问题通常是非凸的。传统的FP方法通常是把该单比形式转化为分子分母解耦的形式，联合优化 $A(\mathbf{x})$ 和 $B(\mathbf{x})$ ，特别是对于： $A(\mathbf{x})$ 为凸函数， $B(\mathbf{x})$ 为凹函数， $\mathcal{X}$ 为凸集的形式，称为concave-convex FP问题。

经典的FP技术

1.Charnes-Cooper Transform

引入一个新的变量：
$z=\frac{1}{B(\mathrm{x})} \quad and \quad \mathbf{q}=\frac{\mathbf{x}}{B(\mathbf{x})}$
单比问题变为：
$\begin{array}{ll} \underset{z, \mathbf{q}}{\operatorname{maximize}} & z A\left(\frac{\mathbf{q}}{z}\right) \\ \text { subject to } & z B\left(\frac{\mathbf{q}}{z}\right) \leq 1 \\ & z \in \mathcal{Z} \\ & \mathbf{q} \in \mathcal{Q} \end{array}$

其中， $\mathcal{Z}$ 和 $\mathcal{Q}$ 分别是 $z$ 和 $\mathbf{q}$ 的范围，且 $\mathrm{x} \in \mathcal{X}$ 原始的解 $\mathbf{x}$ 可以由 $z$ 和 $\mathbf{q}$ 恢复。

注意，这种方法通过将 $B(\mathbf{x})$ 移动到约束 $B\left(\frac{\mathbf{q}}{z}\right) \leq 1$ ，而将 $A(\mathbf{x})$ 留在目标中来解耦分母和分子。如果原始问题是concave-convex FP问题，那么通过该转换构造的凸问题可以被很好的解决。

针对Charnes-Cooper Transform需要注意的两个点：

引入了额外的约束
$\mathcal{Z}$ 和 $\mathcal{Q}$ 需要表征出来，这可能不容易做到

该方法对于单比问题可以很好的解决，对于oncave-convex 单比FP问题事实上还能够收敛到全局最优。但拓展到多比问题（sum-of-ratios 问题）是十分困难的。

2.Dinkelbach’s Transform

该方法将单比问题转化为：
$\begin{array}{ll} \underset{\mathrm{x}}{\operatorname{maximize}} & A(\mathrm{x})-y B(\mathrm{x}) \\ \text { subject to } & \mathrm{x} \in \mathcal{X} \end{array}$

用一个新的辅助变量 $y$ 进行迭代更新，具体表示为：
$y[t+1]=\frac{A(\mathbf{x}[t])}{B(\mathbf{x}[t])}$
其中， $t$ 是迭代的index。可以证明，通过交替更新 $y$ 和求解转换后的单比问题中的 $\mathbf{x}$ 可以证明收敛性是有保证的，因为y在每次迭代后都是非递减的。

该方法同样对于单比问题可以很好的解决，对于concave-convex 单比FP问题，固定 $y$ 优化 $\mathbf{x}$ 是一个凸问题，其能够收敛到原始单比问题的全局最优。

Dinkelbach’s Transform相较于Charnes-Cooper Transform没有额外的约束被引入。

一种新的变换方法：二次变换(Quadratic Transform)

利用这种二次变换，希望新的函数有一些性质：

C1(Decoupling)：新的目标函数具有如下的形式： $g(\mathbf{x}, y)=f(A(\mathbf{x})) q_{1}(y)+h(B(\mathbf{x})) q_{2}(y)$ 。
C2(Equivalent Solution)：当且仅当 $\mathbf{x}^{\star}$ 和 $y^{\star}$ 最大化 $g(\mathbf{x}, y)$ 时， $\mathbf{x}^{\star}$ 最大化 $A(\mathbf{x}) / B(\mathbf{x})$ 。
C3(Equivalent Objective)：对于某个 $\mathbf{x}$ ，让 $y^{\star}=\arg \max _{y} g(\mathbf{x}, y)$ ，然后对于该 $\mathbf{x}$ 有 $g\left(\mathbf{x}, y^{\star}\right)=A(\mathbf{x}) / B(\mathbf{x})$ 。
C4(Concavity)：对于固定的 $\mathbf{x}$ ， $g(\mathbf{x}, y)$ 关于 $y$ 是凹的，即： $\partial^{2} g / \partial y^{2} \leq 0$

理论1(Quadratic Transform)

二次转换：
$g(\mathrm{x}, y)=2 y \sqrt{A(\mathrm{x})}-y^{2} B(\mathrm{x})$
满足：C1-C4。进一步地，如果C4被加强，其要求： $\partial^{2} g / \partial y^{2}$ 是独立于 $y$ 的，则任何一个满足C1-C4的 $g(\mathrm{x}, y)$ 必须满足如下形式：
$g(\mathrm{x}, y)=2\left(t_{1} y+t_{2}\right) \sqrt{A(\mathrm{x})}-\left(t_{1} y+t_{2}\right)^{2} B(\mathrm{x})$
对于多比FP问题的二次转化：

sum-of-ratios问题表示为：
$\begin{array}{ll} \underset{\mathbf{x}}{\operatorname{maximize}} & \sum_{m=1}^{M} \frac{A_{m}(\mathbf{x})}{B_{m}(\mathbf{x})} \\ \text { subject to } & \mathbf{x} \in \mathcal{X} \end{array}$

注：此时如果强行直接将Dinkelbach’s Transform应用到多比问题，对于原始多比问题是不能够保证等价性的。

应用理论1可以将单比问题很容易的推广到多比问题，并且由于C3的性质可以很好地保证等价性

推论1：

sum-of-ratios问题等价于：
$\begin{array}{ll} \underset{\mathbf{x}, \mathbf{y}}{\operatorname{maximize}} & \sum_{m=1}^{M}\left(2 y_{m} \sqrt{A_{m}(\mathbf{x})}-y_{m}^{2} B_{m}(\mathbf{x})\right) \\ \text { subject to } & \mathbf{x} \in \mathcal{X}, y_{m} \in \mathbb{R} \end{array}$

$\mathbf{y}$ 表示变量 $\left\{y_{1}, \ldots, y_{M}\right\}$ 的集合。

推广为更一般的sum-of-ratios问题和max-min-ratio问题，具体如下：

推论2：

给定一个非递减函数，以及一系列的 $A_{m} / B_{m}$ （ $m = 1, . . ., M$ ），sum-of-functions-of-ratio问题可以表示为：
$\begin{aligned} &\operatorname{maximize}_{\mathbf{x}} \sum_{m=1}^{M} f_{m}\left(\frac{A_{m}(\mathbf{x})}{B_{m}(\mathbf{x})}\right)\\ &\text { subject to } \quad x \in \mathcal{X} \end{aligned}$
其等价为：
$\begin{array}{ll} \underset{\mathbf{x}, \mathbf{y}}{\operatorname{maximize}} & \sum_{m=1}^{M} f_{m}\left(2 y_{m} \sqrt{A_{m}(\mathbf{x})}-y_{m}^{2} B_{m}(\mathbf{x})\right) \\ \text { subject to } & \mathbf{x} \in \mathcal{X}, y_{m} \in \mathbb{R}, m=1, \ldots, M \end{array}$

推论3：
给定一系列的 $A_{m} / B_{m}$ （ $m = 1, . . ., M$ ）,max-min-ratio问题可以表示为：
$\begin{array}{ll} \underset{\mathbf{x}}{\operatorname{maximize}} & \min _{m}\left\{\frac{A_{m}(\mathbf{x})}{B_{m}(\mathbf{x})}\right\} \\ \text { subject to } & \mathbf{x} \in \mathcal{X} \end{array}$
其等价为：
$\begin{array}{ll} \underset{\mathrm{x}, \mathrm{y}, z}{\operatorname{maximize}} & z \\ \text { subject to } & \mathrm{x} \in \mathcal{X}, y_{m} \in \mathbb{R}, z \in \mathbb{R} \\ & 2 y_{m} \sqrt{A_{m}(\mathrm{x})}-y_{m}^{2} B_{m}(\mathrm{x}) \geq z, \forall m \end{array}$

证明思路：首先将原问题写为最大化 $z$ 约束条件为： $\in \mathcal{X}$ 和 $\leq A_{m}(\mathbf{x}) / B_{m}(\mathbf{x})$ 。根据C3，最后一个约束条件可以写为： $\leq \max _{y_{m}}\left(2 y_{m} \sqrt{A_{m}(\mathbf{x})}-y_{m}^{2} B_{m}(\mathbf{x})\right)$ ,由于这个新的约束是一个less-than-max不等式，那么 $max _{y_{m}}$ 可以退化为 $\max _{\mathbf{x}, \mathbf{y}}$

C3在等价问题转化中扮演了一个重要的角色！

理论2(多维Quadratic Transform)

进一步考虑分子为向量，分母为矩阵的多维复数情况下的FP。这类FP是在处理多天线通信系统时产生的。考虑一系列函数： $\mathbf{a}_{m}(\mathbf{x}): \mathbb{C}^{d_{1}} \rightarrow \mathbb{C}^{d_{2}}$ 和 $\mathbf{B}_{m}(\mathbf{x}): \mathbb{C}^{d_{1}} \rightarrow \mathbf{S}_{++}^{d_{2} \times d_{2}}$ （ $m = 1, . . ., M$ ），约束集为： $\mathcal{X} \subseteq \mathbb{C}^{d_{1}}$ 且 $d_{1}, d_{2} \in \mathbb{N}$ ，多维单比FP问题定义为：
$\begin{aligned} &\underset{\mathbf{x}}{\operatorname{maximize}} \sum_{m=1}^{M} \mathbf{a}_{m}^{\dagger}(\mathbf{x}) \mathbf{B}_{m}^{-1}(\mathbf{x}) \mathbf{a}_{m}(\mathbf{x})\\ &\text { subject to } \quad x \in \mathcal{X} \end{aligned}$
该问题等价为：
$\begin{array}{ll} \underset{\mathbf{x}, \mathbf{y}}{\operatorname{maximize}} & \sum_{m=1}^{M}\left(2 \operatorname{Re}\left\{\mathbf{y}_{m}^{\dagger} \mathbf{a}_{m}(\mathbf{x})\right\}-\mathbf{y}_{m}^{\dagger} \mathbf{B}_{m}(\mathbf{x}) \mathbf{y}_{m}\right) \\ \text { subject to } & \mathbf{x} \in \mathcal{X}, \mathbf{y}_{m} \in \mathbb{C}^{d_{2}} \end{array}$
$\mathbf{y}$ 表示变量 $\left\{y_{1}, \ldots, y_{M}\right\}$ 的集合。

简单的证明思路：将新的等价问题重新表示为 $\mathbf{y}_{m}^{\dagger} \mathbf{a}_{m}+\mathbf{a}_{m}^{\dagger} \mathbf{y}_{m}-\mathbf{y}_{m}^{\dagger} \mathbf{B}_{m} \mathbf{y}_{m}$ ，进一步可以写为： ${\mathbf{a}}_m^\dag {\mathbf{B}}_m^{ - 1}{ {\mathbf{a}}_m} - \left( { {\mathbf{y}}_m^\dag - {\mathbf{a}}_m^\dag {\mathbf{B}}_m^{ - 1}} \right){ {\mathbf{B}}_m}\left( { { {\mathbf{y}}_m} - {\mathbf{B}}_m^{ - 1}{ {\mathbf{a}}_m}} \right)$ （原文有笔误！），可以很容易的看出其最优解为 $\mathbf{y}_{m_{1}}^{\star}=\mathbf{B}_{m}^{-1}(\mathbf{x}) \mathbf{a}_{m}(\mathbf{x})$ ，此时其最优值恰好就是 $\mathbf{a}_{m}^{\dagger} \mathbf{B}_{m}^{-1} \mathbf{a}_{m}$ ，因此等价性被建立。

对于Concave-Convex FP问题的迭代优化：

之前讨论是假设分子非负，分母为正，现在讨论特殊类型的Concave-Convex FP问题，其在通信系统设计中尤为重要。

满足Concave-Convex FP问题需要如下条件：

分母 $A_{m}(\mathrm{x})$ 均为凹函数
分子 $B_{m}(\mathrm{x})$ 均为凸函数
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

对于single-ratio concave-convex FP问题，前面的几种转化都可以很好地解决。现在主要关注multiple-ratio concaveconvex FP 问题。为了说明问题，以标量形式为例，同样可以更根据理论2很容易地拓展到多维形式。

考虑sum-of-ratios、sum-of-functions-of-ratio、max-min-ratio问题。同时假设，每个 $A_{m}(\mathrm{x})$ 是凹的，每个 $B_{m}(\mathrm{x})$ 是凸的， $\mathcal{X}$ 是具有标准形式的凸集。假设函数 $f_{m}(\cdot)$ 是非递减的。应用二次转换，交替迭代优化原始变量 $B_{m}(\mathrm{x})$ 和辅助变量 $y_{m}$ 。

当 $\mathrm{x}$ 固定时，最优 $y_{m}$ 存在闭式解：
$y_{m}^{\star}=\frac{\sqrt{A_{m}(\mathrm{x})}}{B_{m}(\mathrm{x})}, \forall m=1, \ldots, M$
当 $y_{m}$ 固定时，由于每个 $A_{m}(\mathrm{x})$ 的凹性，每个 $B_{m}(\mathrm{x})$ 的凸性，以及平方根函数是凹的并且是递增的，二次变化函数：
$g\left(\mathrm{x}, y_{m}\right)=2 y_{m} \sqrt{A_{m}(\mathrm{x})}-y_{m}^{2} B_{m}(\mathrm{x})$
对于固定 $y_{m}$ 时的 $\mathrm{x}$ 是凸的。进一步，由于 $f_{m}(\cdot)$ 是凸的且非递减，因此 $f_{m}\left(g\left(\mathbf{x}, y_{m}\right)\right)$ 对于 $\mathrm{x}$ 是凸的。因此，通过数值凸优化可以有效地得到最优 $\mathrm{x}$ 。

整个算法总结为：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kTo3HdX0-1611896983052)(6494924EA8EF44BCAF9B13FD120978A9)]
算法1是能够保证concave-convex FP收敛到一个驻点的。

理论3：收敛性证明（驻点）

对于concave-convex sum-of-functions-of-ratio问题，即：每个 $A_{m}(\mathrm{x})$ 是凹的，每个 $B_{m}(\mathrm{x})$ 是凸的， $\mathcal{X}$ 是具有标准形式的凸集，函数 $f_{m}(\cdot)$ 是非递减的凸函数。算法1包含了一些列的凸优化问题，其可以收敛到原始sum-of-functions-of-ratio问题的一个驻点，且每次迭代的都是非减的。

证明：算法1本质上是重新表述问题的块坐标上升算法（block coordinate ascent algorithm）,因此其可以收敛到二次转换后的函数的一个驻点。由于解的等价性（C2）和目标函数值的等价性（C3），在最优 $\mathbf{y}^{\star}$ 下，二次问题和原始的问题是等价的。因此，算法能够收敛到原始问题的一个驻点，而C3则又保证了sum-of-functions-of-ratio 的值是非递减的。

文中证明了：关于可微 $A(\mathbf{x})， B(\mathbf{x})$ 的单比问题和max-min-ratio concave-convex FP问题，算法1是可以收敛到一个全局最优。