RIS辅助的多小区MIMO系统（WMMSE算法的应用）

SEVEN的科研小屋

于 2025-03-01 04:55:25 发布

阅读量1.1k

点赞数 34

文章标签：算法信息与通信 matlab

本文链接：https://blog.csdn.net/weixin_46109270/article/details/145941755

版权

前言

趁着电脑跑代码之余，写一些读书心得。本文是对C. Pan的文章[Multicell MIMO Communications Relying on Intelligent Reflecting Surfaces]的读书笔记，本文章选自智能超表面（RIS）相关文章的引用前50。文章中涉及的处理RIS相关优化问题的方法非常实用且经典，而且是对WMMSE算法优化加权和速率（WSR）的一个非常具体的例子。

系统模型

本文是RIS辅助多小区MIMO的开篇文章，其系统模型的复杂部分就在于对于Multicell的建模和处理，系统示意图从示意图我们不难看出，每个小区的基站（BS）不仅仅服务于本小区的边缘用户，且会对其他小区的用户发送信息，显然这并不是其他小区的用户想要收到的，这就形成了小区间干扰。这种干扰在小区的交界处尤为强烈。此外在同一小区内，基站向用户A发送的信息同样不可避免的会传给用户B，这形成了小区内干扰。相比之下，对于边缘用户而言，小区间干扰的程度要大的多。因此如何抑制这两种干扰，提升服务质量（QoS）就成了一个亟待解决的问题。本论文利用了6G研究重点技术之一，智能超表面RIS。
其接收信号的模型为：在这里插入图片描述
这里涉及了最基础的RIS信道建模，即用对角阵 $\Phi$ 表示RIS的相移矩阵。此外这里的一些信道的表示是特别容易混淆和产生歧义的。首先 $H_{n,l,k}$ 表示第n个小区的基站到第l个小区的第k个用户的信道， $H_{l,k}^r$ 是RIS到第l个小区的第k个用户的信道， $G_{n}^r$ 是第n个小区的基站到RIS的信道。这里的下标一定要明确，后面涉及到优化的时候是会变的，但只要对齐对应下标就好。因此级联信道为：在这里插入图片描述

本文的目标函数是加权和速率，这是一个能直接反映QoS的量，优化变量为基站段的主动波束赋形和RIS的相移矩阵（RIS的被动波束赋形），其函数为在这里插入图片描述
这里的J是干扰和噪声的协方差矩阵，和速率R的定义是MIMO理论的基础知识，这里不再赘述。因此优化问题为

其中的约束包括发射功率小于某值，以及相移的单位模约束。从这里我们不难看出，（5a）的形式是特别难求解的，首先它是一个分式的形式，且F和 $\Phi$ 呈现乘性耦合。此外，单位模约束就决定了整个问题是一个非凸的优化问题。
为了处理该问题，作者使用了WMMSE算法，通过引入两个辅助变量将WSR变成一个相对简单的形式（对F是凸的，且辅助变量有闭式解），这是一个WMMSE算法特别有效的例子。不懂WMMSE算法的读者可以参考论文 An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel 以及推文加权最小均方误差（weighted minimum mean square error, WMMSE）算法及Python实现。简而言之，对解码后接收信号的MMSE函数与WSR函数存在联系，两者其实是等效的，可以相互转化，具体如下在这里插入图片描述
这是一件十分神奇的事情，但事实确实如此，作者在第一次读到以上文章的时候也非常惊奇，这也许就是通信结合数学推导的魅力。OK，闲言少叙，我们可以发现W和U是我们人工引入的变量，其中U是解码矩阵，W是辅助矩阵，WMMSE算法通过增加变量的方法降低了函数的复杂度。其中E为接收信号的MSE，如下在这里插入图片描述
显然根据凸优化理论，W和U的最优解是可以直接求得的，只需要导数为0即可，得到最优的U和W
这里的推导可以手搓一下，还是很简单的。接下来就是优化F和 $\Phi$ 了，这里用了RIS非凸优化的经典算法BCD，即块坐标下降法，或者更经典的叫法—交替优化，通过分别固定其他变量，单独优化某个变量，依次循环直到收敛。

优化方法

优化主动波束赋形F

其实利用WMMSE算法简化后的WSR对于F同样是凸的，因此许多凸优化算法都可以应用，matlab的CVX工具箱即可实现，但是在这部分作者的推导是值得看一下的在这里插入图片描述

以上将无关项准确合并，着重突出待优化变量的能力是我们平时在科研中十分重要的，这里的推导主要是将E打开，然后合并无关项，有兴趣的可以手搓一下练练手。至此问题（13a）显然是一个SOCP问题，解决方法非常多，且复杂度大差不差，这里就不介绍作者的做法了。

优化RIS的相移矩阵 $\Phi$

至于对相移矩阵的优化，由于单位模的约束，是一个非凸问题，但相关的优化方法已经十分成熟了，著名的有半正定松弛SDR（但复杂度较高），复圆流形优化（CCM），交替方向乘子（ADMM），逐次凸逼近（SCA/MM）算法等。这里作者利用了CCM和MM算法两种。
首先同样合并无关项，并利用向量和矩阵的哈达玛积性质将目标函数化简为在这里插入图片描述
具体的推导过程是十分繁琐的，但是原理很简单，但读者在读论文时可以注意这个部分

在RIS的研究学习中，克劳内克积和哈达玛积是十分常用的，充分了解其性质和应用场合是十分必要的，不明白的读者可以自行搜索一下，或者参考矩阵论的内容学习。
问题（35a）的形式，做RIS相关方向的读者应该非常熟悉，这是一个经典的优化相移的目标函数，接下来简单介绍作者的两种做法。

复圆流形优化CCM

单位模约束的存在导致我们无法在欧氏空间进行梯度下降，因为约束本身非凸，我们无法在欧氏空间进行投影，但单位模在复空间表示一个单位球，因此可以投影到黎曼空间构成一个流形，其中流形是指局部类似于欧几里得空间的拓扑空间。在复圆流形优化中，算法会在每一步迭代中考虑流形的几何结构，确保迭代点始终位于流形上。对这里不懂的读者可以去搜索有关内容。黎曼空间的梯度和欧氏空间的梯度一样是可以计算的，且黎曼梯度是基于欧式梯度的投影，因此CCM本质上还是一个投影后的梯度下降算法。matlab有专门的工具包 Manopt toolbox以解决流形优化问题。

Majorization-Minimization (MM)

Majorization-Minimization (MM) 算法是一种用于求解优化问题的迭代算法，特别适用于目标函数复杂或非凸的情况。MM算法的核心思想是通过构造一个替代函数（majorizing function）来简化原始优化问题，并在每一步迭代中最小化这个替代函数，从而逐步逼近原始问题的最优解。其原理很类似高中学的夹逼定理（这个比喻不准确，但可以帮助理解）。

MM算法的基本步骤
Majorization（构造替代函数）：
在每次迭代中，构造一个替代函数，替代函数通常比原始目标函数更简单，便于优化。且代替函数要求满足1）替代函数在全局上位于目标函数之上；2）在当前点替代函数与目标函数值相等

Minimization（最小化替代函数）：

在每次迭代中，通过最小化替代函数，来更新变量，由于替代函数是目标函数的上界，最小化替代函数可以保证目标函数的值不会增加。

算法

至此所有项的优化均完成，我们只需要控制其他，单独优化某变量，依次循环直至收敛即可，这种BCD算法在通信领域是十分常用的，一定要理解。最后附上一张算法伪代码在这里插入图片描述

总结

本文研究了多小区RIS辅助的MIMO通信系统，主要应用了WMMSE和BCD算法。RIS的引入的确有效地增大了和速率，降低了用户间和小区间的干扰，其中涉及的方法和推导是十分值得学习的。另外作者在最后给出了Future Work的展望，包括Network形式的MIMO和多个RIS辅助的场景。这篇文章的建模是RIS相关场景相对复杂的，因为信道数量众多，把握该文章可以对RIS相关研究有一个不错的掌握，推荐阅读。

PS：都写完了代码还没跑出来，发现原来有个数组的维度错了，导致循环一直空转，祝大家别遇到这种情况吧hhhh