标签：非凸 最大化 right mathbf sum 分式 mathrm gamma left
前言
记录遇到的通信中的数学优化方法。本文所介绍的是分式规划（Fractional Programming，FP）在以和速率最大化为目标的波束赋形问题求解中的应用。其关键思想有二：
- 利用 Lagrange 对偶将 SINR 项提取至 log 函数外面；
- FP 中的 二次变换（Quadratic Transform）。
FP 在通信中的应用有很多，如功率控制、波束赋形以及蜂窝小区间的用户调度等，且包含多种 FP 技术。但目前只接触到了其中的二次变换方法，后面将继续学习并记录。下面两篇论文总结了通信中的 FP 技术：
一、背景介绍
该文章考虑下行链路可重构全息表面（Reconfigurable Holographic Surface，RHS）辅助的多用户通信系统，提出基于 RHS 的混合波束赋形方案。在基带完成数字波束赋形（Digital Beamforming），在 RHS 上进行全息波束赋形（Holographic Beamforming），用户端进行接收合并（Combining）。对于波束赋形的设计，该文章建立以和速率最大化为目标的优化模型，并将该问题拆分为三个子问题：
-
数字波束赋形：ZF 预编码 + 注水功率分配。
-
全息波束赋形：分式规划。通过线性近似将非凸问题转化为凸优化问题，再利用 Language 乘子法迭代求解。
-
模拟接收合并：坐标上升法。
最后通过三个子问题的交替迭代求解，直至问题收敛，得到次优解。
本文仅记录第 2 个子问题的 FP 方法。
二、FP 之二次变换理论
给定一个约束集 \(\mathcal{X}\) 以及函数 \(A(\mathbf{x})和B(\mathbf{x}):\mathbb{R}^n\rightarrow \mathbb{R}_+\)，有优化问题
\[\begin{array}{ll} \underset{\mathbf{x}}{\operatorname{maximize}} & \frac{A(\mathbf{x})}{B(\mathbf{x})} \\ \text { subject to } & \mathbf{x} \in \mathcal{X} \end{array} \]那么该问题就等效于
\[\begin{array}{ll} \underset{\mathbf{x}, y}{\operatorname{maximize}} \quad 2 y \sqrt{A(\mathbf{x})}-y^{2} B(\mathbf{x}) \\ \text { subject to }\quad \mathrm{x} \in \mathcal{X} \end{array} \]其中，\(y=\frac{\sqrt{A(\mathbf{x})}}{B(\mathbf{x})}\)。
三、原目标优化模型
原和速率最大化问题：
\[\begin{aligned} \max _{\left\{\mathbf{W}, \mathbf{V}, \mathrm{M}_{m, n}\right\}} & \sum_{l=1}^{L} R_{l} \\ \text { s.t. } &\left|\mathbf{W}_{l}(j)\right|^{2}=1, \\ & \operatorname{Tr}\left(\mathbf{M V} \mathbf{V}^{H} \mathbf{M}^{H}\right) \leq P_{T}, \\ & 0 \leq \mathbf{M}_{m, n} \leq 1, \forall m, n, \end{aligned} \]其中，\(P_T\) 是基站的总功率约束，\(R_l\) 是用户 \(l\) 的速率，共 \(L\) 个用户。\(\mathbf{V}\) 是数字预编码矩阵，\(M_{m,n}\) 是全息波束赋形矩阵中的元素，用于控制全息图案的振幅，\(\mathbf{W}\) 是模拟接收合并矩阵，因此有恒模约束 \(\left|\mathbf{W}_{l}(j)\right|^{2}=1\)。用户 \(l\) 速率的具体表达式为：
\[R_{l}=\log _{2}\left(1+\frac{\left|\mathbf{W}_{l}^{H} \mathbf{H}_{l} \mathbf{M V}_{l}\right|^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\mathbf{W}_{l}^{H} \mathbf{H}_{l} \mathbf{M} \mathbf{V}_{l^{\prime}}\right|^{2}}\right) \]对于原文中的问题拆解，当给定数字预编码矩阵 \(\mathbf{V}\) 和模拟接收合并矩阵 \(\mathbf{W}\) 时，该子问题可以表示如下：
\[\max _{\left\{\mathrm{M}_{m, n}\right\}} \sum_{l=1}^{L} R_{l}, \quad \text { s.t. } \quad 0 \leq \mathrm{M}_{m, n} \leq 1, \forall m, n \]该问题为非凸问题。
四、问题转化
4.1 线性近似
为了将待优化变量 \(\{M_{m,n}\}\) 单独分离出来，将该子问题中的矩阵用线性求和的方式表示
\[\begin{array}{ll} \max_\limits{\left\{\mathrm{M}_{m, n}\right\}} & \sum_{l=1}^{L} \log _{2}\left(1+\frac{\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l}\right|^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}}\right) \\ \text { s.t. } & 0 \leq \mathrm{M}_{m, n} \leq 1, \forall m, n, \end{array} \]其中，项 \(\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l}\right|\) 可以线性近似为 \(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\) ，这里的目的是为了去掉绝对值以便于后面的分式规划转换。具体推导请参照文章《Reconfigurable Holographic Surface Enabled Multi-User Wireless Communications: Amplitude-Controlled Holographic Beamforming》中的 Appendix B，此处不再赘述。线性近似后表达式为
\[\begin{array}{ll} \max_\limits{\left\{\mathrm{M}_{m, n}\right\}} & \sum_{l=1}^{L} \log _{2}\left(1+\frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right)^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}}\right) \\ \text { s.t. } & 0 \leq \mathrm{M}_{m, n} \leq 1, \forall m, n, \end{array}\quad(1) \]4.2 FP 应用
先给出最终转化后的凸优化问题
\[\begin{aligned} \max _{\left\{\mathrm{M}_{m, n}, \gamma_{l}, \delta_{l}\right\}}& \sum_{l=1}^{L} A_{l}\\ \text { s.t. } & 0 \leq \mathrm{M}_{m, n} \leq 1, \forall m, n \end{aligned}\quad(2) \]其中，\(\gamma_l\) 和 \(\delta_l\) 是引入的两个辅助变量，\(A_l\) 的具体表达式为
\[\begin{array}{ll} A_{l}\left(\mathrm{M}_{m, n}, \gamma_l, \delta_l\right)=\frac{1}{\log 2}\left[\log \left(1+\gamma_{l}\right)-\gamma_{l}+2 \delta_{l} \sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right. \\ \left.\sqrt{1+\gamma_{l}}-\delta_{l}^{2}\left(J \sigma^{2}+\sum_{l^{\prime}=1}^{L}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}\right)\right] \end{array} \]其具体的转化步骤如下：
对于每个用户的 \(R_l\) ，其等价于
\[\begin{aligned} R_l(\mathrm{M}_{m,n},\gamma_l)=\max_\limits{\left\{\gamma_l\right\}}\quad & \frac{1}{\log 2}\log\left(1+\gamma_l\right) \\ \text { s.t. } \quad&\gamma_l=\frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right)^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}} \end{aligned}\quad(3) \]这一步是为了将 SINR 项从 log 函数中拆解出来。然后通过引入 Lagrange 乘子 \(\lambda_l\) ，可以写出该问题的 Lagrange 对偶问题，即
\[L_(\gamma_l,\lambda_l)=\frac{1}{\log 2}\log \left(1+\gamma_l\right)-\lambda_l\left(\gamma_l-\frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right)^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}}\right)\quad(4) \]对于该对偶问题，在最优解处 \(\partial L/\partial \gamma_l=0\) ，可以得到
\[\lambda_l=\frac{1}{\log 2}·\frac{1}{1+\gamma_l} \]将 \((3)\) 中的约束代入上式，得到该 Lagrange 函数关于 \(\boldsymbol{\lambda}\) 的最优解
\[\begin{aligned} \lambda_l^*=&\frac{1}{\log 2}·\frac{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}+\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right)^{2}}\\ =&\frac{1}{\log 2}·\frac{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}}{J \sigma^{2}+\sum_{l^{\prime}=1}^L\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}} \end{aligned} \]将 \(\lambda^*\) 代入式 \((4)\) ，即可得到包含分式规划标准形式的 \(R_l(\mathrm{M}_{m,n},\gamma_l)\) ，即
\[\begin{aligned} R_{l}\left(\mathrm{M}_{m, n}, \gamma_{l}\right)&=\max _{\left\{\gamma_{l}\right\}} \frac{1}{\log 2}\left[\log \left(1+\gamma_{l}\right)-\gamma_{l}\right] \\ &+\frac{1}{\log 2} \cdot \frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l} \cdot \sqrt{1+\gamma_{l}}\right)^{2}}{J \sigma^{2}+\sum_{l^{\prime}=1}^{L} \mid \sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l,\left.l^{\prime}\right|^{2}}} \end{aligned} \]接着利用第二节中的 FP 二次转化理论，很容易即可将 \(R_{l}\left(\mathrm{M}_{m, n}, \gamma_{l}\right)\) 转化为 \(A_{l}\left(\mathrm{M}_{m, n}, \gamma_l, \delta_l\right)\) 。因此，原非凸的子优化问题 \((1)\) 也就转化为 凸优化问题 \((2)\) 。
利用 Lagrange 乘数法对该凸优化问题进行迭代求解：
由于问题 \((2)\) 存在多个辅助变量，因此可以通过分别令 \(\partial A_{l} / \partial\gamma_{l}=0\) 和 \(\partial A_{l} /\partial \delta_{l}=0\) 求得对应 Lagrange 函数关于 \(\gamma_l\) 和 \(\delta_l\) 的最优解 \(\gamma_l^*\) 和 \(\delta_l^*\) ，即
\[\gamma_{l}^{*}=\frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right)^{2}}{J \sigma^{2}+\sum_{l^{\prime} \neq l}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}} \]和
\[\delta_{l}^{*}=\frac{\left(\sum_{m, n} \mathrm{M}_{m, n} c_{m, n}^{l}\right) \sqrt{1+\gamma_{l}}}{J \sigma^{2}+\sum_{l^{\prime}=1}^{L}\left|\sum_{m, n} \mathrm{M}_{m, n} b_{m, n}^{l, l^{\prime}}\right|^{2}} \]接着引入松弛变量 \(\lambda_{m,n}\) 将问题 \((2)\) 的不等式约束条件转化为等式约束条件并加入目标函数，得到新的 Lagrange 函数
\[L(\mathrm{M}_{m,n},\boldsymbol{\lambda})=\sum_{l=1}^{L} A_{l}-\sum_{m, n} \lambda_{m, n}\left(\mathrm{M}_{m, n}^{2}-\mathrm{M}_{m, n}\right) \]最后令 \(\partial L / \partial \mathrm{M}_{m, n}=0\) 即可得到 \(\{\mathrm{M}_{m,n}^*\}\) 。此外，由于函数 \(L(\mathrm{M}_{m,n},\boldsymbol{\lambda})\) 对 \(\lambda_{m,n}\) 求导无法求解，因此 \(\lambda_{m,n}\) 的更新可以利用次梯度法。对问题 \((2)\) 的求解是一系列交替迭代过程，具体如下：
参考文章
- Deng R, Di B, Zhang H, et al. Reconfigurable Holographic Surface Enabled Multi-User Wireless Communications: Amplitude-Controlled Holographic Beamforming[J]. IEEE Transactions on Wireless Communications, 2022.
- Shen K, Yu W. Load and interference aware joint cell association and user scheduling in uplink cellular networks[C]//2016 IEEE 17th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). IEEE, 2016: 1-5.
标签：非凸,最大化,right,mathbf,sum,分式,mathrm,gamma,left 来源： https://www.cnblogs.com/hjd21/p/16608461.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。