CN112073107A - 基于智能反射面的多组、多播联合波束赋形算法设计 - Google Patents

Abstract

本发明公开了一种基于智能反射面的多组、多播联合波束赋形算法设计。特别的，在给定基站最大发射功率及IRS反射单元相位偏移的单模约束条件下，该发明致力于设计用户服务质量公平的基站发射波束及IRS反射相位偏移的联合优化策略及算法。针对所建立的非凸、多变量分式优化问题，该发明依据分式规划理论及交替优化技术，采用广义丁克尔巴赫算法(GDA)进行转化求解。对于GDA算法中复杂的子问题，该发明采用矩阵提升技术转化成半正定规划问题进行优化，并通过高斯随机化技术获得满足秩为1的可行解。通过计算机仿真验证及对比，显示该发明所提方案可以显著改善网络中链路质量最差用户的接收信干噪比(SINR)。

Description

基于智能反射面的多组、多播联合波束赋形算法设计

技术领域

本发明涉及网络通信技术领域，涉及一种基于智能反射面的联合资源优化算法，设计了终端用户SINR公平的联合基站发射波束赋形及IRS反射相位偏移优化(反射波束赋形)算法。

背景技术

经行业预测，未来无线通信网络容量将会在当前基础上提升1000倍，无处不在的无线设备链接数量将会在6G网络通信时代有望突破1000亿台。此外，致力网络容量提升的同时，未来网络更注重低功耗、高频谱效率、低延迟等性能指标。为了满足这些要求，IRS辅助通信技术应运而生，通过调节反射表面原件重新配置无线传输环境，改变传输信号入射角度并配合发射端的波束构造三维立体波束从而进一步挖掘网络潜在的通信性能增益。因此，行业内普遍认定IRS辅助通信技术具备足够的竞争力并受到业界人士的重点关注。IRS是由一系列的低功耗、被动反射元器件以阵列形式构成，每一个反射元器件均可以独立配置入射信号的相位偏移从而改变入射信号的反射角度。在配备IRS的辅助通信网络中，反射信号可以与基站端传输相同信息的直射信号在相位上正向叠加从而增强终端设备的接收信号功率。此外，在频谱共用模式下，IRS可通过配置入射信号的反射相位偏移与不同接收设备的反射信号相位形成反向叠加从而有效抑制同频干扰并保证网络信息传输的私密性与安全性。

正是由于IRS所具备的独特的动态配置无线传输环境的能力，业内众多专家认定IRS将会在未来6G无线通信网络中扮演重要的角色。通过将IRS与当前5G网络的核心技术之一大规模多输入多输出(Massive MIMO,mMIMO)技术相比较发现，IRS辅助通信技术不仅维持mMIMO技术的绝大多数特征(如：三维空间能量增强、高空间分集增益等)，其还可以在如下诸多方面表现更为突出。首先，从实施部署IRS角度看，IRS由于它的轻便性，规整的几何特性可以被轻易地部署在室内或室外环境下(如室外大型建筑的外立面、室内屋顶或墙面等)，并且可以被灵活地拆除做全新的转移部署(如部署到热点区域)以满足不同的应用需求。其次，由于IRS仅是一种被动反射智能表面，对于反射信号传输并不需要额外的功率供应。因此，IRS辅助通信是一种功耗极低的通信技术，更能应对未来对能量效率(energyefficiency,EE)要求较高的应用系统或场景。此外，IRS通过配置反射信号相位偏移，可使得反射信号绕过传输链路上的障碍物，从而创造收发设备两端的虚拟的直视(line ofsight,LoS)链路，这可以有效拓展网络覆盖范围。特别是对于信号传输衰减严重的毫米波通信系统，部署IRS可有效对抗信号的远距离传输衰落。IRS辅助通信技术相对于其它已有的传统技术如：放大传输中继技术(AF)、反向散射传输以及有源智能反射技术等同样表现出了不俗的优势。

虽然IRS辅助通信技术可以动态地配置反射信号相位偏移，改变信号传输环境从而提升接收端信号功率或抑制干扰，并且相对传统通信技术显示出诸多方面的优势。但是，如果将IRS引入到传统的无线移动网络中，必须针对网络发射端及IRS进行联合资源优化设计才能挖掘出其潜在的性能增益，如若不进行联合设计或放任IRS随机配置反射信号的相位偏移，不仅不能获得有效的性能增益还有可能对网络性能造成严重恶化。

目前绝大多数基于IRS的研究仅局限于无线网络单播流量模式下的研究，对于广播流量模式与热点区域的多播流量模式的研究尚不多见。此外，初级阶段的研究更多地注重网络全局性能地提升，而忽略了终端用户的公平性服务质量需求。

发明内容

本发明目的在于设计一种在基站发射功率及IRS相位偏移的约束条件下，MISO多组、多播网络中基于IRS的联合资源(发射波束赋形、IRS反射相位偏移)优化算法以提升链路质量最差的终端用户的SINR。

3.为实现上述目的，本发明采用的技术方案是：基于智能反射面的多组、多播联合波束赋形算法设计，其创新点在于，包括以下步骤：

S1、建立如下数学优化模型：

其中，

W是基站的发射波束赋形矩阵，Φ是IRS的反射相位偏移矩阵；且第一个约束条件是基站最大总发射功率约束，第二个约束是IRS反射相位偏移约束；

S2、通过GDA将以上问题等效转化成如下形式：

通过GDA算法迭代求解该问题并不断更新τ值直至其收敛；

S3、由于步骤2问题的目标函数的不平滑特性，引入辅助变量

并等效转化成如下形式：

由于上述优化问题变量耦合，故无法直接求解，通过交替优化技术及矩阵提升将上述问题分解成如下两个子问题分别求解并进行交替优化：

其中关于W和

的子优化问题：

将变量进行如下矩阵提升，令

得到

利用矩阵提升求解如下关于基站发射波束赋形的子问题：

令u＝[u₁,…,u_N]^H，v^H＝[u^H,t^*]，V＝vv^H，其中t是辅助变量并满足|t|＝1。令

其中

则

其中

关于IRS反射相位偏移子优化问题：利用矩阵提升技术，关于IRS端的反射相位偏移优化子问题表示如下：

在分别去掉各子问题最后一个秩为1的约束条件后，以上两个子问题均已转化为凸优化问题，可借助CVX快速求解，但是如此得到的子问题的可行解不满足秩为1。

S4、采用高斯随机化技术分别构造出秩为1的发射及反射波束赋形的可行解。

进一步的，循环优化步骤3中的两个子问题并通过下式更新GDA迭代因子τ：

若τ小于预定的精度，则输出最终的联合发射及反射波束赋形W以及Φ(V)。

本发明有益效果为：

本发明在给定基站发射功率及IRS相位偏移的约束条件下，致力于求解MISO多组、多播网络系统中终端用户SINR公平的联合优化策略及算法设计。对于该非凸的分式优化问题，本发明依据分式规划理论进行转换并采用GDA算法迭代进行优化策略更新。特别的，对于GDA算法中的多变量联合优化该发明基于交替优化技术进行变量的交替优化更新。对于各子优化问题该发明基于矩阵提升技术转换为相应的SDP问题进行求解并通过高斯随机化技术去寻找满足秩为一的可行解。通过计算机仿真验证，本发明方法可以显著提高多组、多播MISO系统中链路质量最差用户的接收SINR。

附图说明

图1为本实施例的多组多播MISO系统模型图；

图2为本实施例的实现流程图；

图3为不同方案网络用户最小SINR随着AP端最大发射功率增大的变化情况；

图4为不同方案网络用户最小SINR随着IRS反射单元数量增大的变化情况；

图5为不同方案网络用户最小SINR随着网络多播组数增大的变化情况。

具体实施方式

下面结合附图对本发明作进一步的说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。

图1建立了本发明的IRS辅助通信多组多播的模型，采用直角坐标系来具体描述AP，IRS，以及用户的分布位置，其中AP的坐标为(-50m，0m)，IRS的坐标为(5m，-5m)，多个用户组服从均匀分布并随机分布在边长为10m*10m的正方形区域。

本实施例中，系统仿真的大尺度衰落模型为PL(d)＝C₀(d/D₀)^α，其中C₀＝-30dB指在参考距离为D₀＝1m时的路径损耗，d是链路距离，α为路径损耗指数。我们假定AP-IRS链路、IRS-user链路以及AP-user链路的路径损耗指数分别为α_AI＝2.2,α_Au＝4,α_Iu＝2。对于小尺度衰落，我们假定AP-IRS链路以及IRS-user链路采用莱斯衰落信道模型，莱斯因子为10；对于AP-user链路我们采用瑞利信道模型。用户端的AWGN噪声功率为-90dBm。

基于该具体的系统模型和仿真参数，本发明实施一种IRS辅助通信的多组、多播联合发射、反射波束赋形优化算法以最大化网络中用户最小SINR。如图2所示，首先初始化GDA算法误差精度，迭代次数等参数，然后进行GDA算法子问题的求解，迭代运算直到连续两次迭代的目标函数的差值小于预先设定的误差精度。具体步骤如下：

1、为了获得公平的联合波束赋形优化策略，在GDA算法τ值的每一次迭代更新下，首先求解如下子问题：

其中

及

分别指第l个组中第i个用户的接收信号功率和接收干扰功率。

指从AP到l组中第i个用户的总的下行信道增益，其中

是AP到第i个用户的直射链路信道增益，

是AP经IRS反射到用户i的信道增益。

指IRS端的相位偏移矩阵，其中θ_n∈[0,2π),N指IRS反射单元的数量。W＝[w₁,…,w_g]∈C^M×g指AP端发射波束赋形矩阵，其中M指发射天线的数量，g指网络中用户组的数量。γ_i＞0用于刻画网络中不同用户的传输优先级别。τ是GDA算法的更新因子，随着GDA算法的执行，τ必将逐渐增大并最终趋于稳定。P_max是AP端的最大发射功率级别。以上优化子问题的第一个约束条件是指AP端的总发射功率约束；第二个约束是IRS中反射单元的相位偏移的约束。

2、由于以上问题的目标函数的不平滑特性，该发明进一步引入辅助变量

并进一步等效转化成如下形式：

3、由于上述优化问题变量耦合，故无法直接求解。该发明通过交替优化技术(Alternating Optimization,AO)及矩阵提升(Matrix Lifting)将上述问题分解成如下两个子问题分别求解并进行交替优化。首先将变量进行如下矩阵提升，令

得到

利用矩阵提升求解如下关于基站发射波束赋形的子问题：

4、固定以上问题所得到AP端发射波束赋形W及

通过求解如下子问题优化IRS端的相位偏移矩阵Φ。令u＝[u₁,…,u_N]^H，v^H＝[u^H,t^*]，V＝vv^H，其中t是辅助变量并满足|t|＝1。令

其中

则

其中

利用矩阵提升技术，关于IRS端的反射相位偏移优化子问题表示如下：

5、循环以上步骤(3)和(4)并通过下式更新GDA迭代因子τ：

若τ小于预定的精度，则输出最终的联合发射及反射波束赋形W以及Φ(V)。

特别的，对于步骤(3)和(4)所述子问题，由于在去掉秩为1的约束条件下，优化问题的最优解并不一定保证矩阵F以及V的秩为1。因此，本发明需要进一步通过高斯随机化技术来构造秩为1的可行解。步骤(3)和(4)中所采用的高斯随机化技术类似，本发明下面仅以构造步骤(3)中秩为1的可行解进行说明：

1)对于步骤(3)中得到的最优解

进行特征值分解以获得一个酉矩阵U以及对角阵Λ，并满足F_l＝U^HΛU。

2)生成一个维度为M的均值为0，方差为1(即CN(0,I_M))服从循环对称复高斯随机分布的高斯随机向量r。

3)令

将所生成的新的F_l代入步骤(3)中优化问题的第一个约束条件并判断是否满足该约束，若不满足则丢弃2)中所生成的高斯随机向量r，若满足则记录下由当前F_l所获得的步骤(3)中优化问题的目标值

4)循环步骤2)和3)，例如1000次，以不断提升步骤(3)中优化问题的目标值

5)输出所构造的秩为1波束赋形

为验证本发明方法的有效性及其优势，在本仿真模型下进行了不同方案的对比试验，其中对比方案为：a)NoIRS即系统中不部署IRS，仅优化AP端的发射波束赋形；b)RPS即IRS各反射单元的相位偏移在θ_n∈[0,2π)的范围内服从均匀分布并随机设定。实验对比图中的“SDR”代表本发明所提方案。

图3显示了三种方案网络用户最小SINR随着AP端最大发射功率增大的变化情况。可以发现，随着AP端最大发射功率增大，三种方案中网络用户的最小SINR均可以得到提升。但是，本发明所提方案较之其它两种方案有着明显的性能提升。这说明IRS的辅助通信不仅能增强信号的接收还能进一步进行同频干扰抑制。

图4显示了三种方案网络用户最小SINR随着IRS反射单元数量增大的变化情况。我们发现本发明所提方案的性能增益随着IRS反射单元数量的增大而增大。这说明增大IRS反射单元数量，可以有效提升IRS反射链路的发射波束赋形增益。而由于对比方案RPS没有对发射及反射波束进行联合优化，所以并不呈现这样的递增趋势。这也体现了对于部署了IRS的无线网络中对AP发射波束及IRS反射波束联合优化的必要性。

图5显示了三种方案网络用户最小SINR随着网络多播组数的增大的变化情况。可以发现三种方案随着多播组数的增大，由于多播组数越多网络中的同频干扰越发严重，故网络用户最小SINR均有所下降。但是，我们发现通过适当增加IRS端反射单元的数量，本发明所提方案可以获得明显的反射波束赋形增益，例如，当N＝64时，本发明所提方案可以获得8dB左右的性能提升。以上实验对比均反应了本发明所提方案显著的优越性。

以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.基于智能反射面的多组、多播联合波束赋形算法设计，其特征在于，包括以下步骤：

S1、建立如下数学优化模型：

其中，

W是基站的发射波束赋形矩阵，Φ是IRS的反射相位偏移矩阵；且第一个约束条件是基站最大总发射功率约束，第二个约束是IRS反射相位偏移约束；

S2、通过GDA将以上问题等效转化成如下形式：

通过GDA算法迭代求解该问题并不断更新τ值直至其收敛；

S3、由于步骤2问题的目标函数的不平滑特性，引入辅助变量

并等效转化成如下形式：

由于上述优化问题变量耦合，故无法直接求解，通过交替优化技术及矩阵提升将上述问题分解成如下两个子问题分别求解并进行交替优化：

其中关于W和

的子优化问题：

将变量进行如下矩阵提升，令

得到

利用矩阵提升求解如下关于基站发射波束赋形的子问题：

令u＝[u₁,…,u_N]^H，v^H＝[u^H,t^*]，V＝vv^H，其中t是辅助变量并满足|t|＝1。令

其中

则

其中

关于IRS反射相位偏移优化问题：利用矩阵提升技术，关于IRS端的反射相位偏移优化子问题表示如下：

Find V

s.t.

V±0

rank(V)＝1

在分别去掉各子问题最后一个秩为1的约束条件后，以上两个子问题均已转化为凸优化问题，可借助CVX快速求解，但是如此得到的子问题的可行解不满足秩为1。

S4、采用高斯随机化技术分别构造出秩为1的发射及反射波束赋形的可行解。

2.根据权利要求1所述的基于智能反射面的多组、多播联合波束赋形算法设计，其特征在于：循环优化步骤3中的两个子问题并通过下式更新GDA迭代因子τ：

若τ小于预定的精度，则输出最终的联合发射及反射波束赋形W以及Φ(V)。

Images