[论文解读] The Weighted Sum Rate Maximization in MIMO Interference Networks: The Minimax Lagrangian Duality and Algorithm

Lijun Chen, Seungil You|arXiv (Cornell University)|Sep 16, 2013

Advanced MIMO Systems Optimization参考文献 23被引用 4

一句话总结

本文通过利用最小最大拉格朗日对偶性将MIMO干扰网络中的加权和速率最大化问题重新表述为一个最大最小优化问题，提出了一种新颖的迭代最小最大算法。该方法借助凸分析确保收敛性，并建立了一个适用于具有类似结构的广泛非凸优化问题的一般框架，为干扰受限无线系统中的和速率对偶性与高效资源分配提供统一方法。

ABSTRACT

We take a new perspective on the weighted sum-rate maximization in multiple-input multiple-output (MIMO) interference networks, by formulating an equivalent max-min problem. This seemingly trivial reformulation has significant implications: the Lagrangian duality of the equivalent max-min problem provides an elegant way to establish the sum-rate duality between an interference network and its reciprocal when such a duality exists, and more importantly, suggests a novel iterative minimax algorithm for the weighted sum-rate maximization. Moreover, the design and convergence proof of the algorithm use only general convex analysis. They apply and extend to any max-min problems with similar structure, and thus provide a general class of algorithms for such optimization problems. This paper presents a promising step and lends hope for establishing a general framework based on the minimax Lagrangian duality for characterizing the weighted sum-rate and developing efficient algorithms for general MIMO interference networks.

研究动机与目标

• 解决一般MIMO干扰网络中加权和速率最大化这一长期存在的挑战，其约束为非凸且NP难。
• 通过引入新的最大最小重表述方式，克服现有算法的局限性，以实现基于对偶性的分析。
• 基于凸分析，设计一种通用的迭代最小最大算法，用于求解复杂的干扰管理问题。
• 利用最小最大对偶性，建立干扰网络与其对偶网络之间和速率对偶性的理论基础。
• 为具有凹-凸结构和凸约束的一类广泛优化问题提供统一框架。

提出的方法

• 将加权和速率最大化问题通过将干扰加噪声协方差作为约束，重表述为等价的最大最小优化问题。
• 对重表述后的问题应用最小最大拉格朗日对偶性，以推导鞍点条件并获得对偶性洞察。
• 通过交替更新发射协方差矩阵和对偶变量（拉格朗日乘子）设计迭代最小最大算法。
• 为涉及一般（不一定可逆）矩阵的矩阵优化问题提供显式鞍点解，扩展了先前结果。
• 通过引入对偶变量 μs 实现功率约束，结合迭代投影与归一化以保持可行性。
• 通过拉格朗日函数的单调递增性与可行集的紧致性，利用KKT条件确保收敛。

实验结果

研究问题

• RQ1 MIMO干扰网络中的加权和速率最大化问题能否被等价重表述为最大最小优化问题，以支持对偶性分析？
• RQ2 最小最大拉格朗日对偶性框架是否能为在一般线性约束下实现和速率最大化的算法提供可证明收敛性？
• RQ3 所提出的算法能否推广至其他具有凹-凸结构和凸约束的最大最小问题？
• RQ4 干扰加噪声协方差矩阵在实现对偶性与算法设计中起到什么作用？
• RQ5 迭代最小最大算法如何在不依赖严格凸性的情况下，确保收敛至鞍点和最优解？

主要发现

• 迭代最小最大算法单调收敛至最大最小问题的鞍点，确保加权和速率最大化问题的最优解收敛。
• 该算法仅基于一般凸分析即可实现可证明收敛，无需强假设（如矩阵可逆性）。
• 为具有任意矩阵的一般最大最小问题推导出显式鞍点解，扩展了以往要求可逆性的结果。
• 当对偶性存在时，该方法建立了MIMO干扰网络与其对偶网络之间的和速率对偶性。
• 该算法可广泛应用于任何目标函数在最大化变量上为凹、在最小化变量上为凸且具有凸约束的最大最小问题。
• 收敛性证明依赖于拉格朗日函数的连续性与可行集的紧致性，确保全局收敛至KKT点。