[论文解读] Weighted Sum-Rate Maximization for Multi-IRS Aided Cooperative Transmission

Zhengfeng Li, Meng Hua+2 more|arXiv (Cornell University)|Feb 12, 2020

Advanced Wireless Communication Technologies参考文献 10被引用 8

一句话总结

本文提出了一种用于多智能反射面（multi-IRS）协作传输的联合优化框架，旨在最大化边缘用户的加权和速率（WSR）。通过采用拉格朗日方法进行波束成形优化，以及利用黎曼流形共轭梯度（RMCG）方法进行相位移优化，该方法显著提升了频谱效率，仿真结果表明其收敛速度快，且在高发射功率和优化相位移条件下，性能优于各类基准方案。

ABSTRACT

This paper investigates multiple intelligent reflecting surfaces (IRSs) aided wireless network, where the IRSs are deployed to cooperatively assist communications between a multi-antenna base station (BS) and multiple single-antenna cell-edge users. We aim at maximizing the weighted sum rate of all the cell-edge users by jointly optimizing the BS's transmit beamforming and IRS's phase shifts. Especially, the beamforming is optimally solved by the Lagrangian method, and the phase shifts are obtained based on the Riemannian manifold conjugate gradient (RMCG) method. Numerical results show that a significant throughput is improved with aid of multiple IRSs.

研究动机与目标

• 解决多-IRS辅助无线网络中边缘区域频谱效率低和覆盖差的挑战。
• 在发射功率和单位模约束下，建立一个非凸优化问题以最大化加权和速率（WSR）。
• 联合优化基站（BS）的波束成形与多个智能反射面（IRSs）的相位移，以提升用户吞吐量。
• 通过等价的加权和均方误差（WMSE）重 formulation，克服WSR问题的非凸性与单位模约束。
• 开发一种高效的迭代算法，结合拉格朗日松弛与黎曼流形共轭梯度（RMCG）方法，以实现实际部署。

提出的方法

• 将非凸的WSR问题重 formulation 为等价的加权和均方误差（WMSE）最小化问题，以实现可处理的优化。
• 应用拉格朗日对偶方法求解波束成形优化子问题，将其转化为具有闭式解的凸子问题。
• 采用黎曼流形共轭梯度（RMCG）方法在单位模流形上优化相位移矩阵，以保持约束 $|e^{j heta}| = 1$。
• 以迭代方式交替优化波束成形与相位移，通过各自优化技术更新参数。
• 引入线搜索策略，以确保整体算法的收敛性与稳定性。
• 推导黎曼流形上的欧几里得梯度，以指导RMCG方法中的相位移更新。

实验结果

研究问题

• RQ1 在边缘用户场景下，联合优化基站波束成形与多个IRS相位移如何提升加权和速率？
• RQ2 在多用户下行链路系统中，与单个IRS或无IRS相比，使用多个IRS的性能增益如何？
• RQ3 与随机相位移或无IRS等基准方案相比，所提算法在收敛速度与频谱效率方面表现如何？
• RQ4 增加相位移器数量（M）与发射功率对系统加权和速率的影响是什么？
• RQ5 所提方法在实际部署中能否实现快速收敛与低计算复杂度？

主要发现

• 所提联合优化方法在高发射功率下，显著优于各类基准方案，实现更高的加权和速率（WSR）。
• 该算法收敛迅速，WSR在数轮迭代内单调递增并迅速稳定，即使在大规模IRS（如M = 60个相位移器）下亦然。
• 随机相位移方案的性能几乎与无-IRS情况相同，凸显了优化相位移对性能提升的必要性。
• 随着相位移器数量（M）增加，WSR随之提升，但仅在优化方案下才能体现该增益；随机相位移方案无改善。
• 所提算法保持了低计算复杂度，总复杂度为 $ ext{O}( ho_1( ho_2 (ML)^2 + N_t^3 + ext{log}_2(( ho_{ ext{max}} - ho_{ ext{min}})/ au))) $，其中 $ ho_1 $ 和 $ ho_2 $ 分别为迭代次数。
• 数值结果证实，多个IRS显著提升了频谱效率，尤其在路径损耗严重的边缘区域。