[论文解读] Conjugate Gradient Projection Approach for Multi-Antenna Gaussian Broadcast Channels

Jia Liu, Yunxian Hou+1 more|ArXiv.org|Jan 9, 2007

Advanced MIMO Systems Optimization参考文献 15被引用 11

一句话总结

本文提出一种共轭梯度投影（CGP）算法，以高效求解多天线高斯广播信道（MIMO BC）中的和速率最大化问题。通过利用共轭梯度方向并结合特征分解实现精确投影，CGP 算法实现了可证明的收敛性、每轮迭代的线性复杂度以及优越的可扩展性——即使在 100 用户系统中也能在 30 次迭代内收敛，优于现有的迭代水填充法和最速下降法。

ABSTRACT

It has been shown recently that the dirty-paper coding is the optimal strategy for maximizing the sum rate of multiple-input multiple-output Gaussian broadcast channels (MIMO BC). Moreover, by the channel duality, the nonconvex MIMO BC sum rate problem can be transformed to the convex dual MIMO multiple-access channel (MIMO MAC) problem with a sum power constraint. In this paper, we design an efficient algorithm based on conjugate gradient projection (CGP) to solve the MIMO BC maximum sum rate problem. Our proposed CGP algorithm solves the dual sum power MAC problem by utilizing the powerful concept of Hessian conjugacy. We also develop a rigorous algorithm to solve the projection problem. We show that CGP enjoys provable convergence, nice scalability, and great efficiency for large MIMO BC systems.

研究动机与目标

• 解决现有迭代算法在大规模 MIMO 广播信道中面临的可扩展性和效率局限性。
• 为 MIMO BC 系统中的和速率最大化问题，开发一种快速、可扩展且可证明收敛的算法。
• 相比迭代水填充法和最速下降法等现有方法，降低计算复杂度和内存需求。
• 利用 MIMO BC 与 MIMO MAC 之间的对偶性，将非凸问题转化为适合共轭梯度法求解的凸问题。
• 设计一种严格的投影机制，避免先前工作中使用的启发式近似方法。

提出的方法

• 利用信道对偶性，将非凸的 MIMO BC 和速率最大化问题转化为带和功率约束的凸对偶 MIMO MAC 问题。
• 应用共轭梯度投影（CGP）框架求解对偶问题，利用共轭方向避免梯度法中常见的‘锯齿’现象。
• 使用 Polak-Ribière 公式计算共轭搜索方向，以加速收敛。
• 通过 Hessian 近似矩阵的特征分解实现精确投影，确保每轮迭代的可行性。
• 采用 Armijo 法则进行非精确线搜索，以在收敛速度与计算成本之间取得平衡。
• 仅维护前一状态解，因此相比需要存储多个先前步骤的方法，内存占用较低。

实验结果

研究问题

• RQ1 基于共轭梯度的方法是否能在大规模 MIMO BC 系统中，相较于现有的迭代水填充法和最速下降法，在收敛速度和可扩展性方面表现更优？
• RQ2 与梯度方向相比，使用共轭方向是否能显著减少收敛所需的迭代次数？
• RQ3 能否设计一种精确投影方法，避免启发式近似，同时确保可行性并保持低计算成本？
• RQ4 CGP 的计算复杂度和内存需求与迭代水填充法相比如何，尤其是在用户数增加时？
• RQ5 CGP 算法在不同系统配置下（包括大规模 MIMO 系统）是否表现出鲁棒性和高效性？

主要发现

• 在 4 发 4 收天线的 100 用户 MIMO BC 系统中，CGP 仅需 29 次迭代即可收敛，显著优于 IWF1 和 IWF2。
• CGP 所需的收敛迭代次数对用户数不敏感，而 IWF 的性能随用户数 K 增加而下降。
• CGP 的每轮迭代复杂度与 IWF 相当（O((m+1+n_r)K) vs. O((2+n_r)K)），其中 m 通常在 2 到 4 之间，因此计算效率高。
• CGP 仅需保存前一状态解进行更新，内存占用适中；而 IWF1 需要存储 K−1 个先前解。
• 该算法具有可证明的收敛性，表现出极佳的可扩展性，适用于大规模 MIMO BC 系统。
• 数值结果证实，CGP 在各种系统规模下均能稳定在 30 次迭代内收敛，展现出良好的鲁棒性和效率。