[论文解读] Learning Equilibrium Play for Stochastic Parallel Gaussian Interference Channels

Xingqin Lin, Tat-Ming Lok|arXiv (Cornell University)|Mar 19, 2011

Distributed Sensor Networks and Detection Algorithms参考文献 22被引用 6

一句话总结

本文提出了两种用于随机并行高斯干扰波道中功率控制的随机分布式学习算法——SDLA-I 和 SDLA-II，其中信道状态与干扰水平为随机变量且存在估计误差。通过利用随机逼近与投影动态系统理论，两种算法几乎必然收敛至纳什均衡点，且 SDLA-II 通过迭代平均技术进一步提升了收敛性能，即使在信息不完全与时变信道条件下亦成立。

ABSTRACT

Distributed power control for parallel Gaussian interference channels recently draws great interests. However, all existing works only studied this problem under deterministic communication channels and required certain perfect information to carry out their proposed algorithms. In this paper, we study this problem for stochastic parallel Gaussian interference channels. In particular, we take into account the randomness of the communication environment and the estimation errors of the desired information, and thus formulate a stochastic noncooperative power control game. We then propose a stochastic distributed learning algorithm SDLA-I to help communication pairs learn the Nash equilibrium. A careful convergence analysis on SDLA-I is provided based on stochastic approximation theory and projected dynamic systems approach. We further propose another learning algorithm SDLA-II by including a simple iterate averaging idea into SDLA-I to improve algorithmic convergence performance. Numerical results are also presented to demonstrate the performance of our algorithms and theoretical results.

研究动机与目标

• 解决现有分布式功率控制算法在随机、时变信道且存在估计误差条件下的鲁棒性不足问题。
• 为并行高斯干扰波道建立一个非合作性随机博弈模型，用户旨在最大化长期期望速率。
• 设计一种分布式学习算法（SDLA-I），在信道状态信息不完全与干扰估计存在误差的条件下运行。
• 通过在 SDLA-I 中引入迭代平均技术，提升收敛性能，形成 SDLA-II。
• 利用随机逼近理论与投影动态系统（PDS）框架，提供严格的收敛性分析。

提出的方法

• 建立一个随机非合作性功率控制博弈模型，每个用户在随机信道增益与估计误差条件下最大化其长期期望传输速率。
• 提出 SDLA-I 作为一种分布式随机梯度类算法，利用干扰与信道状态的噪声观测值，采用时变步长。
• 应用投影动态系统（PDS）方法分析 SDLA-I 的收敛行为，将算法建模为带有反馈的随机微分方程。
• 在 SDLA-I 中引入迭代平均技术，形成 SDLA-II，以降低方差并加速收敛，且不增加计算复杂度。
• 利用鞅差序列与基于李雅普诺夫的稳定性分析，证明两种算法均以几乎必然方式收敛至纳什均衡点。
• 通过步长序列的假设与最优响应映射的利普希茨连续性，确保有界性与收敛性。

实验结果

研究问题

• RQ1 在具有时变与不完全估计的信道状态的随机干扰波道中，分布式功率控制算法是否仍能保持收敛？
• RQ2 当仅能获取噪声、延迟或估计的干扰与信道信息时，学习算法如何收敛至纳什均衡点？
• RQ3 迭代平均对干扰波道中随机功率控制算法的收敛速率有何影响？
• RQ4 在非合作博弈设置下，随机分布式算法在何种条件下几乎必然收敛至纳什均衡点？
• RQ5 所提出的框架与假设完美且即时 CSI 反馈的确定性模型有何不同？

主要发现

• SDLA-I 在随机信道变化与估计误差下几乎必然收敛至纳什均衡点，其证明基于随机逼近与 PDS 理论。
• 当步长序列满足标准条件（可 summable 且平方可 summable）且干扰映射为利普希茨连续时，SDLA-I 的收敛性可得到保证。
• SDLA-II 通过引入迭代平均，在数值结果中展现出优于 SDLA-I 的收敛性能，减少振荡并加速收敛。
• 在最优响应映射具有强单调性条件下，该随机博弈的纳什均衡点被证明唯一且全局指数稳定。
• 理论分析表明，功率向量的期望误差几乎必然收敛至零，且误差减小项的总和为有限值。
• 该框架对不完美 CSI 与干扰估计具有鲁棒性，而传统迭代水填算法（IWFA）则需完美且即时反馈。