[论文解读] Model-Free Optimization for Reconfigurable Intelligent Surface with Statistical CSI

Huayan Guo, Ying‐Chang Liang+1 more|arXiv (Cornell University)|Dec 23, 2019

Advanced Wireless Communication Technologies参考文献 22被引用 5

一句话总结

该论文提出两种无需模型的优化算法，用于可重构智能表面（RIS），仅依赖于统计信道状态信息（CSI），从而在无需完美或瞬时CSI的情况下实现有效的相位偏移优化。这些算法基于随机连续凸逼近（stochastic successive convex approximation）与随机主导最小化（stochastic majorization-minimization），相较于随机相位偏移，在低随机性信道中表现出显著性能增益，对调参敏感度低，且具备在线部署能力。

ABSTRACT

In this paper, a single user multiple input single output downlink wireless communication system is investigated, in which multiple reconfigurable intelligent surfaces (RISs) are deployed to improve the propagation condition. Our objective is to optimize the phase shift matrices of all the RISs by exploiting the statistical channel state information (CSI). In particular, two model-free algorithms are proposed, which are applicable for any channel statistical assumptions. Numerical results show that the proposed algorithms significantly outperform the random phase shift scheme, especially when the channel randomness is low.

研究动机与目标

• 解决在RIS具有无源特性导致无法获取完美CSI的实际场景中，优化RIS相位偏移的挑战。
• 开发不依赖特定信道统计假设的优化算法，确保在不同传播环境中具有广泛适用性。
• 通过仅利用统计CSI和实时观测，实现RIS相位偏移优化的在线部署。
• 通过迭代的无模型学习方法，实现最优相位偏移的持续学习，以最大化用户设备的平均可实现速率和平均信噪比（SNR）。
• 在保持低计算复杂度和对信道变化强鲁棒性的同时，实现接近离线最优解的性能。

提出的方法

• 提出一种基于随机连续凸逼近（SSCA）的算法，通过统计CSI迭代优化相位偏移估计，以最大化平均可实现速率。
• 设计一种可在线实现的算法，基于随机主导最小化（SMM），以平均接收SNR作为可实现速率的代理目标进行优化。
• 使用代理函数近似非凸目标函数，通过求解凸子问题实现相位偏移向量的迭代更新。
• 利用有效信道响应的结构，将优化问题分解为可管理的单个RIS组件，实现分布式与可扩展的部署。
• 引入基于学习的更新规则，利用实时到达的信道观测自适应调整相位偏移，而无需预先知晓信道分布。
• 通过证明每次迭代均能提升目标函数值，确保收敛性，且收敛性与步长τ无关。

实验结果

研究问题

• RQ1 是否可以仅使用统计CSI实现无模型的RIS相位偏移优化，而无需依赖完美或瞬时信道估计？
• RQ2 如何使优化算法对任意信道统计模型均具备鲁棒性与适应性，而无需为每种新模型重新设计？
• RQ3 在RIS辅助系统中，优化平均SNR在多大程度上可作为最大化平均可实现速率的可行代理？
• RQ4 当RIS数量增加时，尤其是长期参数学习数量随之增长时，所提算法的性能如何扩展？
• RQ5 所提算法是否可实现在线部署，且仅需极少调参，无需离线校准？

主要发现

• 所提出的基于SSCA的算法在最大化平均可实现速率方面接近最优性能，与离线最优解相比性能损失可忽略。
• 在线SMM算法性能与SSCA算法相当，同时具备在实时系统中部署的可行性，且调参极少。
• 两种算法均显著优于随机相位偏移方案，在中等发射功率下实现频谱效率约10 dB的增益。
• 性能增益在低信道随机性环境中最为显著，此时统计CSI能提供更可靠的优化指导。
• 当RIS数量（K）增加时，基于统计CSI的方案性能显著下降，原因在于需估计的长期参数数量持续增长，表明在单用户场景中单个RIS可能更具实用性。
• 算法的收敛速度对步长τ不敏感，表明其在实际部署中具备强鲁棒性与实用性。