[论文解读] Scalable Base Station Configuration via Bayesian Optimization with Block Coordinate Descent

Kakeru Takamori, Koya Sato|arXiv (Cornell University)|Feb 18, 2026

Advanced MIMO Systems Optimization被引用 0

一句话总结

一个可扩展的基于贝叶斯优化的密集基站配置框架，使用块坐标下降逐步优化每个基站参数，在密集部署中提升性能。

ABSTRACT

This paper proposes a scalable Bayesian optimization (BO) framework for dense base-station (BS) configuration design. BO can find an optimal BS configuration by iterating parameter search, channel simulation, and probabilistic modeling of the objective function. However, its performance is severely affected by the curse of dimensionality, thereby reducing its scalability. To overcome this limitation, the proposed method sequentially optimizes per-BS parameters based on block coordinate descent while fixing the remaining BS configurations, thereby reducing the effective dimensionality of each optimization step. Numerical results demonstrate that the proposed approach significantly outperforms naive optimization in dense deployment scenarios.

研究动机与目标

• 在高维参数空间下推动多基站系统的可扩展设计。
• 通过仿真优化基站放置、功率和天线定向，以最大化区域平均吞吐量。
• 通过引入每个基站的序贯优化，克服密集基站部署中贝叶斯优化的维数灾难。

提出的方法

• 将高维的基站配置分解为各个基站参数块。
• 将块坐标下降与贝叶斯优化结合，在固定其他基站的情况下逐一优化一个基站。
• 使用带有 RBF 核的高斯过程建模来建模每个基站的目标子问题。
• 在外循环中随机更新基站顺序，在内循环中对每个基站进行带有固定上下文的贝叶斯优化。
• 对于每个基站更新重新初始化观测，循环重复直到总预算耗尽。

实验结果

研究问题

• RQ1 如何使贝叶斯优化在密集多基站配置中可扩展？
• RQ2 通过块坐标下降的每基站序贯优化是否相对于朴素BO在收敛性和吞吐量上有提升？
• RQ3 在现实城市信道仿真中所提方法的性能提升是多少？

主要发现

• 所提出的 BCD-aided BO 方法在密集部署中显著优于朴素优化。
• 对于 N_Tx = 16，方法在功率与定向的 BO 基优化下实现比全向方位正方形放置高出的区域均值吞吐量 15.8%。
• 对于 N_Tx = 25，方法在功率与定向的 BO 基优化下实现比全向方位正方形放置高出的区域均值吞吐量 21.5%。
• 仿真使用 Sionna RT，在慕尼黑市区 1 km × 1 km 场景，基站高度 20 m，接收端高度 1.5 m。
• 优化示例展示了更大的覆盖区域吞吐量的提升。