[论文解读] Stepwise Transmit Antenna Selection in Downlink Massive Multiuser MIMO

Ali Bereyhi, Saba Asaad+1 more|arXiv (Cornell University)|Feb 14, 2018

Advanced MIMO Systems Optimization参考文献 20被引用 10

一句话总结

本文提出了一种用于下行链路大规模多用户MIMO系统的分步发射波束选择（TAS）算法，通过联合优化发射功率和激活的波束选择子集，以最大化能量效率。该算法采用贪心的分步回归方法，识别出最优的、数量较少（远少于总数量）的波束，从而提升能量效率，避免因射频电路功耗随激活波束数量增加而引起的性能下降。

ABSTRACT

Due to the large power consumption in RF-circuitry of massive MIMO systems, practically relevant performance measures such as energy efficiency or bandwidth efficiency are neither necessarily monotonous functions of the total transmit power nor the number of active antennas. Optimal antenna selection is however computationally infeasible in these systems. In this paper, we propose an iterative algorithm to optimize the transmit power and the subset of selected antennas subject to non-monotonous performance measures in massive multiuser MIMO settings. Numerical results are given for energy efficiency and demonstrate that for several settings the optimal number of selected antennas reported by the proposed algorithm is significantly smaller than the total number of transmit antennas. This fact indicates that antenna selection in several massive MIMO scenarios not only reduces the hardware complexity and RF-costs, but also enhances the energy efficiency of the system.

研究动机与目标

• 为解决大规模MIMO系统中能量效率和频谱效率的非单调行为问题，其性能并非随发射功率或激活波束数量严格增加。
• 通过选择发射波束的子集而非使用全部可用波束，降低大规模MIMO系统的硬件复杂度和射频成本。
• 在实际约束条件下，联合优化发射功率与波束选择，以最大化能量效率等非单调性能指标。
• 开发一种计算上可行的替代方案，以应对大规模系统中穷举最优波束选择的不可行性。
• 证明波束选择不仅能降低成本，还能通过提升能量效率来改善系统性能，特别是在真实的大型MIMO部署中。

提出的方法

• 该算法采用受分步回归启发的贪心方法，通过迭代选择波束并调节发射功率，以最大化给定性能指标（如能量效率）。
• 在每次迭代中，算法评估增加或移除一个波束的边际增益，并选择能使目标函数提升最大的操作。
• 该方法在最大发射功率 $P_{\text{max}}$ 和最大可选波束数 $L_{\text{max}}$ 的约束下应用。
• 当进一步选择波束不再提升性能指标时，算法停止，表明已达到最优子集大小 $L^\star$。
• 该方法设计为计算高效，仅需 $L^\star$ 次迭代，避免了穷举搜索的指数级复杂度。
• 该方法在采用线性预编码和真实硬件功耗模型的下行链路大规模MIMO场景中，通过数值仿真进行了验证。

实验结果

研究问题

• RQ1 在大规模MIMO系统中，为最大化能量效率，应选择多少根发射波束？考虑到性能随波束数量非单调变化。
• RQ2 在大规模MIMO系统中，低复杂度的迭代算法是否能优于随机选择或全波束选择的能量效率？
• RQ3 通过波束选择减少激活的射频链路数量，是否能在每波束数据速率增加的情况下仍提升能量效率？
• RQ4 所提出的算法在不同激活波束数量下的性能，与随机波束选择和全波束选择相比如何？
• RQ5 由于射频电路功耗随波束数量增加，何时开始增加发射波束会导致能量效率下降？

主要发现

• 所提出的算法仅从 $N = 128$ 根波束中选择 $L^\star \approx 24$ 根，远少于总数，以实现最大能量效率。
• 能量效率在 $L^\star \approx 24$ 时达到峰值，当选择超过24根波束时性能开始下降，表明过度配置会降低性能。
• 在能量效率方面，该算法优于随机波束选择和全波束选择，尤其当 $L_{\text{max}}$ 较大时表现更优。
• 即使采用随机选择，当激活波束数超过 $L^\star$ 时，性能也不会提升，甚至可能下降。
• 改进版本的算法强制选择恰好 $L_{\text{max}}$ 根波束，结果证实最大能量效率出现在 $L_{\text{max}} \approx 24$，与原始算法的停止点一致。
• 当 $L_{\text{max}}$ 较大时，该算法的计算复杂度得以降低，因为 $L^\star$ 不随 $L_{\text{max}}$ 增大而增长，使其具备可扩展性和实用性。