智能全向面辅助的多用户大规模MISO下行加权和速率优化方法

1.应用领域

本发明涉及无线通信物理层中的和速率优化问题，特别涉及一种智能全向面辅助的多用户大规模MISO下行加权和速率优化方法。

2.背景技术

可重构智能超表面(Reconfigurable Intelligent Surface，RIS)是一种由大量无源可重构元器件组成的相位控制智能表面。在直射径被遮挡的场景下，RIS的辅助能够为无线通信系统的和速率带来可观的增益。但是，传统的RIS对入射信号仅能进行反射，位于基站关于RIS对侧的用户则无法接收到无线信号。

智能全向面(Simultaneous Transmitting And Reflecting ReconfigurableIntelligent Surface，STAR-RIS)。STAR-RIS的每一个器件单元都具有可变的器件结构，通过控制器件单元的工作状态，从而控制其对无线信号的响应特性。无线信号从STAR-RIS的一侧入射，一部分被反射至于入射信号相同的一侧，称为反射信号；其余部分被透射至另一侧，称为透射信号。反射与透射信号可以通过STAR-RIS器件单元的两个参数来分配，这两个参数可称为反射系数与透射系数。

在有STAR-RIS辅助的多用户大规模MISO通信中，为了在减少功率损耗的前提下尽可能最大化下行和速率，需要联合设计发射侧的功率分配方式与STAR-RIS的反射系数和透射系数。目前存在的RIS辅助多用户大规模MISO通信系统设计中大部分仅采用普通的可重构智能超表面，对入射信号仅能够进行反射，无法为位于基站对侧的用户提供辅助。因此，本发明提出一种基于分式规划(Fractional Programming，FP)方法的STAR-RIS辅助下多用户大规模MISO下行加权和速率优化方法。本发明通过考虑发射侧的功率限制以及STAR-RIS反射系数与透射系数所满足的限制条件，提出了一种有效的对发射侧的功率分配与STAR-RIS的反射与透射系数进行联合优化以取得上、下行最大和速率的算法。

3.发明内容及特征

本发明提出一种STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法，能够有效地提升在直射径被遮挡场景下的多用户大规模MISO下行加权和速率，并降低优化问题求解与物理层实现的复杂度。

为实现上述发明目的，本发明所述的STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法，包括以下步骤：

在STAR-RIS辅助的直射径被遮挡场景下多用户大规模MISO下行传输中，信号由基站天线入射到STAR-RIS表面，被分为反射信号与透射信号两部分，且由于STAR-RIS的相位控制作用而受到相位调整。反射信号与透射信号分别服务位于处在基站关于STAR-RIS的同侧的用户与对侧的用户，分别称作反射用户与透射用户。以下行和速率最大化为准则联合优化发射功率分配方式以及STAR-RIS的反射与透射系数。所述联合优化问题的目标为在满足发射端功率限制条件约束以及STAR-RIS反射与透射系数服从的能量守恒约束下最大化反射用户与透射用户的下行加权和速率。

其中，基站侧的发射功率分配与STAR-RIS反射与透射系数的联合优化可以采用基于分式规划方法、拉格朗日乘数法以及极小化极大方法的迭代算法：首先通过引入辅助变量的形式，将原问题转化为一个最大化分式的问题；而后利用分式规划方法，再一次引入辅助变量，将最大化分式的问题转化为一个关于基站侧发射功率分配的凸问题；针对转化得到的凸问题，利用拉格朗日乘数法求解，进行功率分配的优化；再一次引入辅助变量后，将问题转化为关于反射与透射系数目标函数为凸问题但约束条件并非凸集的形式；对于转化后的问题，采用极小化极大方法，通过连续使反射与透射系数取得接近收敛值的点，从而得到本次迭代反射与透射系数的最优取值；迭代、交替实施上述各变量的优化流程，直至相邻两次目标函数值的差小于某个给定的阈值。

作为优选，所述STAR-RIS辅助的多用户大规模MISO下行加权和速率可以表示为：

其中，下行用户共有K个，可以被分为R个反射用户与T个折射用户，每个用户配备单天线，基站侧配备M条发射天线，STAR-RIS共有N个反射透射单元，log(·)表示对数运算，(·)

通常情况下，基站的发射功率是有限的，因此对所有用户分配的功率之和应当不超过给定的最大限制。另外，STAR-RIS的反射系数与透射系数之间还应当满足能量守恒定律，即：

作为优选，所述下行加权和速率优化问题可以表示为：

其中，I

作为优选，通过引入辅助变量的方式等价简化后的原问题可以被表示为：

其中α＝[α

作为优选，所述通过使用分式规划方法，引入辅助变量等价转化的下行加权和速率最优化问题可以表示为：

其中β＝[β

作为优选，再一次利用分式规划方法，通过引入辅助变量对已完成一次分配功率更新后的问题进行转化得到的问题可以表示为：

其中，ε＝[ε

作为优选，所述利用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值，包括以下步骤：

(1)固定求解得到的当前情况下最优的ε，将原问题转化为如下形式：

其中

(2)令l＝0，把当前的

其中，

(3)根据转化后的问题形式，容易根据STAR-RIS的工作模式所对应的约束条件计算出使

本发明与目前常用的可重构智能反射面辅助的多用户大规模MISO下行传输优化方案相比，有如下优点：

1.本发明引入了STAR-RIS辅助进行通信，并为之设计了符合其工作模式的优化算法，较之传统的RIS辅助的无线通信系统，将原本的半空间内智能无线电环境拓展到全空间，能够为更多用户进行服务，显著地提高了智能反射面部署的灵活性。

2.利用分式规划方法、拉格朗日乘数法以及极小化极大等方法联合设计基站侧的发射功率分配以及STAR-RIS的反射系数矩阵和透射系数矩阵，最大化系统的下行加权和速率，迭代获得原问题的驻点次优解，有效改善系统的下行加权和速率。本发明提出的方法能够显著降低优化问题求解和物理层实现的复杂度。

4.附图说明

(1)图1为STAR-RIS辅助的多用户MISO下行传输场景示意图。

(2)图2为STAR-RIS辅助的多用户MISO下行加权和速率优化算法流程图。

5.具体实施方法举例

为了进一步说明本发明的实施方法，下面给出一个实施范例。此示例仅表示对本发明的原理性说明，不代表本发明的任何限制。

(1)STAR-RIS辅助的多用户大规模MISO下行传输场景

考虑STAR-RIS辅助的多用户大规模MISO下行传输场景，基站侧配有M条发射天线，STAR-RIS配备有N个反射透射单元。下行用户共有K个，其中反射用户有R个，透射用户有T个。图1给出了系统传输示意图。所述系统的下行加权和速率可以表示为：

其中，每个用户配备单天线，基站侧配备M条发射天线，STAR-RIS共有N个反射透射单元，ω(k)代表第k个用户的权重，

通常情况下，基站的发射功率有限，因此对所有用户分配的功率之和应当不超过给定的最大限制。另外，STAR-RIS的反射系数与透射系数之间还应当满足能量守恒定律，即：

所述下行加权和速率优化问题可以表示为：

其中，P

此问题含有一个非凸的目标函数以及两个约束条件并非空集的待优化变量，很难得到全局最优解，且求解复杂度往往较高。为此，本发明提出一种复杂度较低的下行加权和速率优化方法，可以求得原问题的一个驻点次优解或局部最优解。

(2)算法一：STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法

图2给出了下行加权和速率优化算法流程图，详细优化步骤列举如下。

步骤1：根据信道条件以及功率分配和所选取的STAR-RIS工作模式所满足的约束条件，设定P、Θ

步骤2：通过引入辅助变量的方式，将原问题转化为一个最大化分式求解的问题，并更新使得转化后的问题最大的α。等价简化后的原问题可以被表示为：

其中α＝[α

最优的α可以通过下式计算，

步骤3：通过使用分式规划方法，引入辅助变量等价转化原下行加权和速率最优化问题，可以表示为：

其中β＝[β

使得被转化后问题取得最优的β可以通过下式计算，

在更新最优的β后，可以通过下式计算最优的功率分配P，

其中λ

因此可以通过二分法计算λ

步骤4：再一次利用分式规划方法，通过引入辅助变量对更新后的问题进行转化，得到的问题可以表示为：

其中，ε＝[ε

最优的ε可以通过下式求得：

步骤5：利用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值。首先，固定求解得到的当前情况下最优的ε，将原问题转化为如下形式：

其中

步骤6：令l＝0，把当前的

其中，

步骤7：根据转化后的问题形式，容易根据STAR-RIS的工作模式所对应的约束条件计算出使

对于能量分割工作模式下的STAR-RIS，

其中，

其中Amp(·)表示取幅值运算。

对于模式切换工作模式下的STAR-RIS，

其中，

1；if

0；else

同样地，

1；if

0；else

对于时间切换工作模式下的STAR-RIS，

步骤8：计算新的目标函数的值，若与上一次迭代目标函数值的差小于所设定的阈值，则终止迭代；否则，将迭代次数加1，回到步骤2。