毫米波混合波束成形系统中基于学习的自适应用户选择

我们考虑一个多用户混合波束成形系统，其中复用增益受限于基站（BS）所采用的小数量射频链。为了获得更大的自由度以最大化复用增益，基站最好在每个调度时刻选择并服务部分用户，而非始终服务所有用户。我们采用一种考虑毫米波特性的双时间尺度协议，其中在长时间尺度上为每个用户选择模拟波束，在短时间尺度上基于所选模拟波束选择用户进行传输。用户选择的目标是最大化传统的比例公平（Proportional Fair, PF）度量。然而，由于所选用户的模拟波束之间存在干扰，该最大化并非易事。我们首先定义了贪心算法和“top-k”算法，然后提出一种基于机器学习（ML）的用户选择算法，以在 PF 性能和计算时间之间提供高效的权衡。通过仿真，我们在多种度量下分析了基于 ML 的算法性能，并表明与同类算法相比，它给出了高效的性能权衡。