波束成形与天线选择联合优化求解：从分支定界到图神经模仿学习
信号处理
2023-04-12 v2 信息论
机器学习
math.IT
摘要
本工作重新审视了联合波束成形（BF）与天线选择（AS）问题，以及在不完美信道状态信息（CSI）下的鲁棒波束成形（RBF）版本。此类问题因多种原因产生，例如射频（RF）链成本高昂以及节能/资源节约的考量。该联合（R）BF与AS问题是一个混合整数非线性规划，因此寻找最优解通常代价高昂，甚至根本不可能。绝大多数已有工作使用连续近似、贪心方法和监督机器学习等技术来解决这些问题——然而这些方法无法保证解的最优性甚至可行性。本工作的主要贡献有三方面。首先，提出了一种用于求解所关注问题的有效分支定界（B&B）框架。借助已有的BF和RBF求解器，表明该B&B框架能保证所考虑问题的全局最优性。其次，为加速潜在高代价的B&B算法，提出了一种基于机器学习（ML）的方案，以帮助跳过B&B搜索树的中间状态。该学习模型采用基于图神经网络（GNN）的设计，对无线通信中常见的挑战具有鲁棒性，即训练与测试阶段问题规模（如用户数）的变化。第三，给出了全面的性能刻画，表明在合理条件下，基于GNN的方法以可证明降低的复杂度保留了B&B的全局最优性。数值仿真还表明，基于ML的加速相对于B&B通常能实现一个数量级的加速。
引用
@article{arxiv.2206.05576,
title = {Optimal Solutions for Joint Beamforming and Antenna Selection: From Branch and Bound to Graph Neural Imitation Learning},
author = {Sagar Shrestha and Xiao Fu and Mingyi Hong},
journal= {arXiv preprint arXiv:2206.05576},
year = {2023}
}