1. 项目概述与核心挑战在无线通信领域我们一直在追求更高的频谱效率和更可靠的连接。分布式天线系统DAS和全双工FD技术无疑是近年来备受瞩目的两个方向。DAS通过将天线单元分散部署拉近了天线与用户的物理距离从而提升了信号强度并改善了覆盖。而FD技术则允许在同一时间、同一频段上同时进行信号的发送和接收理论上能将频谱效率直接翻倍。将两者结合构建全双工分布式天线系统FD DAS听起来像是一个“鱼与熊掌兼得”的理想方案有望为未来网络带来革命性的容量提升。然而理想很丰满现实却很骨感。当我们在基站侧部署大量具备全双工能力的天线时一系列严峻的挑战也随之而来。最核心的问题就是自干扰基站天线在发送下行信号的同时其强大的发射信号会“淹没”掉来自上行用户的微弱接收信号。尽管有各种先进的硬件和数字自干扰消除技术但残余自干扰始终存在成为限制FD性能的瓶颈。此外随着天线数量的激增多用户之间的干扰也变得错综复杂硬件成本、基带处理的计算复杂度以及用于信道状态信息获取和调度的信令开销也呈指数级增长。简单粗暴地激活所有天线进行协作传输在密集部署场景下可能得不偿失性能提升有限但代价高昂。因此一个自然而然的工程思路是我们是否真的需要动用所有天线来服务每一个用户答案往往是否定的。天线选择Antenna Selection技术正是在这种背景下提出的折中艺术。它的核心思想是为每个用户从其附近的“虚拟小区”中智能地选择一部分甚至一个最优的天线进行服务而让其他天线处于空闲状态。这样做的好处是多方面的首先通过选择信道条件最好的天线可以获得选择分集增益其次减少了同时活跃的天线数量从而直接降低了自干扰和多用户干扰的强度最后也显著降低了射频链路、信号处理以及协同调度所需的开销。本文要探讨的正是在FD DAS这个复杂场景下如何设计一套高效的天线选择算法。我们的目标非常明确在满足低复杂度、低开销的工程约束下通过联合优化上行接收天线选择和下行发射天线选择来最大化整个系统的和速率Sum Rate。这不仅仅是一个理论优化问题更是一个关乎未来高密度网络能否实际部署的关键工程实践。2. 系统模型与问题形式化要设计算法首先必须将实际问题用数学语言清晰地描述出来。我们考虑一个典型的FD DAS场景在一个覆盖区域内部署了M个具备全双能力的分布式基站天线它们通过光纤连接到中央基带处理单元。系统同时服务K个单天线用户其中KU个用户进行上行传输KD个用户进行下行传输。2.1 虚拟小区与信号模型为了控制复杂度我们引入“虚拟小区Virtual Cell”的概念。每个用户无论是上行还是下行并不需要关注所有M根天线而是根据大尺度衰落主要是路径损耗和阴影衰落选择距离自己最近、信道条件最好的V根天线构成自己的专属服务集合。这V根天线就构成了该用户的虚拟小区。这背后有深刻的工程考量距离用户较远的天线其信号衰减严重对用户速率的贡献微乎其微却会引入不必要的协调开销和干扰。因此将选择范围限制在虚拟小区内是平衡性能与复杂度的关键一步。接下来我们分别建立下行和上行的信号模型。对于下行用户Di其接收信号可以表示为y_Di √(p_Di) * h_Di^H * s_Di * x_Di 多用户干扰 同频干扰 n_Di其中p_Di是发射功率h_Di是来自其虚拟小区内天线的信道向量s_Di是一个二进制的天线选择向量其元素为0或11表示对应天线被选中用于向该用户发射信号。x_Di是发送的数据符号。干扰项主要包括两部分来自其他下行用户的多用户干扰以及来自上行用户的同频干扰因为全双工在同一频段工作。n_Di是加性高斯白噪声。同理对于上行用户Uj其虚拟小区内天线收到的信号为y_Uj √(p_Uj) * t_Uj^H * h_Uj * x_Uj 多用户干扰 残余自干扰 噪声这里t_Uj是上行接收天线选择向量。干扰项包括其他上行用户的多用户干扰以及最关键的部分——残余自干扰。这部分干扰来自于正在执行下行发射任务的天线其信号泄漏到了上行接收天线上。我们用参数λ来建模自干扰消除能力λ越小表示消除效果越好。2.2 优化问题的构建基于香农公式我们可以分别推导出下行和上行的可达速率将它们相加就得到了系统和速率。我们的优化目标就是最大化这个和速率。决策变量就是所有下行用户的发射天线选择向量s_Di和所有上行用户的接收天线选择向量t_Uj。这里有一个重要的简化为了最大化选择分集增益并简化问题我们限制每个用户只能从自己的虚拟小区中选择一根天线进行服务。这意味着选择向量中只有一个元素为1其余全为0。这个假设在实践中是合理的图2的仿真也表明在固定功率下激活单天线往往比激活多天线获得更高的信噪比和和速率。于是我们的优化问题可以形式化如下目标 最大化系统和速率 (R_D R_U)约束条件对于每个下行用户Di其选择向量s_Di中所有元素之和为1即只选一根天线。对于每个上行用户Uj其选择向量t_Uj中所有元素之和为1。s_Di和t_Uj中的每个元素都是二进制变量0或1。这本质上是一个非凸的整数规划问题。变量是离散的目标函数是关于这些离散变量的复杂分式形式并且上下行变量通过自干扰项耦合在一起。直接寻找全局最优解需要穷举所有可能的天线组合其计算复杂度是O(V^(KUKD))随着用户数V和虚拟小区大小V的增长会形成“组合爆炸”完全无法用于实际系统。注意这里我们刻意没有采用迫零或最小均方误差等复杂的干扰消除波束赋形技术。虽然它们性能可能更优但会引入波束赋形权重与天线选择变量之间更复杂的耦合使得问题极度复杂难以求解。本文聚焦于天线选择本身这是一个更基础、也更具有可操作性的层面。3. 基于凸差规划的迭代算法设计面对一个非凸的整数规划难题直接求解是行不通的。我们需要一套有效的数学工具将其“驯服”。这里采用的策略是“松弛-近似-迭代”三部曲核心是利用了凸差规划。3.1 问题松弛从离散到连续第一步是变量松弛。我们将二进制约束s_Di,m ∈ {0, 1}和t_Uj,n ∈ {0, 1}放松为连续区间约束[0, 1]。这意味着天线不再是非此即彼的“选中”或“未选中”而是可以有一个“被选中的概率”或“参与程度”。这显然改变了原问题但将一个离散优化问题转化为了一个连续优化问题为后续应用凸优化理论打开了大门。松弛后的问题依然是非凸的但形式已经规整了许多。3.2 目标函数分解与凸差形式第二步是处理非凸的目标函数。通过巧妙的数学变换我们可以将系统和速率R_D R_U重写为两个函数之差u(S, T) - v(S, T)。其中S和T分别代表所有下行和上行选择变量集合。经过分析可以发现函数u和v都是关于变量S和T的凹函数。一个凹函数减去另一个凹函数得到的u - v就是一个典型的凸差函数。凸差规划是处理这类非凸问题的有力框架。3.3 连续凸近似与迭代优化虽然目标函数是凸差形式但直接求解仍有难度。我们采用逐次凸近似的方法。其核心思想是在每次迭代中将非凸的部分即v(S, T)用其一阶泰勒展开一个线性函数在当前点进行替代。因为凹函数在其定义域内其一阶泰勒展开是它的全局上界。具体来说算法采用交替优化的策略固定上行接收选择T优化下行发射选择S在当前迭代点(S^(d), T^(d))用v在S^(d)处的泰勒展开v^(d)来替代原目标函数中的v。由于u是凹的v^(d)是线性的因此新的目标函数u - v^(d)是一个凹函数。在松弛后的约束下这是一个凸优化问题可以利用CVX等凸优化工具高效求解得到新的S^(d1)。固定下行发射选择S优化上行接收选择T利用上一步更新后的S^(d1)固定下行变量用同样的泰勒展开方法近似v将上行优化问题也转化为一个凸问题并求解得到新的T^(d1)。由于泰勒展开是原函数的上界用上界替代后求最大值得到的目标函数值保证了原目标函数值不会下降。数学上可以证明这样交替迭代下去原问题的目标函数值系统和速率是单调不减的。又因为变量定义在有界闭集上所以算法最终一定会收敛到一个稳定点局部最优解。3.4 算法流程与二值化整个迭代天线选择算法的流程可以清晰总结如下算法1迭代天线选择算法初始化每个用户根据大尺度衰落选择V根最佳天线形成虚拟小区。初始化选择矩阵S^(0)和T^(0)例如均匀初始化。设置收敛门限ω。迭代循环 a. 固定T^(d)求解凸问题19更新下行选择S^(d1)。 b. 固定S^(d1)求解凸问题24更新上行选择T^(d1)。 c. 计算目标函数值的相对变化若小于门限ω则跳出循环否则d d 1继续迭代。二值化算法收敛后得到的是连续解概率值。我们需要将其恢复为二进制解。规则很简单对于每个用户在其虚拟小区内选择连续解中值最大的那根天线即“概率”最高的天线将其置为1其余置为0。实操心得初始化策略对收敛速度和最终解的质量有影响。均匀初始化是一种稳健的选择。在实际编程中收敛门限ω通常设置为1e-3到1e-5之间。过小会导致不必要的迭代增加计算时间过大则可能影响解的质量。建议通过少量实验确定一个合适的值。4. 仿真结果与性能分析理论算法需要仿真验证。我们设置一个1km x 1km的正方形覆盖区域天线均匀部署用户随机分布。将我们提出的算法与几种基准算法进行对比最优穷举搜索性能上界但复杂度极高仅用于小规模问题验证。传统最强天线选择每个用户简单地选择虚拟小区内信道增益最强的天线。MRC/MRT方案在每个用户的虚拟小区内对所有天线采用最大比合并或最大比发射不进行天线选择。半双工天线选择算法作为性能基准用于衡量全双工带来的增益。4.1 收敛性与复杂度分析图3展示了我们提出的迭代算法在不同配置下的收敛情况。可以看到系统和速率随着迭代次数单调增加并且在5到15次迭代内就能快速收敛。这证明了算法的实用性和高效性。复杂度对比是另一个亮点。对于KUKD6, V4的场景穷举搜索需要检验超过1600万种组合运行时间长达1273秒。而我们的迭代算法仅需约8.5秒且复杂度是多项式级别的。这意味着当系统规模用户数、天线数增大时穷举法将变得完全不可行而我们的算法依然可以处理。4.2 自干扰消除能力的影响图4分析了残余自干扰系数λ对性能的影响。λ越小代表自干扰消除能力越强。正如预期所有全双工算法的和速率都随着λ增大消除能力变差而下降。但关键在于即使λ高达-70dB即残余自干扰功率仅比发射信号低70dB我们提出的算法相比传统最强天线选择仍有约13%的性能增益相比MRC/MRT方案增益更是高达34%。这充分说明智能的天线选择策略本身就能有效抑制自干扰。同时在所有λ取值下我们的算法性能都无限接近最优穷举搜索验证了其有效性。4.3 天线总数与虚拟小区大小的影响图5显示了增加基站天线总数M对性能的提升。所有算法的性能都随着M增加而改善因为用户到天线的平均距离缩短了。当M较小时用户虚拟小区重叠严重MRC/MRT方案会遭受强烈的干扰而我们的算法通过协调选择能获得显著的分集增益。随着M增大虚拟小区逐渐分离干扰减弱MRC/MRT的性能逐渐追近但我们算法的优势依然存在。图6则揭示了虚拟小区大小V的“甜蜜点”。我们的算法在V较小时如从1增加到3性能提升显著因为选择余地变大分集增益增加。但当V继续增大5性能逐渐饱和。因为新增的天线距离用户越来越远被选中的概率很低贡献边际递减。这给出了一个重要的工程指导虚拟小区的大小并非越大越好存在一个性价比最高的值通常在3-5左右。相反MRC/MRT方案的性能随着V增大而下降因为它不加选择地激活所有天线引入了更多干扰。5. 工程实现考量与常见问题将算法从论文仿真落地到实际系统还需要考虑诸多工程细节。5.1 信道状态信息获取算法依赖于准确的信道状态信息包括用户与天线间的信道用于计算信号强度和多用户干扰。天线间的自干扰信道用于估计残余自干扰。用户间的同频干扰信道用于估计上行对下行的干扰。在时分双工系统中可以利用信道互易性。在频分双工系统中则需要通过上行探测或下行反馈来获取这会带来额外的开销。在实际中可能需要采用基于长期统计信息如大尺度衰落的简化选择方案或与信道预测技术结合。5.2 集中式与分布式处理本文算法是集中式的假设BBU拥有全局CSI并进行统一优化。这适用于光纤连接理想、回传延迟低的C-RAN架构。在回传容量或延迟受限的场景可能需要研究分布式的、基于局部信息的次优算法例如让每个虚拟小区独立进行选择再通过少量信息交互进行协调。5.3 动态性与计算延迟用户移动会导致信道变化虚拟小区的构成和最优天线选择也会随之改变。算法需要以一定的周期如几十到几百毫秒重新运行。迭代算法的收敛速度5-15次迭代决定了其能否跟上信道变化的速度。在快速变化场景下可能需要使用上一时刻的解作为热启动或者开发计算更快的启发式算法。5.4 常见问题与排查思路在实际部署和仿真复现中可能会遇到以下问题算法不收敛或收敛至较差解检查原因初始化点可能离最优解太远凸优化子问题求解器的精度设置不当自干扰信道建模不合理导致问题病态。排查方法尝试不同的初始化策略如从传统最强天线选择的结果开始调整凸优化求解器的收敛精度和最大迭代次数检查信道矩阵的条件数必要时加入正则化项。性能增益低于预期检查原因虚拟小区大小V设置过小或过大用户分布过于密集导致虚拟小区高度重叠干扰成为主导自干扰消除能力λ假设过于乐观。排查方法仿真扫描不同的V值找到当前场景下的最优值分析干扰项的功率与信号项功率的比值采用更实际的、测量得到的λ值进行仿真。计算时间过长检查原因用户数KUKD或虚拟小区大小V过大导致优化问题维度高迭代收敛门限ω设置过小。排查方法考虑对用户进行分组调度降低单次优化的规模适当放宽收敛门限在性能和速度间取得平衡探索更高效的凸优化求解器或利用问题结构如稀疏性加速。与MRC/MRT性能对比反转检查原因在极高信噪比或干扰极弱的理想场景下MRC/MRT的理论优势可能显现。但本文的仿真条件存在自干扰和多用户干扰更符合实际。排查方法确认仿真参数是否合理特别是干扰功率的设置。在低负载、天线分布稀疏的场景下可以预期MRC/MRT会表现更好此时天线选择的价值在于降低成本而非提升速率。这套基于凸差规划的迭代天线选择算法为FD DAS的实用化提供了一条清晰的技术路径。它通过数学上的巧妙转化将一个难以处理的离散非凸问题分解为一系列可高效求解的凸子问题在性能、复杂度和开销之间取得了良好的平衡。虽然在实际系统中还需要与信道估计、资源调度等模块紧密结合但其核心思想——利用智能选择来对抗干扰、挖掘分集增益——对于设计未来高密度、高容量无线网络具有普遍的指导意义。
全双工分布式天线系统中基于凸差规划的迭代天线选择算法
1. 项目概述与核心挑战在无线通信领域我们一直在追求更高的频谱效率和更可靠的连接。分布式天线系统DAS和全双工FD技术无疑是近年来备受瞩目的两个方向。DAS通过将天线单元分散部署拉近了天线与用户的物理距离从而提升了信号强度并改善了覆盖。而FD技术则允许在同一时间、同一频段上同时进行信号的发送和接收理论上能将频谱效率直接翻倍。将两者结合构建全双工分布式天线系统FD DAS听起来像是一个“鱼与熊掌兼得”的理想方案有望为未来网络带来革命性的容量提升。然而理想很丰满现实却很骨感。当我们在基站侧部署大量具备全双工能力的天线时一系列严峻的挑战也随之而来。最核心的问题就是自干扰基站天线在发送下行信号的同时其强大的发射信号会“淹没”掉来自上行用户的微弱接收信号。尽管有各种先进的硬件和数字自干扰消除技术但残余自干扰始终存在成为限制FD性能的瓶颈。此外随着天线数量的激增多用户之间的干扰也变得错综复杂硬件成本、基带处理的计算复杂度以及用于信道状态信息获取和调度的信令开销也呈指数级增长。简单粗暴地激活所有天线进行协作传输在密集部署场景下可能得不偿失性能提升有限但代价高昂。因此一个自然而然的工程思路是我们是否真的需要动用所有天线来服务每一个用户答案往往是否定的。天线选择Antenna Selection技术正是在这种背景下提出的折中艺术。它的核心思想是为每个用户从其附近的“虚拟小区”中智能地选择一部分甚至一个最优的天线进行服务而让其他天线处于空闲状态。这样做的好处是多方面的首先通过选择信道条件最好的天线可以获得选择分集增益其次减少了同时活跃的天线数量从而直接降低了自干扰和多用户干扰的强度最后也显著降低了射频链路、信号处理以及协同调度所需的开销。本文要探讨的正是在FD DAS这个复杂场景下如何设计一套高效的天线选择算法。我们的目标非常明确在满足低复杂度、低开销的工程约束下通过联合优化上行接收天线选择和下行发射天线选择来最大化整个系统的和速率Sum Rate。这不仅仅是一个理论优化问题更是一个关乎未来高密度网络能否实际部署的关键工程实践。2. 系统模型与问题形式化要设计算法首先必须将实际问题用数学语言清晰地描述出来。我们考虑一个典型的FD DAS场景在一个覆盖区域内部署了M个具备全双能力的分布式基站天线它们通过光纤连接到中央基带处理单元。系统同时服务K个单天线用户其中KU个用户进行上行传输KD个用户进行下行传输。2.1 虚拟小区与信号模型为了控制复杂度我们引入“虚拟小区Virtual Cell”的概念。每个用户无论是上行还是下行并不需要关注所有M根天线而是根据大尺度衰落主要是路径损耗和阴影衰落选择距离自己最近、信道条件最好的V根天线构成自己的专属服务集合。这V根天线就构成了该用户的虚拟小区。这背后有深刻的工程考量距离用户较远的天线其信号衰减严重对用户速率的贡献微乎其微却会引入不必要的协调开销和干扰。因此将选择范围限制在虚拟小区内是平衡性能与复杂度的关键一步。接下来我们分别建立下行和上行的信号模型。对于下行用户Di其接收信号可以表示为y_Di √(p_Di) * h_Di^H * s_Di * x_Di 多用户干扰 同频干扰 n_Di其中p_Di是发射功率h_Di是来自其虚拟小区内天线的信道向量s_Di是一个二进制的天线选择向量其元素为0或11表示对应天线被选中用于向该用户发射信号。x_Di是发送的数据符号。干扰项主要包括两部分来自其他下行用户的多用户干扰以及来自上行用户的同频干扰因为全双工在同一频段工作。n_Di是加性高斯白噪声。同理对于上行用户Uj其虚拟小区内天线收到的信号为y_Uj √(p_Uj) * t_Uj^H * h_Uj * x_Uj 多用户干扰 残余自干扰 噪声这里t_Uj是上行接收天线选择向量。干扰项包括其他上行用户的多用户干扰以及最关键的部分——残余自干扰。这部分干扰来自于正在执行下行发射任务的天线其信号泄漏到了上行接收天线上。我们用参数λ来建模自干扰消除能力λ越小表示消除效果越好。2.2 优化问题的构建基于香农公式我们可以分别推导出下行和上行的可达速率将它们相加就得到了系统和速率。我们的优化目标就是最大化这个和速率。决策变量就是所有下行用户的发射天线选择向量s_Di和所有上行用户的接收天线选择向量t_Uj。这里有一个重要的简化为了最大化选择分集增益并简化问题我们限制每个用户只能从自己的虚拟小区中选择一根天线进行服务。这意味着选择向量中只有一个元素为1其余全为0。这个假设在实践中是合理的图2的仿真也表明在固定功率下激活单天线往往比激活多天线获得更高的信噪比和和速率。于是我们的优化问题可以形式化如下目标 最大化系统和速率 (R_D R_U)约束条件对于每个下行用户Di其选择向量s_Di中所有元素之和为1即只选一根天线。对于每个上行用户Uj其选择向量t_Uj中所有元素之和为1。s_Di和t_Uj中的每个元素都是二进制变量0或1。这本质上是一个非凸的整数规划问题。变量是离散的目标函数是关于这些离散变量的复杂分式形式并且上下行变量通过自干扰项耦合在一起。直接寻找全局最优解需要穷举所有可能的天线组合其计算复杂度是O(V^(KUKD))随着用户数V和虚拟小区大小V的增长会形成“组合爆炸”完全无法用于实际系统。注意这里我们刻意没有采用迫零或最小均方误差等复杂的干扰消除波束赋形技术。虽然它们性能可能更优但会引入波束赋形权重与天线选择变量之间更复杂的耦合使得问题极度复杂难以求解。本文聚焦于天线选择本身这是一个更基础、也更具有可操作性的层面。3. 基于凸差规划的迭代算法设计面对一个非凸的整数规划难题直接求解是行不通的。我们需要一套有效的数学工具将其“驯服”。这里采用的策略是“松弛-近似-迭代”三部曲核心是利用了凸差规划。3.1 问题松弛从离散到连续第一步是变量松弛。我们将二进制约束s_Di,m ∈ {0, 1}和t_Uj,n ∈ {0, 1}放松为连续区间约束[0, 1]。这意味着天线不再是非此即彼的“选中”或“未选中”而是可以有一个“被选中的概率”或“参与程度”。这显然改变了原问题但将一个离散优化问题转化为了一个连续优化问题为后续应用凸优化理论打开了大门。松弛后的问题依然是非凸的但形式已经规整了许多。3.2 目标函数分解与凸差形式第二步是处理非凸的目标函数。通过巧妙的数学变换我们可以将系统和速率R_D R_U重写为两个函数之差u(S, T) - v(S, T)。其中S和T分别代表所有下行和上行选择变量集合。经过分析可以发现函数u和v都是关于变量S和T的凹函数。一个凹函数减去另一个凹函数得到的u - v就是一个典型的凸差函数。凸差规划是处理这类非凸问题的有力框架。3.3 连续凸近似与迭代优化虽然目标函数是凸差形式但直接求解仍有难度。我们采用逐次凸近似的方法。其核心思想是在每次迭代中将非凸的部分即v(S, T)用其一阶泰勒展开一个线性函数在当前点进行替代。因为凹函数在其定义域内其一阶泰勒展开是它的全局上界。具体来说算法采用交替优化的策略固定上行接收选择T优化下行发射选择S在当前迭代点(S^(d), T^(d))用v在S^(d)处的泰勒展开v^(d)来替代原目标函数中的v。由于u是凹的v^(d)是线性的因此新的目标函数u - v^(d)是一个凹函数。在松弛后的约束下这是一个凸优化问题可以利用CVX等凸优化工具高效求解得到新的S^(d1)。固定下行发射选择S优化上行接收选择T利用上一步更新后的S^(d1)固定下行变量用同样的泰勒展开方法近似v将上行优化问题也转化为一个凸问题并求解得到新的T^(d1)。由于泰勒展开是原函数的上界用上界替代后求最大值得到的目标函数值保证了原目标函数值不会下降。数学上可以证明这样交替迭代下去原问题的目标函数值系统和速率是单调不减的。又因为变量定义在有界闭集上所以算法最终一定会收敛到一个稳定点局部最优解。3.4 算法流程与二值化整个迭代天线选择算法的流程可以清晰总结如下算法1迭代天线选择算法初始化每个用户根据大尺度衰落选择V根最佳天线形成虚拟小区。初始化选择矩阵S^(0)和T^(0)例如均匀初始化。设置收敛门限ω。迭代循环 a. 固定T^(d)求解凸问题19更新下行选择S^(d1)。 b. 固定S^(d1)求解凸问题24更新上行选择T^(d1)。 c. 计算目标函数值的相对变化若小于门限ω则跳出循环否则d d 1继续迭代。二值化算法收敛后得到的是连续解概率值。我们需要将其恢复为二进制解。规则很简单对于每个用户在其虚拟小区内选择连续解中值最大的那根天线即“概率”最高的天线将其置为1其余置为0。实操心得初始化策略对收敛速度和最终解的质量有影响。均匀初始化是一种稳健的选择。在实际编程中收敛门限ω通常设置为1e-3到1e-5之间。过小会导致不必要的迭代增加计算时间过大则可能影响解的质量。建议通过少量实验确定一个合适的值。4. 仿真结果与性能分析理论算法需要仿真验证。我们设置一个1km x 1km的正方形覆盖区域天线均匀部署用户随机分布。将我们提出的算法与几种基准算法进行对比最优穷举搜索性能上界但复杂度极高仅用于小规模问题验证。传统最强天线选择每个用户简单地选择虚拟小区内信道增益最强的天线。MRC/MRT方案在每个用户的虚拟小区内对所有天线采用最大比合并或最大比发射不进行天线选择。半双工天线选择算法作为性能基准用于衡量全双工带来的增益。4.1 收敛性与复杂度分析图3展示了我们提出的迭代算法在不同配置下的收敛情况。可以看到系统和速率随着迭代次数单调增加并且在5到15次迭代内就能快速收敛。这证明了算法的实用性和高效性。复杂度对比是另一个亮点。对于KUKD6, V4的场景穷举搜索需要检验超过1600万种组合运行时间长达1273秒。而我们的迭代算法仅需约8.5秒且复杂度是多项式级别的。这意味着当系统规模用户数、天线数增大时穷举法将变得完全不可行而我们的算法依然可以处理。4.2 自干扰消除能力的影响图4分析了残余自干扰系数λ对性能的影响。λ越小代表自干扰消除能力越强。正如预期所有全双工算法的和速率都随着λ增大消除能力变差而下降。但关键在于即使λ高达-70dB即残余自干扰功率仅比发射信号低70dB我们提出的算法相比传统最强天线选择仍有约13%的性能增益相比MRC/MRT方案增益更是高达34%。这充分说明智能的天线选择策略本身就能有效抑制自干扰。同时在所有λ取值下我们的算法性能都无限接近最优穷举搜索验证了其有效性。4.3 天线总数与虚拟小区大小的影响图5显示了增加基站天线总数M对性能的提升。所有算法的性能都随着M增加而改善因为用户到天线的平均距离缩短了。当M较小时用户虚拟小区重叠严重MRC/MRT方案会遭受强烈的干扰而我们的算法通过协调选择能获得显著的分集增益。随着M增大虚拟小区逐渐分离干扰减弱MRC/MRT的性能逐渐追近但我们算法的优势依然存在。图6则揭示了虚拟小区大小V的“甜蜜点”。我们的算法在V较小时如从1增加到3性能提升显著因为选择余地变大分集增益增加。但当V继续增大5性能逐渐饱和。因为新增的天线距离用户越来越远被选中的概率很低贡献边际递减。这给出了一个重要的工程指导虚拟小区的大小并非越大越好存在一个性价比最高的值通常在3-5左右。相反MRC/MRT方案的性能随着V增大而下降因为它不加选择地激活所有天线引入了更多干扰。5. 工程实现考量与常见问题将算法从论文仿真落地到实际系统还需要考虑诸多工程细节。5.1 信道状态信息获取算法依赖于准确的信道状态信息包括用户与天线间的信道用于计算信号强度和多用户干扰。天线间的自干扰信道用于估计残余自干扰。用户间的同频干扰信道用于估计上行对下行的干扰。在时分双工系统中可以利用信道互易性。在频分双工系统中则需要通过上行探测或下行反馈来获取这会带来额外的开销。在实际中可能需要采用基于长期统计信息如大尺度衰落的简化选择方案或与信道预测技术结合。5.2 集中式与分布式处理本文算法是集中式的假设BBU拥有全局CSI并进行统一优化。这适用于光纤连接理想、回传延迟低的C-RAN架构。在回传容量或延迟受限的场景可能需要研究分布式的、基于局部信息的次优算法例如让每个虚拟小区独立进行选择再通过少量信息交互进行协调。5.3 动态性与计算延迟用户移动会导致信道变化虚拟小区的构成和最优天线选择也会随之改变。算法需要以一定的周期如几十到几百毫秒重新运行。迭代算法的收敛速度5-15次迭代决定了其能否跟上信道变化的速度。在快速变化场景下可能需要使用上一时刻的解作为热启动或者开发计算更快的启发式算法。5.4 常见问题与排查思路在实际部署和仿真复现中可能会遇到以下问题算法不收敛或收敛至较差解检查原因初始化点可能离最优解太远凸优化子问题求解器的精度设置不当自干扰信道建模不合理导致问题病态。排查方法尝试不同的初始化策略如从传统最强天线选择的结果开始调整凸优化求解器的收敛精度和最大迭代次数检查信道矩阵的条件数必要时加入正则化项。性能增益低于预期检查原因虚拟小区大小V设置过小或过大用户分布过于密集导致虚拟小区高度重叠干扰成为主导自干扰消除能力λ假设过于乐观。排查方法仿真扫描不同的V值找到当前场景下的最优值分析干扰项的功率与信号项功率的比值采用更实际的、测量得到的λ值进行仿真。计算时间过长检查原因用户数KUKD或虚拟小区大小V过大导致优化问题维度高迭代收敛门限ω设置过小。排查方法考虑对用户进行分组调度降低单次优化的规模适当放宽收敛门限在性能和速度间取得平衡探索更高效的凸优化求解器或利用问题结构如稀疏性加速。与MRC/MRT性能对比反转检查原因在极高信噪比或干扰极弱的理想场景下MRC/MRT的理论优势可能显现。但本文的仿真条件存在自干扰和多用户干扰更符合实际。排查方法确认仿真参数是否合理特别是干扰功率的设置。在低负载、天线分布稀疏的场景下可以预期MRC/MRT会表现更好此时天线选择的价值在于降低成本而非提升速率。这套基于凸差规划的迭代天线选择算法为FD DAS的实用化提供了一条清晰的技术路径。它通过数学上的巧妙转化将一个难以处理的离散非凸问题分解为一系列可高效求解的凸子问题在性能、复杂度和开销之间取得了良好的平衡。虽然在实际系统中还需要与信道估计、资源调度等模块紧密结合但其核心思想——利用智能选择来对抗干扰、挖掘分集增益——对于设计未来高密度、高容量无线网络具有普遍的指导意义。
