我最近在调一个多天线下行链路的波束赋形基站端一排天线终端只有一根典型的MISO配置。真到写目标函数的时候才发现麻烦一旦把可达速率除以总功耗或者有用信号除以干扰加噪声这种比值塞进优化问题那个除号就像卡在齿轮里的石子原本顺手的凸优化工具立刻使不上劲。二次变换Quadratic Transformation MethodQTM就是在这个节点上进入视野的——它用一个辅助变量把分式掰直让每一轮子问题重新变成可解的凸问题。这篇就把QTM在MISO场景里的原理、推导、落地流程和我踩过的坑一次性讲透。适合谁看做过波束赋形、功率分配、智能反射面相位优化或者正在被分式规划卡住的通信/信号处理方向的朋友如果你只是刚接触凸优化文中的生活化类比和参数表也能让你跟下来。我会尽量把为什么这么变讲清楚而不是甩一堆公式让你自己悟。1. 为什么MISO场景里绕不开分式规划1.1 MISO到底在优化什么从一根天线到一排天线先把场景摆清楚。MISO指基站侧有多根发射天线、终端侧只有一根接收天线。之所以大量系统采用这个配置是因为终端做多天线受体积和功耗限制而基站侧堆天线相对容易还能靠波束赋形把能量捏成一个方向打出去。基站发射信号可以写成 $x \sum_k w_k s_k$其中 $w_k$ 是第 $k$ 个用户的波束向量$s_k$ 是归一化符号终端 $k$ 收到的信号是 $y_k h_k^H w_k s_k \sum_{j\neq k} h_k^H w_j s_j n_k$。这里的 $h_k$ 是基站到用户 $k$ 的信道向量$n_k$ 是噪声。你真正关心的不是瞬时电压而是信干噪比$$\gamma_k \frac{|h_k^H w_k|^2}{\sum_{j\neq k}|h_k^H w_j|^2 \sigma^2}$$以及由它派生的可达速率 $R_k \log_2(1\gamma_k)$。注意这个式子的结构分子是我想要的那份能量分母是别人漏过来的能量加噪声。只要分母不为常数问题天然就是分式。MISO优化的核心矛盾就在这里——天线越多$w_k$ 的维度越高可调的余地越大但目标函数的非凸分式结构也越难直接处理。很多新手会想当然既然 $\gamma_k$ 是分式那我直接对 $w_k$ 求导令其为零不就行了单用户、无约束、分母只有噪声时确实可以那就是最大比传输MRT闭式解写得漂漂亮亮。但一旦有多用户干扰、有总功率约束、有能量效率目标导数方程就变成耦合的高阶多项式硬解基本没戏。这就是为什么工程上要走迭代优化的路子。1.2 分式目标的两种典型形态SINR与能量效率实际项目里分式目标主要出现在两类问题上认清形态才知道该用哪把刀。第一类是信干噪比型。多用户加权和速率最大化、最大最小公平性波束赋形目标里都嵌着 $\gamma_k$。这类问题的分式藏在里面外面还套了一层 $\log$ 或者 $\min$。它的特点是非凸性主要来自分子分母的二次型耦合一旦把分式拆开子问题往往能变成凸的。第二类是能量效率型。比如最大化每焦耳能传多少比特$$\text{EE}(w) \frac{\log_2(1\gamma(w))}{P_c |w|^2}$$分子是速率分母是电路静态功耗 $P_c$ 加上发射功率。这种目标在绿色通信、物联网回传里非常常见。它的麻烦在于分子本身也是非线性的分母又是二次的两层非线性叠在一起。两类问题的共同点是目标可以写成 $\frac{f(x)}{g(x)}$ 的形式且 $g(x)0$。只要落进这个框架二次变换就有了用武之地。我在项目里一般先判断分式外面套了几层非线性套得少的直接上QTM套得多的比如分子是 $\log$ 再除以二次型会考虑先做一次变量替换或者用拉格朗日对偶变换把 $\log$ 拆掉再交给QTM处理剩余的分式。1.3 老方法的痛点Dinkelbach、SCA与WMMSE的取舍在下决心用QTM之前我把几条常见路线都试了一遍各自的毛病值得说清楚免得你重复走弯路。Dinkelbach方法是处理分式规划的老牌选手。思路是把 $\max \frac{f}{g}$ 转成外层迭代给定一个参数 $\lambda$内层求解 $\max f - \lambda g$根据结果更新 $\lambda$。它收敛很快通常十几次外层迭代就能到位。痛点在于它是两层结构——外层更新 $\lambda$内层还要完整解一个凸问题。如果你的内层本身就是大规模二次规划两层叠起来单次运行时间会很难看。而且 $\lambda$ 的初值如果离最优太远前几轮基本在做无用功。SCA连续凸近似更通用做法是对非凸项做一阶或二阶泰勒展开用凸的替代函数去逼近。它的好处是几乎什么形状都能套坏处是对初始可行点敏感步长没调好容易震荡而且每次迭代要解一个带信任域的问题参数一多调起来很烦。我早期一个版本用SCA做和速率最大化收敛曲线像心电图调了三天才发现是展开点选在了功率约束边界上。WMMSE在MISO和速率最大化里几乎是标杆通过均方误差的等价变换把问题转成交替优化收敛性和性能都很好。但它和QTM其实是亲戚——两者在处理SINR分式时导出的迭代结构高度相似很多文献里把它们放在同一个框架下讨论。WMMSE的推导链条更长对新手不太友好QTM的形式更统一一个辅助变量走天下理解成本低一些。我的取舍经验是目标里分式结构清晰、变量维度中等、想要闭式解或轻量迭代优先QTM需要极致收敛速度且能接受两层结构Dinkelbach非凸项五花八门、没有统一分式结构SCA兜底。这个判断不绝对但能帮你快速定位方向。2. 二次变换的核心原理一个辅助变量消掉除号2.1 标量形式从不等式到等式QTM最迷人的地方是它的核心恒等式短得可以写在一张便签上。考虑最大化问题 $\max_x \frac{f(x)}{g(x)}$其中 $f(x)\geq 0$、$g(x)0$。引入一个辅助变量 $y$有$$\frac{f(x)}{g(x)} \max_{y}\ \left(2y\sqrt{f(x)} - y^2 g(x)\right)$$右边对 $y$ 是一个开口向下的二次函数求导令其为零$2\sqrt{f(x)} - 2y g(x) 0$得到最优辅助变量 $y^\star \frac{\sqrt{f(x)}}{g(x)}$。把它代回去恰好得到 $\frac{f(x)}{g(x)}$。也就是说原分式问题等价于对 $x$ 和 $y$ 联合最大化右边。这个变换的妙处在于原来 $x$ 同时出现在分子分母里耦合在一起变换之后$y$ 把 $\sqrt{f(x)}$ 这部分拎了出来$x$ 在右边虽然还出现两次但结构变成了一个线性项减去一个二次项。如果 $f$ 和 $g$ 都是二次型右边对 $x$ 就是凹的最大化凹函数是凸优化可以放心解。这就是二次变换名字的由来——它把分式变成了二次型附近的优化。生活化一点理解分式像两个人绑着腿跑步谁也迈不开辅助变量相当于给其中一个人松了绑先让他按当前节奏跑另一个人再调整轮流来整体反而跑得快。注意这个恒等式成立的前提是 $f(x)\geq 0$。如果 $f$ 可能取负右边的最优值会偏离原分式变换就失效了。MISO里 $f$ 通常是能量或速率非负性天然满足但你写代码时最好加一个断言兜底。2.2 复数形式与相位吸收MISO的波束向量是复数的直接套标量形式会遇到 $\sqrt{f}$ 开根号的问题。工程上的标准做法是利用复数相位自由度把根号吸收进辅助变量。以单用户SINR型分式为例$f(w) |h^H w|^2$$g(w) w^H Q w \sigma^2$。引入复数辅助变量 $y$变换写成$$\frac{|h^H w|^2}{g(w)} \max_{y}\ \left(2\Re{y^* h^H w} - |y|^2 g(w)\right)$$验证一下对 $y^$ 求偏导Wirtinger意义下$h^H w - y, g(w) 0$得到 $y^\star \frac{h^H w}{g(w)}$。代回右边第一项是 $2\Re{\frac{(h^H w)^}{g} h^H w} \frac{2|h^H w|^2}{g}$第二项是 $\frac{|h^H w|^2}{g^2}\cdot g \frac{|h^H w|^2}{g}$相减正好是 $\frac{|h^H w|^2}{g}$。关键在于$\Re{y^* h^H w}$ 对 $w$ 是线性的而 $-|y|^2 g(w)$ 在 $g$ 为二次型时是凹二次的。线性加凹二次整体对 $w$ 是凹函数。原来那个让凸优化工具束手无策的分式被拆成了线性项减二次项子问题可以直接用KKT条件求闭式解。这是QTM在MISO里真正的杀手锏。我在推导时踩过一个坑一开始把 $y$ 当成实数处理结果相位对不上迭代出来的波束方向总是偏。复数辅助变量必须允许取任意相位$y^\star$ 的相位自动对齐 $h^H w$ 的相位这一步不能省。2.3 交替优化的单调性与收敛性有了变换求解就变成两步交替第一步固定 $w$更新 $y$。直接套闭式 $y_k^\star \frac{h_k^H w_k}{I_k}$其中 $I_k \sum_{j\neq k}|h_k^H w_j|^2 \sigma^2$ 是当前干扰加噪声。这一步是精确的没有近似。第二步固定 $y$更新 $w$。此时目标变成对 $w$ 的凹函数加上功率约束 $\sum_k |w_k|^2 \leq P$是一个标准的凸二次约束问题用拉格朗日乘子法几步就能写出闭式解或者用内点法快速求解。为什么这样交替一定收敛直观上每一步都是在给定对方的情况下把自己的那部分做到最好目标函数值单调不减。又因为目标有上界功率有限速率不可能无限涨单调有界序列必然收敛。数学上更严格的说法是QTM属于块坐标上升BCA的一个特例在温和条件下比如子问题解唯一或者满足某些正则性能收敛到驻点。但我要提醒一句收敛到的是驻点不保证全局最优。分式规划本身是非凸的QTM通过交替把非凸问题拆成一串凸子问题本质上是在做局部搜索。初始点给得好结果就靠近全局给得差可能停在次优解。这一点在后面的初始化部分会详细说。2.4 与Dinkelbach的关系为什么有时等价有个细节值得展开当 $f$ 是二次型、$g$ 也是二次型时QTM和Dinkelbach在数学上会导出非常接近的迭代。Dinkelbach的外层参数 $\lambda$ 和内层的辅助变量 $y$ 在最优处满足 $\lambda |y|^2$ 这样的对应关系。换句话说QTM把Dinkelbach的两层结构压成了一层交替少了一层循环单次迭代更轻。这也解释了一个常见困惑为什么有些论文里QTM收敛需要的迭代次数和Dinkelbach差不多因为两者在信息利用上是等价的差别主要在实现复杂度和每步的计算量。QTM每步只需要算一个闭式 $y$ 和一个凸子问题Dinkelbach每步要完整解一个带参数的问题工程实现上QTM的代码更短调试也更直观。我在一个中等规模的问题上做过对比$N8$ 天线、$K4$ 用户QTM平均18次交替收敛Dinkelbach外层12次、每次内层解一个8维二次规划总耗时QTM反而更短。规模再大一些差距会更明显因为QTM的子问题有闭式解Dinkelbach的内层还是得靠通用求解器。3. MISO场景下的落地流程3.1 系统模型与参数表把原理落成代码之前先把模型和参数钉死。我用的是一套标准的单小区下行MISO配置基站 $N$ 根天线服务 $K$ 个单天线用户信道建模为独立同分布复高斯这是仿真里最常用的基线实际系统会加相关性但先跑通原理再说。参数符号取值说明基站天线数$N$8中等规模兼顾性能和求解速度用户数$K$4每用户单天线总发射功率$P$1 W30 dBm约束 $\sum_k|w_k|^2\leq P$噪声功率$\sigma^2$-90 dBm换算成线性值约 $10^{-12}$ W收敛阈值$\epsilon$$10^{-4}$波束向量相对变化小于此值停止最大迭代$T_{\max}$100防止死循环的保险丝目标函数选加权和速率最大化$$\max_{{w_k}}\ \sum_{k1}^{K}\alpha_k\log_2(1\gamma_k)\quad \text{s.t.}\ \sum_k|w_k|^2\leq P$$权重 $\alpha_k$ 用来体现用户优先级等权时就是普通和速率。选这个目标是因为它同时包含SINR分式和 $\log$ 非线性是检验QTM是否好用的试金石。这里补一句参数换算的细节很多新手会在这里翻车噪声功率给的 -90 dBm 是 dBm 单位进公式前必须转成瓦特$10^{-90/10}\ \text{mW} 10^{-12}\ \text{W}$。功率 30 dBm 对应 $10^{30/10}\ \text{mW} 10^3\ \text{mW} 1\ \text{W}$。单位不统一算出来的SINR能差好几个数量级我第一次跑仿真时速率只有零点几查了半天才发现是噪声忘了换算。3.2 加权和速率的QTM迭代加权和速率里$\log$ 外面套着SINR分式不能直接对整个目标做二次变换。工程上常用的处理是先对数、后分式先用拉格朗日对偶变换把 $\log$ 拆开再对拆出来的SINR用QTM。为了不让推导吓退人我把两层变换合并后的等价迭代写出来你照着用就行。对每个用户引入辅助变量 $\mu_k\geq 0$ 和复数辅助变量 $y_k$交替执行更新 $\mu_k$$\mu_k \gamma_k$即当前SINR值。更新 $y_k$$y_k \frac{(1\mu_k),h_k^H w_k}{I_k}$其中 $I_k$ 是当前干扰加噪声。更新 $w_k$解一个凸二次约束问题闭式形式为 $w_k \left(\sum_j |y_j|^2 h_j h_j^H \lambda I\right)^{-1} y_k h_k$ 的缩放版本其中 $\lambda$ 是功率约束的拉格朗日乘子通过二分法搜索使其满足总功率约束。第三步是整套流程里唯一需要稍微动点脑筋的地方。$\lambda$ 的搜索逻辑是$\lambda$ 越大解出来的 $|w_k|$ 越小总功率超了就增大 $\lambda$没用满就减小。二分个二三十次精度就足够了比调用通用凸优化求解器快一个数量级。提示第三步的矩阵求逆是 $N\times N$ 的$N$ 不大时直接求逆没问题如果天线数上百建议用共轭梯度或者Woodbury恒等式更新别硬求逆。3.3 伪代码与每步含义把上面的步骤写成伪代码逻辑一目了然。我习惯用Python风格写方便直接改成可运行的脚本。import numpy as np # H: N x K 信道矩阵, P: 总功率, sigma2: 噪声功率 # alpha: 用户权重, max_iter: 最大迭代次数, tol: 收敛阈值 def qtm_weighted_sum_rate(H, P, sigma2, alpha, max_iter100, tol1e-4): N, K H.shape # 初始化最大比传输按功率均分 W np.zeros((N, K), dtypecomplex) for k in range(K): W[:, k] np.sqrt(P / K) * H[:, k] / np.linalg.norm(H[:, k]) prev_obj 0.0 for t in range(max_iter): # 1. 计算当前每个用户的干扰加噪声 G np.abs(H.conj().T W) ** 2 # K x K第 (k,j) 项是 |h_k^H w_j|^2 I G.sum(axis1) - np.diag(G) sigma2 sinr np.diag(G) / I # 2. 更新 mu 和 y mu sinr y np.zeros(K, dtypecomplex) for k in range(K): y[k] (1 mu[k]) * (H[:, k].conj() W[:, k]) / I[k] # 3. 固定 y二分搜索 lambda 解功率约束下的凸子问题 A (H * np.abs(y) ** 2) H.conj().T # N x N b H (y * alpha / (1 mu)) # N x 1方向项 lo, hi 0.0, 1e6 for _ in range(40): lam 0.5 * (lo hi) W_new np.linalg.solve(A lam * np.eye(N), b) if np.sum(np.abs(W_new) ** 2) P: lo lam else: hi lam W_new np.linalg.solve(A 0.5 * (lo hi) * np.eye(N), b) # 4. 计算目标值并检查收敛 G_new np.abs(H.conj().T W_new) ** 2 I_new G_new.sum(axis1) - np.diag(G_new) sigma2 sinr_new np.diag(G_new) / I_new obj np.sum(alpha * np.log2(1 sinr_new)) if abs(obj - prev_obj) / (abs(prev_obj) 1e-12) tol: W W_new break W, prev_obj W_new, obj return W, obj逐段说明一下第1步算干扰矩阵 $G$对角线是自己对自己的增益非对角线是泄漏第2步的 $y$ 更新是关键注意分子里的 $(1\mu)$ 来自对数变换少了这一项收敛会慢很多第3步的两层二分外层二分 $\lambda$、内层解线性方程组是整套算法计算量的大头第4步用目标值的相对变化判断收敛比直接看 $w$ 的变化更稳因为 $w$ 的相位可能来回转但目标已经不动了。我在实现里犯过一个低级错误$A$ 矩阵的构造写成了H diag(|y|^2) H^H但漏了共轭导致 $A$ 不是Hermitian求逆结果出现虚部漂移迭代几十轮后波束范数爆炸。修法很简单H.conj().T别写成H.T复数矩阵的转置和共轭转置是两码事。3.4 仿真配置与结果记录跑仿真的目的是验证QTM到底有没有用所以我对比了三种方案MRT最大比传输忽略多用户干扰、ZF迫零强行消干扰、QTM本文方法。信道每次随机生成跑500次取平均避免单次结果的偶然性。方案平均和速率bps/Hz单次求解耗时ms备注MRT10.20.05最快但用户间干扰严重ZF11.50.12干扰压住了但牺牲了有用信号增益QTM12.81.8性能最好耗时在可接受范围结果符合预期QTM比MRT高约25%比ZF高约11%代价是求解时间上去了。1.8 ms 对基带处理来说完全可接受一个时隙通常是0.5 ms到1 ms量级实际部署会做定点化和并行优化。收敛曲线我看了下前5次迭代目标值涨得最快10次之后基本贴住18次左右达到阈值和前面估的差不多。有个现象值得说用户数 $K$ 增大时QTM相对ZF的优势会收窄。$K4$ 时领先11%$K8$ 时只领先6%左右。原因不难理解——用户越多ZF的干扰消除越划算而QTM的优势主要来自对有用信号和干扰的精细权衡用户密集时这个权衡空间被压缩。所以如果你的场景是用户数远小于天线数QTM的增益更明显用户数和天线数接近时要重新评估值不值得上这套迭代。4. 常见问题与排查技巧实录4.1 迭代不收敛或者目标值掉下去这是最常被问到的问题。QTM理论上目标单调不减但代码跑出来目标值偶尔往下掉八成是这几个原因。第一种子问题没解到最优。二分搜索 $\lambda$ 时迭代次数给少了功率约束没满足或者解偏离了最优。我一般把二分次数设到40次以上误差能压到 $10^{-6}$ 量级。如果你图省事用了固定的 $\lambda$那目标不单调是必然的因为固定 $\lambda$ 相当于在解一个近似子问题。第二种$y$ 的更新用了旧的干扰值。更新 $y_k$ 时用的 $I_k$ 必须是当前这轮的 $w$ 算出来的如果代码里缓存了上一轮的 $I$交替就变成了各算各的单调性直接崩。这个坑很隐蔽因为单看每一步都有更新但顺序错了。第三种浮点误差累积。迭代几十轮后$A$ 矩阵的条件数可能变得很差求逆结果漂移。治标的方法是每轮对 $w_k$ 做一次归一化再缩放回功率治本的方法是给 $A\lambda I$ 加一个极小的正则项比如 $10^{-10}I$代价是引入一点点偏差但数值稳定性大幅提升。4.2 辅助变量初值怎么给QTM对初值没有Dinkelbach那么敏感但给得好能少迭代好几轮。我试过三种初始化初始化方式平均收敛迭代数最终和速率评价全零4512.3前几轮几乎不动浪费随机相位均分功率3012.6不稳定偶尔卡在次优MRT1812.8稳定且快推荐结论很明确用MRT初始化。$w_k^{(0)} \sqrt{P/K}\cdot h_k/|h_k|$每用户分相同的功率方向对准自己的信道。这个初值物理意义清晰离最优不会太远而且实现只要一行代码。辅助变量 $y$ 和 $\mu$ 的初值反而不用太纠结它们在第一轮就会被更新覆盖。我一般直接设 $\mu0$、$y$ 按第一轮的 $w$ 算简单可靠。心得如果你做的是最大最小公平性而不是和速率初始化要更小心。MRT会让信道好的用户占优最小SINR用户的初值很低收敛会慢。这时候可以先用ZF初始化压一下干扰再切到QTM混合初始化比单一初始化稳。4.3 功率约束与数值稳定性功率约束看似简单实现时坑不少尤其是做定点化移植的时候。第一个坑是约束的形式。$\sum_k|w_k|^2\leq P$ 是总功率约束对应一个共享的 $\lambda$如果是每根天线独立的功率约束 $|[W]_{n,:}|^2\leq P_n$$\lambda$ 就变成向量需要对每个天线分别二分。两种约束的代码结构完全不同移植时先确认清楚。第二个坑是功率没真正用满。二分收敛后如果总功率明显小于 $P$说明 $\lambda$ 的下界设得太大了或者 $b$ 向量的量纲有问题。我一般加一个断言$\sum_k|w_k|^2 \geq 0.99P$不满足就打印 $\lambda$ 的搜索区间出来看。第三个坑是dBm和线性值混用。前面提过噪声换算这里再说功率约束里的 $P$ 是线性瓦特目标函数里的 $\log_2$ 不涉及单位但如果你从配置文件读进来的是 dBm一定要在入口处统一转成线性值别在循环里来回转容易漏。4.4 问题速查表把上面这些整理成一张表出问题时按图索骥能省不少时间。现象最可能的原因排查动作修复方式目标值震荡不收敛$y$ 或 $I$ 用了旧值打印每轮目标和 $I$严格按算 $I$ → 更新 $y$ → 解 $w$顺序目标值单调但很低初始化太差或卡在次优换MRT初始化重跑必要时多起点取最优波束范数爆炸矩阵非Hermitian或求逆病态检查共轭转置、看条件数修正conj().T加正则项功率约束不满足二分次数不足或区间错打印 $\sum|w|^2$ 和 $\lambda$增加二分次数检查区间速率量级明显不对单位没统一核对噪声和功率的单位入口处统一转线性值收敛特别慢权重 $\alpha$ 差异过大看各用户SINR分布归一化权重或分簇处理这张表是我从三个项目里攒出来的不敢说覆盖所有情况但八成以上的问题能在里面找到线索。5. 把QTM用到更复杂的MISO变体5.1 多用户与用户配对单小区多用户跑通之后下一步自然是往多小区或者用户配对走。多小区场景里干扰不再只是自己小区内其他用户漏过来的还有邻区的波束。这时候SINR的分母会多出一大块QTM的框架不用改只是 $I_k$ 的计算要遍历邻区信道。麻烦在于变量耦合跨越了小区边界交替优化容易在小区之间推皮球收敛变慢。我的做法是先做小区间协调比如时分或者功率协调把耦合降下来再在每个小区内部跑QTM相当于把大问题拆成几个小问题。用户配对是另一个常见变体。当用户数超过射频链路数时需要把用户分组每组共享一个波束。配对策略直接影响QTM能拿到多少增益。我的经验是信道相关性低的用户配一对因为他们的波束方向差异大QTM的权衡空间更足如果把信道几乎相同的两个用户配一起QTM退化成单用户问题白白浪费算力。配对可以先用简单的正交性度量粗筛再对候选组合跑QTM比较速率虽然多花点时间但结果比拍脑袋强。5.2 RIS辅助MISO智能反射面RIS这两年很热本质上是在基站和用户之间加一面可调的镜子通过调相位把信号反射到用户方向。RIS辅助MISO的优化变量变成两组基站的波束 $w$ 和反射面的相移 $\theta$。目标里的SINR仍然是分式但分子变成了 $|h_r^H\Theta G w h_d^H w|^2$ 这种级联形式比分式本身更绕。QTM在这里依然能用处理套路是分层交替固定相移用QTM优化波束固定波束用QTM或者流形优化更新相移。相移那一步因为模一约束每个反射单元幅度固定不能直接套二次变换的闭式解通常用黎曼流形上的梯度上升或者交替方向乘子法。我在一个小规模仿真里试过$N4$ 天线、32个反射单元QTM加流形优化比纯随机相位高出一大截但收敛对相移初值比较敏感随机初始化多次取最优是常态。注意RIS场景的变量维度容易膨胀32个反射单元就是32个相位变量加上波束向量联合优化的计算量增长很快。实际落地时通常做降维比如把反射单元分块每块共享一个相位牺牲一点性能换可实时性。5.3 什么时候别硬上QTM技术分享最怕只讲优点不讲边界QTM不是万能锤有几种情况我建议你别硬上。第一种目标根本没有分式结构。比如你只是做纯波束对准、最大化接收功率那MRT闭式解就够了上QTM是杀鸡用牛刀还引入了迭代开销。第二种变量维度极高且实时性要求苛刻。QTM每轮要解一个 $N\times N$ 的线性方程组$N$ 上千时单轮就够呛。这种场景更适合用深度学习做端到端近似或者用码本搜索精度换速度。第三种约束是非凸且和分式强耦合。比如恒模约束、离散相位约束同时存在QTM拆完分式后子问题还是非凸交替优化的收敛性就没保证了这时候要考虑专门的离散优化或者松弛加取整。第四种你需要严格的全局最优证明。QTM收敛到驻点给不了全局最优证书。如果应用场景要求可证明的最优性比如某些资源分配的基准对比得用分支定界或者半正定松弛这类能给出界的方法。说到底QTM是一个把分式拆成凸子问题的工具它的价值在于降低单步求解难度而不是保证全局最优。认清这一点用起来就不会有落差。我个人在实际项目里的体会是QTM最舒服的用武之地是那些分式结构清晰、变量规模中等、能接受迭代的中等复杂度问题。它不像WMMSE那样推导链条长也不像SCA那样参数多一个辅助变量、两步交替、几行闭式解调试起来心里有底。真要上大规模或者强实时还是得回到工程近似的老路上去。另外提醒一句如果你在复现别人的结果时发现QTM和文献对不上先检查辅助变量的定义里有没有漏掉共轭或者缩放因子这类小符号差异在实际代码里会被放大成收敛行为的不同我在这上面吃过不止一次亏。
我最近在调一个多天线下行链路的波束赋形基站端一排天线终端只有一根典型的MISO配置。真到写目标函数的时候才发现麻烦一旦把可达速率除以总功耗或者有用信号除以干扰加噪声这种比值塞进优化问题那个除号就像卡在齿轮里的石子原本顺手的凸优化工具立刻使不上劲。二次变换Quadratic Transformation MethodQTM就是在这个节点上进入视野的——它用一个辅助变量把分式掰直让每一轮子问题重新变成可解的凸问题。这篇就把QTM在MISO场景里的原理、推导、落地流程和我踩过的坑一次性讲透。适合谁看做过波束赋形、功率分配、智能反射面相位优化或者正在被分式规划卡住的通信/信号处理方向的朋友如果你只是刚接触凸优化文中的生活化类比和参数表也能让你跟下来。我会尽量把为什么这么变讲清楚而不是甩一堆公式让你自己悟。1. 为什么MISO场景里绕不开分式规划1.1 MISO到底在优化什么从一根天线到一排天线先把场景摆清楚。MISO指基站侧有多根发射天线、终端侧只有一根接收天线。之所以大量系统采用这个配置是因为终端做多天线受体积和功耗限制而基站侧堆天线相对容易还能靠波束赋形把能量捏成一个方向打出去。基站发射信号可以写成 $x \sum_k w_k s_k$其中 $w_k$ 是第 $k$ 个用户的波束向量$s_k$ 是归一化符号终端 $k$ 收到的信号是 $y_k h_k^H w_k s_k \sum_{j\neq k} h_k^H w_j s_j n_k$。这里的 $h_k$ 是基站到用户 $k$ 的信道向量$n_k$ 是噪声。你真正关心的不是瞬时电压而是信干噪比$$\gamma_k \frac{|h_k^H w_k|^2}{\sum_{j\neq k}|h_k^H w_j|^2 \sigma^2}$$以及由它派生的可达速率 $R_k \log_2(1\gamma_k)$。注意这个式子的结构分子是我想要的那份能量分母是别人漏过来的能量加噪声。只要分母不为常数问题天然就是分式。MISO优化的核心矛盾就在这里——天线越多$w_k$ 的维度越高可调的余地越大但目标函数的非凸分式结构也越难直接处理。很多新手会想当然既然 $\gamma_k$ 是分式那我直接对 $w_k$ 求导令其为零不就行了单用户、无约束、分母只有噪声时确实可以那就是最大比传输MRT闭式解写得漂漂亮亮。但一旦有多用户干扰、有总功率约束、有能量效率目标导数方程就变成耦合的高阶多项式硬解基本没戏。这就是为什么工程上要走迭代优化的路子。1.2 分式目标的两种典型形态SINR与能量效率实际项目里分式目标主要出现在两类问题上认清形态才知道该用哪把刀。第一类是信干噪比型。多用户加权和速率最大化、最大最小公平性波束赋形目标里都嵌着 $\gamma_k$。这类问题的分式藏在里面外面还套了一层 $\log$ 或者 $\min$。它的特点是非凸性主要来自分子分母的二次型耦合一旦把分式拆开子问题往往能变成凸的。第二类是能量效率型。比如最大化每焦耳能传多少比特$$\text{EE}(w) \frac{\log_2(1\gamma(w))}{P_c |w|^2}$$分子是速率分母是电路静态功耗 $P_c$ 加上发射功率。这种目标在绿色通信、物联网回传里非常常见。它的麻烦在于分子本身也是非线性的分母又是二次的两层非线性叠在一起。两类问题的共同点是目标可以写成 $\frac{f(x)}{g(x)}$ 的形式且 $g(x)0$。只要落进这个框架二次变换就有了用武之地。我在项目里一般先判断分式外面套了几层非线性套得少的直接上QTM套得多的比如分子是 $\log$ 再除以二次型会考虑先做一次变量替换或者用拉格朗日对偶变换把 $\log$ 拆掉再交给QTM处理剩余的分式。1.3 老方法的痛点Dinkelbach、SCA与WMMSE的取舍在下决心用QTM之前我把几条常见路线都试了一遍各自的毛病值得说清楚免得你重复走弯路。Dinkelbach方法是处理分式规划的老牌选手。思路是把 $\max \frac{f}{g}$ 转成外层迭代给定一个参数 $\lambda$内层求解 $\max f - \lambda g$根据结果更新 $\lambda$。它收敛很快通常十几次外层迭代就能到位。痛点在于它是两层结构——外层更新 $\lambda$内层还要完整解一个凸问题。如果你的内层本身就是大规模二次规划两层叠起来单次运行时间会很难看。而且 $\lambda$ 的初值如果离最优太远前几轮基本在做无用功。SCA连续凸近似更通用做法是对非凸项做一阶或二阶泰勒展开用凸的替代函数去逼近。它的好处是几乎什么形状都能套坏处是对初始可行点敏感步长没调好容易震荡而且每次迭代要解一个带信任域的问题参数一多调起来很烦。我早期一个版本用SCA做和速率最大化收敛曲线像心电图调了三天才发现是展开点选在了功率约束边界上。WMMSE在MISO和速率最大化里几乎是标杆通过均方误差的等价变换把问题转成交替优化收敛性和性能都很好。但它和QTM其实是亲戚——两者在处理SINR分式时导出的迭代结构高度相似很多文献里把它们放在同一个框架下讨论。WMMSE的推导链条更长对新手不太友好QTM的形式更统一一个辅助变量走天下理解成本低一些。我的取舍经验是目标里分式结构清晰、变量维度中等、想要闭式解或轻量迭代优先QTM需要极致收敛速度且能接受两层结构Dinkelbach非凸项五花八门、没有统一分式结构SCA兜底。这个判断不绝对但能帮你快速定位方向。2. 二次变换的核心原理一个辅助变量消掉除号2.1 标量形式从不等式到等式QTM最迷人的地方是它的核心恒等式短得可以写在一张便签上。考虑最大化问题 $\max_x \frac{f(x)}{g(x)}$其中 $f(x)\geq 0$、$g(x)0$。引入一个辅助变量 $y$有$$\frac{f(x)}{g(x)} \max_{y}\ \left(2y\sqrt{f(x)} - y^2 g(x)\right)$$右边对 $y$ 是一个开口向下的二次函数求导令其为零$2\sqrt{f(x)} - 2y g(x) 0$得到最优辅助变量 $y^\star \frac{\sqrt{f(x)}}{g(x)}$。把它代回去恰好得到 $\frac{f(x)}{g(x)}$。也就是说原分式问题等价于对 $x$ 和 $y$ 联合最大化右边。这个变换的妙处在于原来 $x$ 同时出现在分子分母里耦合在一起变换之后$y$ 把 $\sqrt{f(x)}$ 这部分拎了出来$x$ 在右边虽然还出现两次但结构变成了一个线性项减去一个二次项。如果 $f$ 和 $g$ 都是二次型右边对 $x$ 就是凹的最大化凹函数是凸优化可以放心解。这就是二次变换名字的由来——它把分式变成了二次型附近的优化。生活化一点理解分式像两个人绑着腿跑步谁也迈不开辅助变量相当于给其中一个人松了绑先让他按当前节奏跑另一个人再调整轮流来整体反而跑得快。注意这个恒等式成立的前提是 $f(x)\geq 0$。如果 $f$ 可能取负右边的最优值会偏离原分式变换就失效了。MISO里 $f$ 通常是能量或速率非负性天然满足但你写代码时最好加一个断言兜底。2.2 复数形式与相位吸收MISO的波束向量是复数的直接套标量形式会遇到 $\sqrt{f}$ 开根号的问题。工程上的标准做法是利用复数相位自由度把根号吸收进辅助变量。以单用户SINR型分式为例$f(w) |h^H w|^2$$g(w) w^H Q w \sigma^2$。引入复数辅助变量 $y$变换写成$$\frac{|h^H w|^2}{g(w)} \max_{y}\ \left(2\Re{y^* h^H w} - |y|^2 g(w)\right)$$验证一下对 $y^$ 求偏导Wirtinger意义下$h^H w - y, g(w) 0$得到 $y^\star \frac{h^H w}{g(w)}$。代回右边第一项是 $2\Re{\frac{(h^H w)^}{g} h^H w} \frac{2|h^H w|^2}{g}$第二项是 $\frac{|h^H w|^2}{g^2}\cdot g \frac{|h^H w|^2}{g}$相减正好是 $\frac{|h^H w|^2}{g}$。关键在于$\Re{y^* h^H w}$ 对 $w$ 是线性的而 $-|y|^2 g(w)$ 在 $g$ 为二次型时是凹二次的。线性加凹二次整体对 $w$ 是凹函数。原来那个让凸优化工具束手无策的分式被拆成了线性项减二次项子问题可以直接用KKT条件求闭式解。这是QTM在MISO里真正的杀手锏。我在推导时踩过一个坑一开始把 $y$ 当成实数处理结果相位对不上迭代出来的波束方向总是偏。复数辅助变量必须允许取任意相位$y^\star$ 的相位自动对齐 $h^H w$ 的相位这一步不能省。2.3 交替优化的单调性与收敛性有了变换求解就变成两步交替第一步固定 $w$更新 $y$。直接套闭式 $y_k^\star \frac{h_k^H w_k}{I_k}$其中 $I_k \sum_{j\neq k}|h_k^H w_j|^2 \sigma^2$ 是当前干扰加噪声。这一步是精确的没有近似。第二步固定 $y$更新 $w$。此时目标变成对 $w$ 的凹函数加上功率约束 $\sum_k |w_k|^2 \leq P$是一个标准的凸二次约束问题用拉格朗日乘子法几步就能写出闭式解或者用内点法快速求解。为什么这样交替一定收敛直观上每一步都是在给定对方的情况下把自己的那部分做到最好目标函数值单调不减。又因为目标有上界功率有限速率不可能无限涨单调有界序列必然收敛。数学上更严格的说法是QTM属于块坐标上升BCA的一个特例在温和条件下比如子问题解唯一或者满足某些正则性能收敛到驻点。但我要提醒一句收敛到的是驻点不保证全局最优。分式规划本身是非凸的QTM通过交替把非凸问题拆成一串凸子问题本质上是在做局部搜索。初始点给得好结果就靠近全局给得差可能停在次优解。这一点在后面的初始化部分会详细说。2.4 与Dinkelbach的关系为什么有时等价有个细节值得展开当 $f$ 是二次型、$g$ 也是二次型时QTM和Dinkelbach在数学上会导出非常接近的迭代。Dinkelbach的外层参数 $\lambda$ 和内层的辅助变量 $y$ 在最优处满足 $\lambda |y|^2$ 这样的对应关系。换句话说QTM把Dinkelbach的两层结构压成了一层交替少了一层循环单次迭代更轻。这也解释了一个常见困惑为什么有些论文里QTM收敛需要的迭代次数和Dinkelbach差不多因为两者在信息利用上是等价的差别主要在实现复杂度和每步的计算量。QTM每步只需要算一个闭式 $y$ 和一个凸子问题Dinkelbach每步要完整解一个带参数的问题工程实现上QTM的代码更短调试也更直观。我在一个中等规模的问题上做过对比$N8$ 天线、$K4$ 用户QTM平均18次交替收敛Dinkelbach外层12次、每次内层解一个8维二次规划总耗时QTM反而更短。规模再大一些差距会更明显因为QTM的子问题有闭式解Dinkelbach的内层还是得靠通用求解器。3. MISO场景下的落地流程3.1 系统模型与参数表把原理落成代码之前先把模型和参数钉死。我用的是一套标准的单小区下行MISO配置基站 $N$ 根天线服务 $K$ 个单天线用户信道建模为独立同分布复高斯这是仿真里最常用的基线实际系统会加相关性但先跑通原理再说。参数符号取值说明基站天线数$N$8中等规模兼顾性能和求解速度用户数$K$4每用户单天线总发射功率$P$1 W30 dBm约束 $\sum_k|w_k|^2\leq P$噪声功率$\sigma^2$-90 dBm换算成线性值约 $10^{-12}$ W收敛阈值$\epsilon$$10^{-4}$波束向量相对变化小于此值停止最大迭代$T_{\max}$100防止死循环的保险丝目标函数选加权和速率最大化$$\max_{{w_k}}\ \sum_{k1}^{K}\alpha_k\log_2(1\gamma_k)\quad \text{s.t.}\ \sum_k|w_k|^2\leq P$$权重 $\alpha_k$ 用来体现用户优先级等权时就是普通和速率。选这个目标是因为它同时包含SINR分式和 $\log$ 非线性是检验QTM是否好用的试金石。这里补一句参数换算的细节很多新手会在这里翻车噪声功率给的 -90 dBm 是 dBm 单位进公式前必须转成瓦特$10^{-90/10}\ \text{mW} 10^{-12}\ \text{W}$。功率 30 dBm 对应 $10^{30/10}\ \text{mW} 10^3\ \text{mW} 1\ \text{W}$。单位不统一算出来的SINR能差好几个数量级我第一次跑仿真时速率只有零点几查了半天才发现是噪声忘了换算。3.2 加权和速率的QTM迭代加权和速率里$\log$ 外面套着SINR分式不能直接对整个目标做二次变换。工程上常用的处理是先对数、后分式先用拉格朗日对偶变换把 $\log$ 拆开再对拆出来的SINR用QTM。为了不让推导吓退人我把两层变换合并后的等价迭代写出来你照着用就行。对每个用户引入辅助变量 $\mu_k\geq 0$ 和复数辅助变量 $y_k$交替执行更新 $\mu_k$$\mu_k \gamma_k$即当前SINR值。更新 $y_k$$y_k \frac{(1\mu_k),h_k^H w_k}{I_k}$其中 $I_k$ 是当前干扰加噪声。更新 $w_k$解一个凸二次约束问题闭式形式为 $w_k \left(\sum_j |y_j|^2 h_j h_j^H \lambda I\right)^{-1} y_k h_k$ 的缩放版本其中 $\lambda$ 是功率约束的拉格朗日乘子通过二分法搜索使其满足总功率约束。第三步是整套流程里唯一需要稍微动点脑筋的地方。$\lambda$ 的搜索逻辑是$\lambda$ 越大解出来的 $|w_k|$ 越小总功率超了就增大 $\lambda$没用满就减小。二分个二三十次精度就足够了比调用通用凸优化求解器快一个数量级。提示第三步的矩阵求逆是 $N\times N$ 的$N$ 不大时直接求逆没问题如果天线数上百建议用共轭梯度或者Woodbury恒等式更新别硬求逆。3.3 伪代码与每步含义把上面的步骤写成伪代码逻辑一目了然。我习惯用Python风格写方便直接改成可运行的脚本。import numpy as np # H: N x K 信道矩阵, P: 总功率, sigma2: 噪声功率 # alpha: 用户权重, max_iter: 最大迭代次数, tol: 收敛阈值 def qtm_weighted_sum_rate(H, P, sigma2, alpha, max_iter100, tol1e-4): N, K H.shape # 初始化最大比传输按功率均分 W np.zeros((N, K), dtypecomplex) for k in range(K): W[:, k] np.sqrt(P / K) * H[:, k] / np.linalg.norm(H[:, k]) prev_obj 0.0 for t in range(max_iter): # 1. 计算当前每个用户的干扰加噪声 G np.abs(H.conj().T W) ** 2 # K x K第 (k,j) 项是 |h_k^H w_j|^2 I G.sum(axis1) - np.diag(G) sigma2 sinr np.diag(G) / I # 2. 更新 mu 和 y mu sinr y np.zeros(K, dtypecomplex) for k in range(K): y[k] (1 mu[k]) * (H[:, k].conj() W[:, k]) / I[k] # 3. 固定 y二分搜索 lambda 解功率约束下的凸子问题 A (H * np.abs(y) ** 2) H.conj().T # N x N b H (y * alpha / (1 mu)) # N x 1方向项 lo, hi 0.0, 1e6 for _ in range(40): lam 0.5 * (lo hi) W_new np.linalg.solve(A lam * np.eye(N), b) if np.sum(np.abs(W_new) ** 2) P: lo lam else: hi lam W_new np.linalg.solve(A 0.5 * (lo hi) * np.eye(N), b) # 4. 计算目标值并检查收敛 G_new np.abs(H.conj().T W_new) ** 2 I_new G_new.sum(axis1) - np.diag(G_new) sigma2 sinr_new np.diag(G_new) / I_new obj np.sum(alpha * np.log2(1 sinr_new)) if abs(obj - prev_obj) / (abs(prev_obj) 1e-12) tol: W W_new break W, prev_obj W_new, obj return W, obj逐段说明一下第1步算干扰矩阵 $G$对角线是自己对自己的增益非对角线是泄漏第2步的 $y$ 更新是关键注意分子里的 $(1\mu)$ 来自对数变换少了这一项收敛会慢很多第3步的两层二分外层二分 $\lambda$、内层解线性方程组是整套算法计算量的大头第4步用目标值的相对变化判断收敛比直接看 $w$ 的变化更稳因为 $w$ 的相位可能来回转但目标已经不动了。我在实现里犯过一个低级错误$A$ 矩阵的构造写成了H diag(|y|^2) H^H但漏了共轭导致 $A$ 不是Hermitian求逆结果出现虚部漂移迭代几十轮后波束范数爆炸。修法很简单H.conj().T别写成H.T复数矩阵的转置和共轭转置是两码事。3.4 仿真配置与结果记录跑仿真的目的是验证QTM到底有没有用所以我对比了三种方案MRT最大比传输忽略多用户干扰、ZF迫零强行消干扰、QTM本文方法。信道每次随机生成跑500次取平均避免单次结果的偶然性。方案平均和速率bps/Hz单次求解耗时ms备注MRT10.20.05最快但用户间干扰严重ZF11.50.12干扰压住了但牺牲了有用信号增益QTM12.81.8性能最好耗时在可接受范围结果符合预期QTM比MRT高约25%比ZF高约11%代价是求解时间上去了。1.8 ms 对基带处理来说完全可接受一个时隙通常是0.5 ms到1 ms量级实际部署会做定点化和并行优化。收敛曲线我看了下前5次迭代目标值涨得最快10次之后基本贴住18次左右达到阈值和前面估的差不多。有个现象值得说用户数 $K$ 增大时QTM相对ZF的优势会收窄。$K4$ 时领先11%$K8$ 时只领先6%左右。原因不难理解——用户越多ZF的干扰消除越划算而QTM的优势主要来自对有用信号和干扰的精细权衡用户密集时这个权衡空间被压缩。所以如果你的场景是用户数远小于天线数QTM的增益更明显用户数和天线数接近时要重新评估值不值得上这套迭代。4. 常见问题与排查技巧实录4.1 迭代不收敛或者目标值掉下去这是最常被问到的问题。QTM理论上目标单调不减但代码跑出来目标值偶尔往下掉八成是这几个原因。第一种子问题没解到最优。二分搜索 $\lambda$ 时迭代次数给少了功率约束没满足或者解偏离了最优。我一般把二分次数设到40次以上误差能压到 $10^{-6}$ 量级。如果你图省事用了固定的 $\lambda$那目标不单调是必然的因为固定 $\lambda$ 相当于在解一个近似子问题。第二种$y$ 的更新用了旧的干扰值。更新 $y_k$ 时用的 $I_k$ 必须是当前这轮的 $w$ 算出来的如果代码里缓存了上一轮的 $I$交替就变成了各算各的单调性直接崩。这个坑很隐蔽因为单看每一步都有更新但顺序错了。第三种浮点误差累积。迭代几十轮后$A$ 矩阵的条件数可能变得很差求逆结果漂移。治标的方法是每轮对 $w_k$ 做一次归一化再缩放回功率治本的方法是给 $A\lambda I$ 加一个极小的正则项比如 $10^{-10}I$代价是引入一点点偏差但数值稳定性大幅提升。4.2 辅助变量初值怎么给QTM对初值没有Dinkelbach那么敏感但给得好能少迭代好几轮。我试过三种初始化初始化方式平均收敛迭代数最终和速率评价全零4512.3前几轮几乎不动浪费随机相位均分功率3012.6不稳定偶尔卡在次优MRT1812.8稳定且快推荐结论很明确用MRT初始化。$w_k^{(0)} \sqrt{P/K}\cdot h_k/|h_k|$每用户分相同的功率方向对准自己的信道。这个初值物理意义清晰离最优不会太远而且实现只要一行代码。辅助变量 $y$ 和 $\mu$ 的初值反而不用太纠结它们在第一轮就会被更新覆盖。我一般直接设 $\mu0$、$y$ 按第一轮的 $w$ 算简单可靠。心得如果你做的是最大最小公平性而不是和速率初始化要更小心。MRT会让信道好的用户占优最小SINR用户的初值很低收敛会慢。这时候可以先用ZF初始化压一下干扰再切到QTM混合初始化比单一初始化稳。4.3 功率约束与数值稳定性功率约束看似简单实现时坑不少尤其是做定点化移植的时候。第一个坑是约束的形式。$\sum_k|w_k|^2\leq P$ 是总功率约束对应一个共享的 $\lambda$如果是每根天线独立的功率约束 $|[W]_{n,:}|^2\leq P_n$$\lambda$ 就变成向量需要对每个天线分别二分。两种约束的代码结构完全不同移植时先确认清楚。第二个坑是功率没真正用满。二分收敛后如果总功率明显小于 $P$说明 $\lambda$ 的下界设得太大了或者 $b$ 向量的量纲有问题。我一般加一个断言$\sum_k|w_k|^2 \geq 0.99P$不满足就打印 $\lambda$ 的搜索区间出来看。第三个坑是dBm和线性值混用。前面提过噪声换算这里再说功率约束里的 $P$ 是线性瓦特目标函数里的 $\log_2$ 不涉及单位但如果你从配置文件读进来的是 dBm一定要在入口处统一转成线性值别在循环里来回转容易漏。4.4 问题速查表把上面这些整理成一张表出问题时按图索骥能省不少时间。现象最可能的原因排查动作修复方式目标值震荡不收敛$y$ 或 $I$ 用了旧值打印每轮目标和 $I$严格按算 $I$ → 更新 $y$ → 解 $w$顺序目标值单调但很低初始化太差或卡在次优换MRT初始化重跑必要时多起点取最优波束范数爆炸矩阵非Hermitian或求逆病态检查共轭转置、看条件数修正conj().T加正则项功率约束不满足二分次数不足或区间错打印 $\sum|w|^2$ 和 $\lambda$增加二分次数检查区间速率量级明显不对单位没统一核对噪声和功率的单位入口处统一转线性值收敛特别慢权重 $\alpha$ 差异过大看各用户SINR分布归一化权重或分簇处理这张表是我从三个项目里攒出来的不敢说覆盖所有情况但八成以上的问题能在里面找到线索。5. 把QTM用到更复杂的MISO变体5.1 多用户与用户配对单小区多用户跑通之后下一步自然是往多小区或者用户配对走。多小区场景里干扰不再只是自己小区内其他用户漏过来的还有邻区的波束。这时候SINR的分母会多出一大块QTM的框架不用改只是 $I_k$ 的计算要遍历邻区信道。麻烦在于变量耦合跨越了小区边界交替优化容易在小区之间推皮球收敛变慢。我的做法是先做小区间协调比如时分或者功率协调把耦合降下来再在每个小区内部跑QTM相当于把大问题拆成几个小问题。用户配对是另一个常见变体。当用户数超过射频链路数时需要把用户分组每组共享一个波束。配对策略直接影响QTM能拿到多少增益。我的经验是信道相关性低的用户配一对因为他们的波束方向差异大QTM的权衡空间更足如果把信道几乎相同的两个用户配一起QTM退化成单用户问题白白浪费算力。配对可以先用简单的正交性度量粗筛再对候选组合跑QTM比较速率虽然多花点时间但结果比拍脑袋强。5.2 RIS辅助MISO智能反射面RIS这两年很热本质上是在基站和用户之间加一面可调的镜子通过调相位把信号反射到用户方向。RIS辅助MISO的优化变量变成两组基站的波束 $w$ 和反射面的相移 $\theta$。目标里的SINR仍然是分式但分子变成了 $|h_r^H\Theta G w h_d^H w|^2$ 这种级联形式比分式本身更绕。QTM在这里依然能用处理套路是分层交替固定相移用QTM优化波束固定波束用QTM或者流形优化更新相移。相移那一步因为模一约束每个反射单元幅度固定不能直接套二次变换的闭式解通常用黎曼流形上的梯度上升或者交替方向乘子法。我在一个小规模仿真里试过$N4$ 天线、32个反射单元QTM加流形优化比纯随机相位高出一大截但收敛对相移初值比较敏感随机初始化多次取最优是常态。注意RIS场景的变量维度容易膨胀32个反射单元就是32个相位变量加上波束向量联合优化的计算量增长很快。实际落地时通常做降维比如把反射单元分块每块共享一个相位牺牲一点性能换可实时性。5.3 什么时候别硬上QTM技术分享最怕只讲优点不讲边界QTM不是万能锤有几种情况我建议你别硬上。第一种目标根本没有分式结构。比如你只是做纯波束对准、最大化接收功率那MRT闭式解就够了上QTM是杀鸡用牛刀还引入了迭代开销。第二种变量维度极高且实时性要求苛刻。QTM每轮要解一个 $N\times N$ 的线性方程组$N$ 上千时单轮就够呛。这种场景更适合用深度学习做端到端近似或者用码本搜索精度换速度。第三种约束是非凸且和分式强耦合。比如恒模约束、离散相位约束同时存在QTM拆完分式后子问题还是非凸交替优化的收敛性就没保证了这时候要考虑专门的离散优化或者松弛加取整。第四种你需要严格的全局最优证明。QTM收敛到驻点给不了全局最优证书。如果应用场景要求可证明的最优性比如某些资源分配的基准对比得用分支定界或者半正定松弛这类能给出界的方法。说到底QTM是一个把分式拆成凸子问题的工具它的价值在于降低单步求解难度而不是保证全局最优。认清这一点用起来就不会有落差。我个人在实际项目里的体会是QTM最舒服的用武之地是那些分式结构清晰、变量规模中等、能接受迭代的中等复杂度问题。它不像WMMSE那样推导链条长也不像SCA那样参数多一个辅助变量、两步交替、几行闭式解调试起来心里有底。真要上大规模或者强实时还是得回到工程近似的老路上去。另外提醒一句如果你在复现别人的结果时发现QTM和文献对不上先检查辅助变量的定义里有没有漏掉共轭或者缩放因子这类小符号差异在实际代码里会被放大成收敛行为的不同我在这上面吃过不止一次亏。
