RIS文献

1.Weighted Sum-Rate Maximization for Reconfigurable Intelligent Surface Aided Wireless Networks

RIS经典论文1
—可重构智能表面辅助无线网络的加权和速率最大化

摘要

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考
可重构智能表面 (RIS) 是一种很有前途的解决方案，可通过可重构无源元件以完全可定制的方式控制入射信号，从而构建可编程无线环境。 在本文中，我们考虑了一个 RIS 辅助的多用户多输入单输出 (MISO) 下行链路通信系统。 我们的目标是通过联合设计接入点 (AP) 的波束形成和 RIS 元素的相位矢量来最大化所有用户的加权和速率 (WSR)，同时完美的信道状态信息 (CSI) 设置和 不完善的 CSI 设置进行了调查。 针对完美的 CSI 设置，提出了一种利用分数规划技术获得联合设计问题的平稳解的低复杂度算法。 然后，我们求助于随机逐次凸逼近技术，并将所提出的算法扩展到CSI不完美的场景。 数值结果证实了所提出方法的有效性。 特别是，当信道不确定性小于 10% 时，所提出的算法表现得非常好。

一、引言

    可重构智能面（RIS），也称为智能反射面，是一种由无源无线电元件组成的人工结构，每个无源无线电元件都可以调整具有非自然特性的入射电磁波的反射[1]-[7]。 此外，由于采用无源结构，功耗极低，反射时几乎没有额外的热噪声。 因此，RIS在学术界和工业界引起了越来越多的关注，具有广阔的应用前景，例如，无线电力传输[8]，[9]，物理层安全[10]-[12]，认知无线电网络[ 13]等。
     其中，最有前途的应用之一是**提高无线通信系统中遭受不利传播条件的用户的服务质量**[14]-[18]。
     在本文中，我们研究了如图 1 所示的 RIS 辅助多输入单输出 (MISO) 多用户下行链路通信系统，其中多天线接入点 (AP) 服务于多个单天线移动用户。  AP 和移动用户之间的直接链路可能会受到深度衰落和阴影的影响，RIS 通过提供从 AP 到用户的高质量虚拟链路来改善传播条件。 虽然 RIS 类似于全双工放大转发继电器 [19]、[20]，但它通过无源反射转发射频信号，因此在能源效率和成本效率方面都具有优势。 本文的目的是通过联合优化 AP 处的波束形成和 RIS 元素的相位系数来最大化移动用户的加权和速率 (WSR)。

A. 相关工作 本文中的系统已经通过一些早期尝试工作进行了调查，其中考虑了不同的目标，而大多数工作假设所有相关通道的完美通道状态信息 (CSI) 都是可用的。 在[21]和[22]中，通过将联合优化问题分解为两个子问题来最小化AP的发射功率：一个是MIMO系统中的常规功率最小化问题，另一个是RIS相位向量 优化。然后通过**半定求解相位优化松弛（SDR）**问题。 虽然这种交替优化方法取得了相当好的性能，但主要缺点是所提出的算法无法获得平稳解，并且复杂度有点高，特别是对于大尺寸的RIS。 在 [23] 和 [24] 中，能量效率最大化，同时在 AP 处采用迫零 (ZF) 预编码。 由于 ZF 预编码完全消除了用户间干扰，AP 的功率分配和 RIS 的相位优化可以很好地解耦。 然而，ZF 预编码也可能会放大背景噪声，并且在信道病态时可能会严重影响性能。 不幸的是，[24] 中的推导并不直接适用于其他预编码方案。
RIS辅助系统的另一个重要问题是信道估计。 从[21]-[24]可知，为了优化 RIS 的相位矢量，系统需要分别关于 AP-RIS 通道和 RIS 用户通道的高精度 CSI。 然而，获得完美的 CSI 并不总是可能的，因为 RIS 在典型设置中是无源的，没有通道感应能力。 [25] 和 [26] 通过利用统计 CSI 解决了这一挑战。
具体来说，单用户系统在 [25] 中进行了研究，在假设信道的视距 (LoS) 分量已知的情况下，平均接收 SNR 被最大化。 在[26]中，考虑了多用户系统，其中所有用户都位于同一个集群中，其空间相关关系是系统已知的。 然后，利用大维随机矩阵理论研究了最大最小公平问题。 然而，[25] 和 [26] 中这些方法的性能在很大程度上取决于信道模型假设以及所研究的目标函数。
B. 贡献 在本文中，我们首先假设完美的 CSI 可用于研究 RIS 辅助系统的最终性能。 公式化的问题在数学上类似于大规模 MIMO 系统中混合数字/模拟预编码 [27]-[29] 中的 WSR 最大化问题。 然而，主要区别在于，RIS只能控制和优化无线环境的行为，并没有抑制用户间干扰的能力。 因此，AP处的波束成形设计与RIS处的相位优化深度耦合，交替优化方法的收敛速度较慢。 因此，每个迭代步骤中的计算复杂度应该很低，并且可以扩展到 RIS 元素的数量。 为了解决这个问题，我们利用分数规划（FP）技术将原始问题分解为四个不相交的块[30]。
随后，基于非凸块坐标下降（BCD）方法设计了低复杂度算法[31]。
然后，我们解决不完善的 CSI 问题。 具体来说，我们假设 AP 可能完全了解用于波束成形设计的组合信道，因为这种知识可以通过传统的信道估计方法和协议获得，并且 AP 的天线数量在 femtocell 网络中可能并不庞大[14]。 然而，系统仅对与 RIS 相位优化相关的通道有部分了解。 因此，我们设计 RIS 的相位来最大化输入通道实现的平均 WSR。 这个问题公式比 [25] 和 [26] 中的公式更通用，因为它独立于通道模型假设的结构。 此外，虽然在混合预编码问题 [32]-[35] 中可以找到类似的问题表述，但这里的耦合优化变量使这个问题的解决变得更加复杂。 幸运的是，我们表明，通过利用最近提出的随机逐次凸逼近 (SCA) 技术 [36]、[37]，所提出的完美 CSI 案例算法可以扩展到不完美的 CSI 设置。
这项工作的主要贡献总结如下：
• 首先，本文是研究 RIS 辅助多用户下行链路 MISO 系统的 WSR 最大化问题的早期尝试之一，研究了完美和不完美的 CSI 设置。 .
• 其次，为了完美的CSI 设置，提出了一种基于BCD 的方法来执行联合波束成形设计和RIS 相位优化问题的平稳解。 所提出算法的复杂度远低于传统方法。
• 最后，将所提出的算法扩展到不完美的CSI 案例。 数值结果验证了所提出的算法可以很好地执行，
C. 组织和符号 本文的其余部分组织如下。 第二节概述了系统模型并制定了联合优化问题。 在第三节中，针对完美 CSI 设置下的联合优化问题提出了传统的交替优化方法。 然后，在第四节中，提出了一种基于非凸 BCD 技术的低复杂度算法。 接下来，在第五节中，将所提出的算法扩展到不完美的 CSI 设置。 第六节提供了仿真结果，以验证所提出算法的有效性，第七节总结了论文。