⚡ electrical engineering

Max-Min Rate Fairness Optimization for Multi-User Pinching-Antenna NOMA Systems

Cet article propose un cadre d'optimisation structuré en deux étapes qui conçoit conjointement les positions des antennes de pincement et le précodage de transmission afin de maximiser le débit minimal des utilisateurs dans les systèmes NOMA multi-utilisateurs, traitant efficacement les défis non convexes de l'interférence entre antennes et surpassant de manière significative les références heuristiques ainsi que les systèmes MIMO-NOMA traditionnels.

Auteurs originaux : Mahmoud AlaaEldin, Amy Inwood, Xidong Mu, Michail Matthaiou

Publié 2026-06-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mahmoud AlaaEldin, Amy Inwood, Xidong Mu, Michail Matthaiou

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Résoudre le problème du « signal bloqué »

Imaginez que vous essayez de parler à un groupe d'amis dans une grande pièce bondée. Certains amis se trouvent juste à côté de vous, tandis que d'autres sont plus loin. Pire encore, de gigantesques piliers (obstacles) bloquent le chemin direct vers certains d'entre eux. Dans le monde de l'internet sans fil, ces « piliers » sont des murs ou des meubles qui bloquent les signaux, en particulier les signaux à haute vitesse nécessaires pour les futurs réseaux 6G.

Cet article présente une nouvelle façon de résoudre ce problème en utilisant une technologie appelée Systèmes d'Antennes à Pincement (PAS - Pinching-Antenna Systems).

Le matériel : La « guirlande lumineuse flexible »

Considérez une antenne de station de base traditionnelle comme un projecteur rigide et lourd fixé à un endroit précis. Si vous ne voyez pas la lumière, vous ne recevez pas le signal.

Le Système d'Antennes à Pincement (PAS) est différent. Imaginez une longue corde flexible (un guide d'ondes) courant le long du plafond d'une pièce. Attachées à cette corde se trouvent de nombreuses petites « perles » mobiles (les antennes à pincement).

La magie : Vous pouvez faire glisser ces perles n'importe où le long de la corde.
L'objectif : Vous pouvez faire glisser une perle juste à côté d'un ami qui se cache derrière un pilier, créant ainsi une ligne de vue directe (LoS) claire avec lui.

L'article étudie un système avec plusieurs cordes (guides d'ondes) et de nombreuses perles (antennes) sur chaque corde, travaillant toutes ensemble pour servir plusieurs utilisateurs à la fois.

Le défi : Le problème de la « chorale »

Le système utilise une technique appelée NOMA (Accès multiple non orthogonal). Imaginez que la station de base est un chef de chœur essayant de chanter des chansons différentes à différentes personnes en même temps.

Le problème : Pour ce faire, la chorale (les antennes) doit chanter en parfaite harmonie. Si les chanteurs sont légèrement désynchronisés (déphasage), leurs voix s'annulent et l'auditeur n'entend que le silence ou du bruit.
La difficulté : Comme les perles peuvent bouger, la « distance » et le « timing » du signal changent constamment. Si vous déplacez une perle ne serait-ce qu'un tout petit peu, cela peut ruiner l'harmonie pour tous les autres. Trouver l'emplacement parfait pour chaque perle est mathématiquement extrêmement difficile — c'est comme essayer d'accorder un piano pendant que les touches sont en mouvement.

La solution : Une stratégie en deux étapes de « brouillon » et d'« ajustement précis »

Les auteurs ont réalisé que tenter de résoudre le problème de l'harmonie parfaite d'un seul coup est trop complexe. Ils ont donc inventé un algorithme à deux étapes pour trouver la meilleure solution.

Étape 1 : L'esquisse « aveugle » (Optimisation grossière)

Imaginez que vous essayez d'organiser les meubles dans une pièce pour gagner de l'espace, mais que vous portez un bandeau sur les yeux. Vous ne voyez pas les détails, mais vous pouvez sentir la forme générale de la pièce.

Ce qu'ils font : L'algorithme ignore momentanément le « timing » complexe (les phases) des signaux. Il ne regarde que la « distance » (la distance que le signal doit parcourது).
Le résultat : Il trouve rapidement un arrangement « assez bon » des perles et la puissance à envoyer. Ce n'est pas parfait, mais cela place les perles dans le bon voisinage général. C'est comme dessiner un croquis rapide de la disposition des meubles.

Étape 2 : L'ajustement précis (Alignement de phase)

Maintenant, vous retirez les bandeaux et examinez les détails.

Étape A (Mise à zéro de la phase) : L'algorithme pousse légèrement chaque perle vers la gauche ou la droite jusqu'à ce que les ondes du signal de cette perle spécifique s'alignent parfaitement (comme accorder une corde de guitare) afin qu'elles ne s'annulent pas entre elles.
Étape B (La danse) : L'algorithme joue ensuite à un jeu de « chaud et froid ».
1. Il déplace les perles pour trouver un meilleur emplacement.
2. Il ajuste le « volume » et le « timing » des signaux (précodage) pour correspondre aux nouveaux emplacements des perles.
3. Il répète ce processus de va-et-vient jusqu'à ce que le système ne s'améliore plus.

Pourquoi est-ce important (Les résultats)

L'article a testé cette méthode par rapport à d'autres façons de résoudre le problème (comme le hasard ou des méthodes « heuristiques »).

Meilleure performance : La nouvelle méthode a trouvé une solution qui offrait à l'utilisateur le « plus mal loti » la meilleure vitesse possible (Équité Max-Min). Elle a presque atteint la limite théorique « parfaite », ce qui est impossible à atteindre dans la réalité.
Plus rapide : Contrairement aux autres méthodes qui tentent des milliers de suppositions aléatoires (ce qui prend beaucoup de temps), cette méthode est un guide intelligent, étape par étape. Elle a trouvé la solution beaucoup plus rapidement.
Battre la concurrence : Comparé aux systèmes MIMO traditionnels (qui utilisent des antennes fixes), le système d'antennes à pincement était bien meilleur. Parce que les perles peuvent se déplacer juste à côté de l'utilisateur, elles évitent les « murs » qui bloquent les antennes fixes.

Analogie de résumé

Considérez l'ancienne façon de faire comme si vous essayiez d'éclairer une pièce sombre avec une seule lampe de poche fixe. Si quelqu'un se tient derrière une chaise, il reste dans l'obscurité.

Cet article propose un système avec une longue corde de lumières suspendue au plafond.

D'abord, vous devinez grossièrement où suspendre les lumières pour couvrir la pièce.
Ensuite, vous faites glisser chaque ampoule jusqu'à ce que la lumière frappe les gens parfaitement, en ajustant la luminosité pour que tout le monde voie clairement sans s'éblouir les uns les autres.

Le résultat est une pièce où tout le monde bénéficie de la meilleure lumière possible, et vous avez résolu le problème rapidement sans perdre de temps à deviner au hasard.

Énoncé du problème

L'article traite de la conception d'un système d'accès multiple non orthogonal (NOMA) en liaison descendante (DL) assisté par des systèmes d'antennes à pincement (Pinching-Antenna Systems ou PAS). Dans cette architecture, plusieurs guides d'ondes diélectriques (WG), contenant chacun plusieurs éléments rayonnants diélectriques repositionnables (antennes à pincement ou PA), desservent plusieurs utilisateurs dotés d'une antenne unique. Chaque guide d'ondes est piloté par une seule chaîne radiofréquence (RF), ce qui nécessite l'utilisation de NOMA dans le domaine de la puissance pour supporter plus d'utilisateurs que de chaînes RF disponibles.

Le défi d'optimisation central consiste à optimiser conjointement les positions continues de toutes les PA de tous les guides d'ondes et la matrice de précodage de transmission de la station de base. L'objectif est de maximiser le taux minimum de l'utilisateur (équité max-min) sous les contraintes suivantes :

Contraintes de puissance de transmission totale.
Contraintes de décodage par annulation successive d'interférences (SIC) requises pour le NOMA.
Contraintes d'espacement minimal entre les PA adjacentes pour atténuer le couplage mutuel.

Le problème est identifié comme étant hautement non lisse et non convexe. Cette difficulté provient du fait que le signal reçu de chaque utilisateur est une somme cohérente des signaux de toutes les PA. De faibles changements dans les positions des PA provoquent des oscillations de phase rapides dans la fonction objectif, conduisant à un paysage parsemé d'optima locaux difficiles à naviguer à l'aide de méthodes de gradient standard ou de recherches heuristiques.

Méthodologie

Pour surmonter la nature non lisse du problème, les auteurs proposent un algorithme d'optimisation structuré en deux étapes :

Étape 1 : Optimisation grossière (Phase-relaxée)

Concept : Les auteurs observent que, bien que la combinaison cohérente crée des fluctuations rapides à petite échelle, les magnitudes des gains de canal présentent une structure plus lisse à grande échelle, régie par la perte de propagation et la géométrie.
Approche : Les phases complexes des canaux sont temporairement négligées (supposées parfaitement alignées). Le problème est transformé en une optimisation des coefficients d'amplitude réels et des positions des PA.
Algorithme : Un algorithme de point intérieur (IPA) est utilisé pour résoudre ce problème lisse et convexifié.
- L'opérateur de taux minimum est approximé par un substitut log-sum-exp pour assurer la différentiabilité.
- La solution fournit une borne supérieure « relaxée en phase » et une initialisation fiable pour les localisations des PA et les allocations de puissance.
- Une étape de post-traitement affine les vecteurs de précodage réels à l'aide d'une approche SDP duale et d'une récursion vers l'arrière pour garantir que le SINR cible est atteint avec une puissance minimale.

Étape 2 : Ajustement fin (Sensible à la phase)

Concept : Cette étape réintroduit les phases complexes des canaux pour trouver une solution réalisable et quasi optimale qui respecte les effets réels de la combinaison cohérente.
Sous-étape 1 : Mise à zéro de la phase : En partant de la solution grossière, chaque PA est repositionnée séquentiellement dans un voisinage local pour aligner sa phase de canal vers zéro (modulo $2\pi$ ). Cela atténue l'interférence destructrice avant que l'optimisation principale ne commence.
Sous-étape 2 : Optimisation alternée : L'algorithme alterne entre :
1. Affinement de la position des PA : Une recherche par coordonnées avant-arrière balaie toutes les PA. Pour chaque PA, la position est mise à jour pour maximiser le taux de l'utilisateur le plus faible dans un intervalle local réalisable, étant donné un précodage fixe.
2. Optimisation du précodage de transmission : Avec les positions des PA fixées, la matrice de précodage est optimée pour minimiser la puissance de transmission pour un SINR commun cible. Cela est résolu à l'aide de l'approximation convexe successive (SCA) pour gérer les contraintes de SIC non convexes, intégrée dans une recherche par dichotomie externe pour maximiser le SINR cible.

Contributions clés

Premier cadre Max-Min pour le Multi-WG PAS-NOMA : L'article formule le premier problème d'optimisation de l'équité du taux max-min pour un système avec plusieurs guides d'ondes, plusieurs PA par guide d'ondes et plusieurs utilisateurs, où toutes les PA contribuent conjointement aux signaux de tous les utilisateurs.
Algorithme structuré en deux étapes : Les auteurs développent un cadre d'optimisation déterministe qui exploite la structure physique des canaux PAS. Il sépare le problème en une étape grossière lisse et relaxée en phase et une étape de réglage fin sensible à la phase, évitant la nature de « boîte noire » des méthodes heuristiques.
Techniques d'optimisation novatrices :
- Application d'un algorithme de point intérieur pour l'optimisation conjointe de la géométrie et de la puissance.
- Une procédure d'initialisation par mise à zéro de la phase pour aligner les phases de canal.
- Un schéma d'optimisation alternée combinant la recherche par coordonnées avant-arrière pour le placement des PA et l'optimisation convexe basée sur la SCA pour le précodage complexe.
Analyse de la complexité : L'article fournit une analyse détaillée de la complexité computationnelle, démontrant que l'approche dual-SDP/vecteur propre pour l'affinement du précodage est plus efficace que les implémentations génériques de SOCP en boîte noire.

Résultats de simulation

Le cadre proposé a été évalué par rapport à trois références :

Borne supérieure de combinaison parfaite (UB) : La limite théorique supposant un alignement de phase parfait (résultat de l'étape 1).
Optimisation heuristique (HO) : Un algorithme de recherche par motif (représentant les métaheuristiques de pointe comme PSO).
MIMO-NOMA à formation de faisceau hybride : Un système conventionnel avec un réseau linéaire uniforme (ULA).

Principales conclusions :

Performance : Le schéma proposé atteint des taux max-min presque indiscernables de la Borne Supérieure de Combinaison Parfaite, surpassant de manière significative la référence d'Optimisation Heuristique.
Efficacité : La méthode proposée nécessite beaucoup moins de temps de calcul que la référence HO, en particulier lorsque le nombre de PA augmente. La méthode HO souffre de convergences fréquentes vers des optima locaux et d'une croissance irrégulière des performances.
PAS vs MIMO : Les systèmes PAS-NOMA offrent des gains substantiels par rapport aux systèmes MIMO-NOMA comparables. Cela est attribué à la capacité des PA à être repositionnées près des utilisateurs, réduisant drastiquement la perte de propagation, ce que les réseaux MIMO fixes ne peuvent atteindre.
Impact des paramètres :
- Nombre de PA ( $N$ ) : Augmenter $N$ améliore les performances de manière logarithmique pour PAS et MIMO, mais les gains de PAS sont plus prononcés en raison de la proximité.
- Nombre d'utilisateurs ( $K$ ) : À mesure que $K$ augmente, le taux max-min diminue en raison du partage de puissance et de l'augmentation des interférences entre utilisateurs, ce qui limite l'efficacité du SIC.
- Puissance de transmission ( $P_T$ ) : Le taux augmente de manière monotone avec la puissance. Cependant, pour un $K$ élevé, le système est limité par les interférences, ce qui fait que le taux croît moins favorablement avec la puissance.
- Étendue spatiale : À mesure que les utilisateurs sont distribués sur une zone plus large, le taux max-min diminue, bien que cette chute soit atténuée dans le PAS car les PA peuvent se rapprocher de chaque utilisateur individuel.

Signification et affirmations

L'article affirme que sa principale importance réside dans la fourniture d'une solution déterministe, efficace et physiquement interprétable à un problème d'optimisation hautement non convexe dans les technologies émergentes de la 6G. Contra�à les métaheuristiques basées sur la population (ex: PSO) qui reposent sur une initialisation aléatoire et des évaluations de fonctions étendues, l'algorithme proposé exploite la structure spécifique des canaux PAS (séparant la perte de propagation à grande échelle des fluctuations de phase à petite échelle).

Les auteurs affirment que cette approche offre non seulement des performances supérieures (taux d'équité quasi optimaux), mais offre également une solution évolutive pour un déploiement pratique où les ressources de calcul et la fiabilité de la convergence sont critiques. Les résultats démontent que la flexibilité du repositionnement des PA offre un avantage de performance fondamental par rapport aux systèmes MIMO à antennes fixes dans des environnements à hautes fréquences et sujets aux blocages.