⚡ electrical engineering

Optimal Analog Beamforming and Power Allocation for Multiuser TDMA Systems

यह शोध पत्र मैक्स-मिन SNR मानदंड के तहत सिंगल-आरएफ-चेन मल्टीयूजर TDMA सिस्टम के लिए एनालॉग बीमफॉर्मिंग और पावर एलोकेशन के संयुक्त डिजाइन की जांच करता है, जो निश्चित बीमफॉर्मर्स के लिए एक क्लोज्ड-फॉर्म ऑप्टिमल पावर एलोकेशन को व्युत्पन्न करता है और दोनों डिस्क्रीट और कंटीन्यूअस फेज-शिफ्ट ऑप्टिमाइजेशन के लिए ग्लोबली ऑप्टिमल ब्रांच-एंड-बाउंड एल्गोरिदम विकसित करता है।

मूल लेखक: Songnan Gu, Chongjun Ouyang, Hao Jiang, Xingqi Zhang

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Songnan Gu, Chongjun Ouyang, Hao Jiang, Xingqi Zhang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल ऑर्केस्ट्रा के कंडक्टर हैं, लेकिन इसमें एक बहुत ही अजीब मोड़ है: आपके पास केवल एक बैटन (एक रेडियो ट्रांसमीटर) है जिससे आप सैकड़ों संगीतकारों (एंटीना) को नियंत्रित करते हैं। आपका लक्ष्य यह सुनिश्चित करना है कि दर्शकों में मौजूद हर एक व्यक्ति (उपयोगकर्ता) संगीत को स्पष्ट रूप से सुन सके, भले ही वे हॉल के शोर वाले कोनों में बैठे हों।

यह शोध पत्र इस बारे में है कि उस एक बैटन को लहराने का सही तरीका क्या है और आवाज़ (वॉल्यूम) को कैसे विभाजित किया जाए ताकि सबसे शांत सुनने वाले को भी सबसे अच्छा सिग्नल मिल सके।

यहाँ समस्या और समाधान का विवरण दिया गया है, रोजमर्रा के उदाहरणों का उपयोग करते हुए:

1. समस्या: "एक-बैटन" की दुविधा

आधुनिक वायरलेस नेटवर्क (जैसे 5G) में, हम सिग्नल भेजने के लिए कई एंटीना का उपयोग करते हैं। आमतौर पर, आप हर उपयोगकर्ता से बात करने के लिए एक अलग "बैटन" (रेडियो चेन) चाहेंगे। लेकिन यह महंगा है और इसमें बहुत अधिक बिजली खर्च होती है।

इसलिए, इंजीनियर एक सिंगल-रेडियो-फ्रीक्वेंसी (RF) चेन सिस्टम का उपयोग करते हैं। यह एक दीवार में लगे स्पीकर्स से जुड़े एक मेगाफोन की तरह है।

सीमा (Constraint): आप प्रत्येक स्पीकर की आवाज़ को व्यक्तिगत रूप से नहीं बदल सकते। आप केवल आने वाली ध्वनि तरंगों के समय (फेज़/Phase) को बदल सकते हैं।
रणनीति: चूंकि आप एक बैटन के साथ एक साथ सभी से बात नहीं कर सकते, इसलिए आप TDMA (टाइम-डिवीजन मल्टीपल एक्सेस) का उपयोग करते हैं। इसका मतलब है कि आप पहले यूजर A से बात करते हैं, फिर यूजर B से, फिर यूजर C से, बहुत तेज़ी से।
लक्ष्य: आप यह सुनिश्चित करना चाहते हैं कि जिस व्यक्ति का कनेक्शन सबसे खराब है, उसे सबसे अच्छा सिग्नल मिले। इसे "मैक्स-मिन" (Max-Min) फेयरनेस कहा जाता है। आप नहीं चाहते कि एक व्यक्ति को एकदम स्पष्ट सिग्नल मिले जबकि दूसरे को केवल शोर सुनाई दे।

2. दो-चरणीय समाधान

लेखकों ने महसूस किया कि वे पूरी पहेली को एक साथ हल नहीं कर सकते, इसलिए उन्होंने इसे दो चरणों में विभाजित किया:

चरण A: फेयरनेस स्प्लिटर (पावर एलोकेशन)

कल्पना कीजिए कि आपके पास पानी (शक्ति/पावर) की एक निश्चित मात्रा है जिसे बाल्टियों (उपयोगकर्ताओं) के एक सेट में डालना है। कुछ बाल्टियों में छेद हैं (खराब सिग्नल चैनल) और कुछ ठोस हैं (अच्छे चैनल)।

शोध पत्र यह सिद्ध करता है कि आपके एंटीना को किसी भी विशिष्ट तरीके से लक्षित करने के लिए, पानी को विभाजित करने का एक गणितीय रूप से सटीक सूत्र मौजूद है।
परिणाम: आप छेद वाली बाल्टियों को अधिक पानी देते हैं और ठोस वाली बाल्टियों को कम, ताकि हर एक बाल्टी में पानी का स्तर बिल्कुल समान रहे। यह सुनिश्चित करता है कि कोई भी प्यासा न रहे।

चरण B: सटीक निशाना (बीमफॉर्मिंग)

अब जब हमें पता है कि शक्ति को कैसे विभाजित करना है, तो कठिन काम यह है: एंटीना को कैसे निशाना बनाना है?
एंटीना को एक ऐसी दिशा में संकेत देना चाहिए जो सभी की मदद करे। लेकिन एंटीना केवल विशिष्ट दिशाओं में ही संकेत दे सकता है (जैसे एक टॉर्च जो निश्चित स्थितियों में 'क्लिक' करती है, या एक जो सुचारू रूप से फिसल सकती है)।

चुनौती: यह एक गेंद को दीवार से टकराकर लक्ष्य तक पहुँचाने के लिए सही कोण खोजने जैसा है। यहाँ लाखों कोण हैं, और अधिकांश गलत हैं। यदि आप केवल अनुमान और परीक्षण (जिसे "अल्टरनेटिंग ऑप्टिमाइजेशन" कहा जाता है) करते हैं, तो आप एक "लोकल ऑप्टिमम" (एक अच्छी जगह, लेकिन सबसे अच्छी नहीं) में फंस सकते हैं।

3. "ब्रांच-एंड-बाउंड" जासूस (एल्गोरिदम)

सबसे अच्छे कोण को खोजने के लिए, लेखकों ने एक स्मार्ट खोज विधि विकसित की जिसे ब्रांच-एंड-बाउंड (BB) कहा जाता है।

इसे एक जासूस की तरह समझें जो एक विशाल, अंधेरे गोदाम में खोए हुए हीरे की तलाश कर रहा है:

ब्रांचिंग (Branching): जासूस गोदाम को छोटे और छोटे कमरों में विभाजित करता है (संभावित कोणों को विभाजित करना)।
बाउंडिंग (Bounding - जादुई ट्रिक): किसी कमरे में प्रवेश करने से पहले, जासूस एक मानचित्र की जांच करता है। मानचित्र कहता है, "भले ही इस कमरे में हीरा सबसे अच्छी जगह पर हो, फिर भी वह उस हीरे जितना मूल्यवान नहीं होगा जो हमें किचन में मिला है।"
प्रूनिंग (Pruning): यदि मानचित्र कहता है कि एक कमरा सबसे अच्छा हीरा रखने में सक्षम नहीं है, तो जासूस उस पूरे कमरे को अनदेखा कर देता है। वे वहां खोजने में समय बर्बाद नहीं करते।

ऐसा करके, कंप्यूटर लाखों खराब कोणों को तेजी से हटा सकता है और उस एक सटीक कोण पर ध्यान केंद्रित कर सकता है जो सभी को सबसे अच्छा सिग्नल देता है।

4. तीन प्रकार के एंटीना

शोध पत्र ने इस "जासूस" पद्धति का परीक्षण तीन प्रकार के "टॉर्च" पर किया:

बाइनरी (On/Off): टॉर्च केवल बाईं या दाईं ओर इशारा कर सकती है। (एक बाइनरी स्विच की तरह)।
डिस्क्रीट (Discrete - क्लिक-क्लिक): टॉर्च 4 या 8 निश्चित स्थितियों में 'क्लिक' करती है। (संख्याओं वाले डायल की तरह)।
कंटीन्यूअस (Continuous - स्मूथ): टॉर्च एक चिकरे वृत्त में कहीं भी इशारा कर सकती है। (एक हाई-एंड लेजर पॉइंटर की तरह)।

5. परिणाम: यह क्यों मायने रखता है

गोल्ड स्टैंडर्ड: लेखकों के "ब्रांच-एंड-बाउंड" पद्धति ने वास्तविक ग्लोबल ऑप्टिमम (सर्वश्रेष्ठ संभव परिणाम) को खोज निकाला। यह "गोल्ड स्टैंडर्ड" उत्तर है।
रियलिटी चेक: उन्होंने इस आदर्श उत्तर की तुलना "सस्ते" तरीके (अल्टरनेटिंग ऑप्टिमाइजेशन) से की, जिसका उपयोग आज अधिकांश कंपनियां करती हैं।
आश्चर्य: उन्होंने पाया कि "सस्ता" तरीका अधिकांश मामलों में बहुत अच्छा है! यह सटीक समाधान के 90-95% तक पहुँच जाता है।
मूल्य: हालांकि, सटीक उत्तर जानना महत्वपूर्ण है। यह इंजीनियरों को बताता है, "हे, आप पहले से ही बहुत अच्छा कर रहे हैं, लेकिन यदि आप उस अंतिम 5% प्रदर्शन को पाना चाहते हैं, तो आपको वास्तव में कितनी मेहनत करने की आवश्यकता है, यहाँ बताया गया है।"

सारांश

यह शोध पत्र एक मास्टर शेफ की तरह है जिसने एक बहु-कोर्स भोजन के लिए परफेक्ट रेसिपी तैयार की है जहाँ हर किसी को भोजन की समान मात्रा मिलती है।

पहले, उन्होंने गणना की कि सामग्री को ठीक से कैसे काटना है (पावर एलोकेशन)।
फिर, उन्होंने परफेक्ट कुकिंग तापमान और समय (बीमफॉर्मिंग) खोजने के लिए एक सुपर-स्मार्ट सर्च एल्गोरिदम (ब्रांच-एंड-बाउंड) का उपयोग किया।
उन्होंने सिद्ध किया कि हालांकि अधिकांश लोग जो "त्वरित और आसान" कुकिंग विधि का उपयोग करते हैं वह काफी अच्छी है, लेकिन परफेक्ट रेसिपी जानना हमें यह समझने में मदद करता है कि यदि हम और अधिक प्रयास करें तो हम वास्तव में कितना बेहतर कर सकते हैं।

संक्षेप में: उन्होंने एक वायरलेस सिग्नल को निशाना बनाने के "परफेक्ट" तरीके को खोजने के लिए एक बहुत कठिन गणितीय पहेली को हल किया, जिससे यह बेंचमार्क मिला कि हमारी वर्तमान तकनीक वास्तव में कितना अच्छा प्रदर्शन कर रही है।

यहाँ शोध पत्र "Optimal Analog Beamforming and Power Allocation for Multiuser TDMA Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक एकल रेडियो-फ्रीक्वेंसी (RF) चेन से लैस डाउनलिंक मल्टीयूजर टाइम-डिवीजन मल्टीपल एक्सेस (TDMA) सिस्टम में एनालॉग बीमफॉर्मिंग और पावर एलोकेशन के संयुक्त डिजाइन को संबोधित करता है।

सिस्टम बाधाएं (System Constraints): सिस्टम एक फेज़्ड-अरे आर्किटेक्चर का उपयोग करता है जहाँ बीमफॉर्मिंग वेक्टर सभी उपयोगकर्ताओं के बीच साझा किया जाता है। एकल RF चेन के कारण, बीमफॉर्मिंग वेट्स कांस्टेंट-मॉड्यूलस (यूनिट-मॉड्यूलस) बाधाओं के अधीन हैं, जो अनुकूलन समस्या (optimization problem) को अत्यधिक गैर-उत्तल (non-convex) बना देते हैं।
उद्देश्य: लक्ष्य कुल ट्रांसमिट पावर बजट के तहत, सभी $K$ उपयोगकर्ताओं के बीच न्यूनतम प्राप्त सिग्नल-टू-नॉइज़ रेशियो (SNR) को अधिकतम करना (मैक्स-मिन फेयरनेस मानदंड) है।
चुनौती: पावर एलोकेशन और फेज़ शिफ्ट्स के बीच का जुड़ाव, और नॉन-कॉन्वेक्स यूनिट-मॉड्यूलस बाधा, वैश्विक इष्टतमता (global optimum) खोजना कठिन बना देता है। मौजूदा विधियाँ (जैसे, अल्टरनेटिंग ऑप्टिमाइजेशन) आमतौर पर केवल स्थानीय इष्टतम (local optima) या ह्यूरिस्टिक समाधान प्रदान करती हैं, जिससे प्रदर्शन अंतराल (performance gap) अनकन्फाइड रह जाता है।

2. कार्यप्रणाली (Methodology)

लेखक इस समस्या को हल करने के लिए एक दो-चरणीय दृष्टिकोण प्रस्तावित करते हैं:

A. इष्टतम पावर एलोकेशन (क्लोज्ड-फॉर्म डेरिवेशन)

किसी भी निश्चित (fixed) एनालॉग बीमफॉर्मिंग वेक्टर के लिए, लेखक कॉन्वेक्स ऑप्टिमाइजेशन और कारुश-कुह्न-टकर (KKT) स्थितियों का उपयोग करके क्लोज्ड-फॉर्म में इष्टतम पावर एलोकेशन व्युत्पन्न करते हैं।

मुख्य अंतर्दृष्टि: सभी उपयोगकर्ताओं के लिए प्राप्त SNR को समान करने के लिए इष्टतम रणनीति क्या है।
परिणाम: मूल संयुक्त समस्या केवल एक फेज़-शिफ्ट ऑप्टिमाइजेशन समस्या में बदल जाती है:
$\min_{\theta} \sum_{k=1}^{K} \frac{1}{|h_k^H w|^2}$
जहाँ $w$ बीमफॉर्मिंग वेक्टर है जो फेज़ शिफ्ट्स $\theta$ द्वारा निर्धारित होता है।

B. वैश्विक रूप से इष्टतम ब्रांच-एंड-बाउंड (BB) एल्गोरिदम

चूंकि कम की गई फेज़-शिफ्ट समस्या अभी भी नॉन-कॉन्वेक्स बनी हुई है, इसलिए लेखक तीन अलग-अलग फेज़-शिफ्ट परिदृश्यों के लिए वैश्विक रूप से इष्टतम ब्रांच-एंड-बाउंड (BB) एल्गोरिदम विकसित करते हैं:

बाइनरी फेज़ शिफ्ट्स ( $M=2$ ):
- फेज़्स $\{0, \pi\}$ तक सीमित हैं (प्रविष्टियाँ $\{-1, +1\}$ में)।
- तकनीक: लेखक अंकगणितीय-हरात्मक माध्य (arithmetic-harmonic mean) असमानता का उपयोग करके ऑब्जेक्टिव फंक्शन के लिए एक निचला बाउंड (LB) और $w^T R w$ (जहाँ $R$ चैनल कोरिलेशन मैट्रिसेस का योग है) पर एक ऊपरी बाउंड (UB) व्युत्पन्न करते हैं।
- प्रूनिंग (Pruning): सर्च ट्री के नोड्स को तब हटाया जाता है जब उनका निचला बाउंड वर्तमान सर्वश्रेष्ठ ऑब्जेक्टिव मान से अधिक हो जाता है।
M-ary डिस्क्रीट फेज़ शिफ्ट्स ( $M > 2$ ):
- फेज़्स एक सीमित सेट $\{2\pi m/M\}$ तक सीमित हैं।
- तकनीक: जैसे-जैसे सर्च स्पेस बढ़ता है ( $M^{N-1}$ $M^{N - 1}$ ), प्रूनिंग दक्षता बनाए रखने के लिए एक दो-स्तरीय निचला बाउंड (dual-layer lower bound) विकसित किया गया है।
  - लेयर 1 (इंडिविजुअल): व्यक्तिगत उपयोगकर्ता चैनल गेन्स को बाउंड करने के लिए ट्राइएंगल इनइक्वलिटी का उपयोग करता है।
  - लेयर 2 (एग्रीगेट): बाइनरी केस के समान एक सिस्टम-लेवल क्वाड्रेटिक बाउंड का उपयोग करता है।
- संयुक्त निचला बाउंड इन दोनों लेयर्स का अधिकतम है।
कंटीन्यूअस फेज़ शिफ्ट्स:
- फेज़्स $[0, 2\pi)$ में कोई भी मान ले सकते हैं।
- तकनीक: एक स्पेशियल ब्रांच-एंड-बाउंड (SBB) एल्गोरिदम प्रस्तावित किया गया है।
  - रिलैक्सेशन (Relaxation): नॉन-कॉन्वेक्स यूनिट-मॉड्यूलस बाधा को सेमीडेफिनेट रिलैक्सेशन (SDR) और एक एपिग्राफ रीफॉर्मुलेशन का उपयोग करके रिलैक्स किया जाता है।
  - लिफ्टिंग (Lifting): समस्या को उच्च-आयामी मैट्रिक्स स्पेस ( $\tilde{W} = \tilde{w}\tilde{w}^H$ ) में लिफ्ट किया जाता है।
  - बाउंडिंग (Bounding): वैध निचले बाउंड उत्पन्न करने के लिए फेज़ सब-रीजन पर कॉनवेक्स हल (convex hull) बाधाएं लागू की जाती हैं। फेज़िबल ऊपरी बाउंड्स को रिलैक्स्ड सॉल्यूशन को फेज़िबल सेट में प्रोजेक्ट करके बनाया जाता है।
- एल्गोरिदम फेज़ स्पेस को तब तक व्यवस्थित रूप से ब्रांच करता है जब तक कि निचले और ऊपरी बाउंड के बीच का अंतर एक निर्धारित टॉलरेंस $\epsilon$ के भीतर न आ जाए।

3. मुख्य योगदान (Key Contributions)

क्लोज्ड-फॉर्म पावर एलोकेशन: सिद्ध किया कि किसी भी फिक्स्ड बीमफॉर्मर के लिए, इष्टतम पावर एलोकेशन उपयोगकर्ता SNR को समान करता है, जिससे समस्या की आयामिति (dimensionality) काफी कम हो जाती है।
वैश्विक इष्टतमता (Global Optimality): बाइनरी, डिस्क्रीट और कंटीन्यूअस फेज़ बाधाओं के तहत इस विशिष्ट मैक्स-मिन फेयरनेस समस्या के लिए पहले वैश्विक रूप से इष्टतम BB एल्गोरिदम विकसित किए गए।
टाइट लोअर बाउंड्स: नवीन, कम्प्यूटेशनल रूप से कुशल निचले बाउंड (मैट्रिक्स आइजनवैल्यू और हार्मोनिक मीन का उपयोग करके) विकसित किए गए जो सर्च ट्री की प्रभावी प्रूनिंग को सक्षम बनाते हैं।
बेंचमार्किंग फ्रेमवर्क: "ऑप्टिमलिटी लॉस" को मापने के लिए एक कठोर बेंचमार्क प्रदान किया गया, जो कम-जटिलता वाले अल्टरनेटिंग ऑप्टिमाइजेशन (AO) तरीकों के लिए है, जो व्यवहार में व्यापक रूप से उपयोग किए जाते हैं।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने $N$ एंटेना और $K$ उपयोगकर्ताओं वाले रेले फेडिंग चैनल्स का उपयोग करके एल्गोरिदम का मूल्यांकन किया।

एंटीना काउंट के विरुद्ध प्रदर्शन: जैसे-जैसे एंटेना की संख्या ( $N$ ) बढ़ती है, सभी स्कीमों के लिए मैक्स-मिन SNR में सुधार होता है। कंटीन्यूअस फेज़ शिफ्ट्स सबसे अच्छा प्रदर्शन करते हैं, उसके बाद $M=4$ डिस्क्रीट शिफ्ट्स आते हैं, जबकि बाइनरी ( $M=2$ ) में सबसे बड़ा प्रदर्शन नुकसान देखा गया।
ग्लोबल बनाम लोकल ऑप्टिमा:
- प्रस्तावित BB एल्गोरिदम ने AO बेसलाइन की तुलना में लगातार कम ऑब्जेक्टिव वैल्यू (बेहतर SNR) प्राप्त की।
- गैप विश्लेषण: ग्लोबल ऑप्टिमम (BB) और AO पद्धति के बीच का प्रदर्शन अंतराल आम तौर पर छोटा है, जो यह दर्शाता है कि AO कई व्यावहारिक परिदृश्यों के लिए एक निकट-इष्टतम (near-optimal), कम-जटिलता वाला समाधान है।
- हालांकि, यह गैप छोटे-एरे रिजीम (small-array regimes) (छोटा $N$ ) में अधिक स्पष्ट है, जहाँ AO पद्धति के स्थानीय इष्टतम में फंसने की संभावना अधिक होती है।
- कंटीन्यूअस फेज़ के लिए, SBB एल्गोरिदम ने AO बेसलाइन की तुलना में कंटीन्यूअस फेज़ सेटिंग्स में बेहतर प्रदर्शन किया, विशेष रूप से छोटे $N$ के लिए, लेकिन जैसे-जैसे $N$ बढ़ा, यह अंतर कम होता गया।

5. महत्व (Significance)

सैद्धांतिक मूल्य: यह कार्य इस साहित्य के एक महत्वपूर्ण अंतर को भरता है, जो एकल-RF-चेन मल्टीयूजर TDMA सिस्टम के लिए ग्लोबल ऑप्टिमम प्रदान करता है, जिसे पहले केवल ह्यूरिस्टिक्स द्वारा हल किया गया था।
व्यावहारिक अंतर्दृष्टि: ग्लोबल और लोकल समाधानों के बीच प्रदर्शन अंतराल को मापकर, यह पेपर बड़े-स्केल सिस्टम में कम-जटिलता वाले AO तरीकों के उपयोग को मान्य करता है और उन परिदृश्यों को उजागर करता है जहाँ वैश्विक अनुकूलन आवश्यक है (छोटे एरे, सख्त हार्डवेयर बाधाएं)।
हार्डवेयर दक्षता: बाइनरी और डिस्क्रीट फेज़ शिफ्ट्स पर ध्यान केंद्रित करना कम लागत वाले, ऊर्जा-कुशल हार्डवेयर कार्यान्वयन (जैसे, फिक्स्ड वायरलेस एक्सेस, mmWave संचार) के साथ संरेखित है, जो हार्डवेयर जटिलता और सिस्टम प्रदर्शन के बीच ट्रेड-ऑफ के लिए डिज़ाइन गाइडलाइन्स प्रदान करता है।