Evolutionary AP Switch ON/OFF Techniques for Energy-efficient Cell-free Massive MIMO Networks

Technische Samenvatting: Evolutionaire AP ON/OFF-technieken voor energie-efficiënte Cell-free Massive MIMO-netwerken

Probleemstelling
Cell-free massive multiple-input multiple-output (CF-mMIMO) is een leidende architectuur voor de volgende generatie draadloze systemen, die uniforme servicekwaliteit biedt door gecoördineerde gedistribueerde access points (AP's). Echter, de dichte uitrol van AP's en hun volledig coöperatieve aard leiden tot aanzienlijk energieverbruik. Hoewel het dynamisch aanpassen van de set actieve AP's aan spatio-temporele verkeersvariaties een bewezen strategie is voor energiebesparing, kampen bestaande oplossingen met kritieke beperkingen. Huidige AP ON/OFF-mechanismen vertrouwen doorgaans op worst-case dimensionering of gulzige heuristieken (bijv. goodness-of-fit metrieken) die de combinatorische activatieruimte onvoldoende verkennen. Deze methoden slagen er vaak niet in om globale optima te vinden, met name onder realistische, ruimtelijk inhomogene verkeersbelastingen waarbij gebruikersdistributies onregelmatig zijn. Bovendien is het optimalisatieprobleem NP-hard; voor een netwerk met 100 AP's zijn er $2^{100}$ mogelijke activatiepatronen, wat een exhaustieve zoektocht onhaalbaar maakt. Daarnaast blijft het balanceren van energie-efficiëntie (EE) en spectrale efficiëntie (SE) een uitdaging, aangezien het verbeteren van de één vaak de ander benadeelt.

Methodologie
Het artikel stelt twee evolutionaire optimalisatiestrategieën voor die zijn afgestemd op het AP-activatieprobleem in grootschalige CF-mMIMO-netwerken onder heterogene verkeersomstandigheden. Het systeemmodel gaat uit van een time-division duplexing (TDD) architectuur met $L$ AP's die $K$ mobiele stations (MS'en) bedienen, gebruikmakend van ofwel Conjugate Beamforming (CB) of Minimum Mean Square Error (MMSE) verwerking.

1. Constrained Genetic Algorithm (CGA): Deze aanpak richt zich op de optimalisatie van EE voor een vast aantal actieve AP's ($L_A$). Het algoritme maakt gebruik van een genetisch algoritme waarbij de populatie wordt beperkt zodat elke individuele oplossing (oplossing) precies $L_A$ actieve AP's bevat. Een externe zoeklus iterereert over verschillende waarden van $L_A$ om het globaal optimale werkpunt te identificeren. De CGA gebruikt elitist selectie, crossover en mutatie om door de oplossingsruimte te navigeren, waarbij wordt gewaarborgd dat de beperking op het aantal actieve AP's gedurende het gehele evolutionaire proces behouden blijft.
2. Pareto-driven Genetic Algorithm (PDGA): Dit is een multi-objective optimalisatietechniek die is ontworpen om EE en SE gezamenlijk te optimaliseren. In plaats van het aantal actieve AP's vast te leggen, evolueert de PDGA een populatie om een Pareto-front te construeren dat de trade-off tussen beide metrieken vertegenwoordigt. Het algoritme bevat specifieke mechanismen om diversiteit te behouden: het stuurt mutatie aan richting het deactiveren van AP's (om energie-efficiënte oplossingen te vinden) terwijl het expliciet een "alle-AP's-AAN"-individu behoudt om het hoog-SE gedeelte van de oplossingsruimte te bewaren. Dit stelt netwerkbeheerders in staat om werkpunten te selecteren op basis van specifieke QoS-beperkingen (bijv. vereiste minimale SE).

Beide methoden worden vergeleken met een benchmark gulzige zoekstrategie gebaseerd op Goodness-of-Fit (GoF) testen, die de AP-activatie afstemt op de MS-distributie maar een gebrek heeft aan globale coördinatie.

Belangrijkste Bijdragen

• Evolutionair Framework: De ontwikkeling van een GA-gebaseerd framework dat effectief de globale combinatorische ruimte van AP ON/OFF-patronen verkent, waardoor de beperkingen van gulzige heuristieken in heterogene verkeersscenario's worden overwonnen.
• CGA Implementatie: Een geconstraineerd GA dat nabij-optimale AP-subsets identificeert voor vaste kardinaliteiten, gecombineerd met een externe zoeklus om het optimale aantal actieve AP's te bepalen.
• PDGA Implementatie: Een multi-objective GA die de EE–SE trade-off expliciet karakteriseert via een Pareto-front, wat mogelijk maakt dat netwerkconfiguratie op basis van besluitvorming plaatsvindt in plaats van enkel het zoeken naar één optimaal punt.
• Complexiteitsanalyse: Een gedetailleerde computationele complexiteitsanalyse van beide voorgestelde algoritmen, waarbij hun kosten worden vergeleken met de benchmark en de dominantie van fitness-evaluatiekosten versus algoritmische operaties wordt geanalyseerd.
• Prestatie-evaluatie: Uitgebreide simulaties onder realistische ruimtelijk inhomogene verkeersverdelingen (gemodelleerd met log-normale verdelingen) voor zowel CB als MMSE verwerkingsschema's.

Resultaten
Simulatie-resultaten tonen aan dat de voorgestelde evolutionaire strategieën consequent beter presteren dan de state-of-the-art gulzige benchmarks:

• Winst in Energie-efficiëntie: Onder CB precoding bereikte de CGA een maximale EE van ongeveer $11,41 \times 10^5$ bit/Joule (met 24 actieve AP's), wat een verbetering van 6,50% is ten opzichte van de GoF-benchmark. Onder MMSE-verwerking was de winst 7,12% ($44,29 \times 10^5$ bit/Joule met 37 actieve AP's).
• Trade-off Karakterisering: De PDGA genereerde succesvol Pareto-fronts die grote regio's van gedomineerde oplossingen onthulden die door willekeurige of gulzige selectie worden gevonden. Het benadrukte dat MMSE-verwerking een hogere EE en SE simultaan mogelijk maakt vergeleken met CB door effectieve interferentieonderdrukking.
• Operationele Flexibiliteit: Het framework stelt operators in staat om werkpunten te selecteren langs het Pareto-front die specifieke SE-beperkingen voldoen terwijl de EE wordt gemaximaliseerd. Bijvoorbeeld, het versoepelen van SE-beperkingen vermindert het aantal vereiste actieve AP's aanzienlijk en verhoogt de EE.
• Robuustheid: De methoden bleken robuust over verschillende ruimtelijke MS-distributies (single hotspot, multiple hotspots, en uniform), waarbij de actieve AP-configuratie werd aangepast aan de verkeersdichtheid.
• Computationele Haalbaarheid: Hoewel GA-gebaseerde methoden langere looptijden vereisen dan de GoF-benchmark (bijv. ~184 uur voor CGA-MMSE op een enkele workstation vs. ~55 minuten voor GoF), bevestigt de analyse de haalbaarheid voor netwerkplanning op een langzame tijdschaal (uurlijkse of dagelijkse updates). De PDGA bleek computationeel efficiënter dan CGA, waarbij minder equivalente workstation-nodes nodig waren voor dezelfde update-periodes.

Betekenis en Claims
Het artikel claimt dat evolutionaire optimalisatie een krachtige en betrouwbare aanpak biedt voor energie-efficiënte CF-mMIMO-implementaties, met name in scenario's met ruimtelijk heterogeen verkeer waar gulzige methoden geen globale optima vinden. De auteurs benadrukken dat hun werk niet alleen verbeterde energie-efficiëntie biedt, maar ook nieuwe inzichten geeft in de wisselwerking tussen AP-activatie, verkeersheterogeniteit en verwerkingsschema's (CB vs. MMSE).

Cruciaal is dat het artikel deze methoden positioneert als deployment-agnostic instrumenten. In tegen tegenstelling tot reinforcement learning-benaderingen die uitgebreide training vereisen op specifieke distributies en moeite kunnen hebben met generalisatie, genereren de voorgestelde evolutionaire strategieën configuraties voor specifieke, gegeven ruimtelijke distributies zonder voorafgaande training. De oplossingen kunnen offline worden berekend en in real-time worden geïmplementeerd via lookup tables. De auteurs concluderen dat hoewel de computationele kosten hoger zijn dan die van gulzige heuristieken, ze beheersbaar zijn voor netwerkplanningsscenario's waarbij verkeerspatronen evolueren over uren, wat het framework geschikt maakt voor praktische, groene netwerkontwerpen.