Optimal Analog Beamforming and Power Allocation for Multiuser TDMA Systems

1. Problema Investigado

O artigo aborda o projeto conjunto de formação de feixe analógico (analog beamforming) e alocação de potência em sistemas de acesso múltiplo por divisão de tempo (TDMA) multiusuário. O cenário específico considera uma arquitetura de uma única cadeia de radiofrequência (RF) conectada a múltiplas antenas através de desfasadores de fase (phase shifters).

• Objetivo: Maximizar o mínimo da relação sinal-ruído (SNR) entre todos os usuários (critério max-min), garantindo justiça (fairness) no sistema.
• Desafios:
  • A arquitetura de uma única RF impõe restrições de módulo constante nos pesos de formação de feixe (os elementos do vetor de feixe devem ter módulo unitário), tornando o problema de otimização altamente não convexo.
  • A acoplamento entre as variáveis de potência e os desfasamentos de fase complica a solução.
  • Métodos existentes, como otimização alternada (AO), geralmente fornecem soluções locais ou heurísticas, sem garantir a optimalidade global, dificultando a quantificação da perda de desempenho de métodos de baixa complexidade.

2. Metodologia Proposta

Os autores propõem uma abordagem em duas etapas para resolver o problema de otimização não convexo:

A. Alocação de Potência Ótima (Fechada)

Para um vetor de formação de feixe analógico fixo, os autores derivam uma solução de forma fechada para a alocação de potência ótima.

• Utilizando as condições de Karush-Kuhn-Tucker (KKT), demonstram que, na solução ótima, todos os usuários devem atingir a mesma SNR.
• Isso permite reduzir o problema original de projeto conjunto para um problema de otimização apenas dos desfasamentos de fase, eliminando as variáveis de potência.

B. Algoritmos Branch-and-Bound (BB) Globais

Com o problema reduzido à otimização de fase, são desenvolvidos algoritmos Branch-and-Bound (BB) globalmente ótimos para três cenários distintos de desfasadores de fase:

1. Desfasamento Binário ($M=2$): Os desfasamentos são restritos a $\{0, \pi\}$.
   • O problema é reformulado como uma minimização de uma soma de inversos de formas quadráticas.
   • É derivado um limite inferior (lower bound) baseado na desigualdade aritmético-harmônica e em limites superiores para formas quadráticas, permitindo o pruning (poda) eficiente da árvore de busca.
2. Desfasamento Discreto $M$-ário ($M > 2$): Modela desfasadores de resolução finita (ex: $M=4, 8$).
   • Desenvolve-se um limite inferior de duas camadas: um limite individual por usuário e um limite agregado do sistema.
   • O limite agregado utiliza uma decomposição de matrizes e o maior autovalor de submatrizes para garantir a eficiência da poda.
3. Desfasamento Contínuo: Os desfasamentos podem assumir qualquer valor em $[0, 2\pi)$.
   • Utiliza-se uma relaxação semidefinida (SDR) sobre sub-regiões do espaço de fase.
   • O algoritmo, chamado de Spatial Branch-and-Bound (SBB), divide iterativamente o espaço de fase, resolvendo relaxações convexas em cada nó e construindo limites superiores viáveis para garantir a convergência para o ótimo global dentro de uma tolerância $\epsilon$.

3. Principais Contribuições

• Derivação de Solução Fechada: Estabelecimento de uma fórmula analítica para a alocação de potência ótima dada qualquer vetor de feixe, simplificando drasticamente o problema original.
• Algoritmos de Otimização Global: Desenvolvimento de algoritmos BB rigorosos que garantem a solução global ótima para cenários binários, discretos e contínuos, preenchendo uma lacuna na literatura onde apenas soluções locais eram comuns.
• Benchmarks de Desempenho: Fornecimento de benchmarks globais confiáveis para avaliar a "lacuna de desempenho" (performance gap) de métodos de baixa complexidade, como a Otimização Alternada (AO).
• Análise de Arquitetura de Baixo Custo: Foco específico em sistemas de uma única RF, que são cruciais para aplicações de baixo custo e baixo consumo de energia (como backhaul de pequenas células e acesso sem fio fixo).

4. Resultados Numéricos

Os resultados foram validados através de simulações com canais de desvanecimento Rayleigh:

• Desempenho vs. Número de Antenas ($N$): A SNR mínima aumenta (o valor objetivo diminui) com o aumento de $N$. A formação de feixe de fase contínua oferece o melhor desempenho, seguida de perto pela fase discreta $M=4$, enquanto a binária ($M=2$) apresenta uma perda de desempenho mais significativa.
• Comparação BB vs. AO:
  • Os algoritmos BB propostos sempre alcançam o ótimo global.
  • O método de Otimização Alternada (AO) apresenta desempenho próximo ao ótimo global na maioria dos casos, especialmente para grandes números de antenas ($N$) e usuários ($K$).
  • A diferença de desempenho entre o método AO e o ótimo global é geralmente pequena, sugerindo que o AO é uma candidata viável de baixa complexidade na prática.
  • No entanto, o BB é essencial para quantificar essa perda e validar o projeto em regimes de pequenas antenas, onde o AO pode ficar preso em ótimos locais mais distantes da solução global.

5. Significado e Impacto

Este trabalho é significativo porque:

1. Estabelece Limites Fundamentais: Pela primeira vez, oferece uma referência de "melhor caso possível" (ótimo global) para sistemas de formação de feixe analógico multiusuário com uma única RF, permitindo que pesquisadores avaliem quão eficientes são seus algoritmos heurísticos.
2. Valida Práticas Atuais: Confirma que, embora métodos de baixa complexidade (como AO) não sejam globalmente ótimos, eles são frequentemente suficientes para aplicações práticas, especialmente em grandes arrays.
3. Guia para Projeto de Hardware: Os resultados ajudam a orientar o projeto de hardware, mostrando o trade-off entre a complexidade de implementação (resolução dos desfasadores de fase) e o ganho de desempenho do sistema.

Em resumo, o artigo fornece uma estrutura teórica rigorosa e algoritmos computacionais para resolver um problema de otimização não convexa complexo, oferecendo tanto soluções práticas validadas quanto limites teóricos para o futuro desenvolvimento de sistemas de comunicação sem fio de próxima geração.