Joint Sparsity and Beamforming Design for RDARS-Aided Systems

Each language version is independently generated for its own context, not a direct translation.

这篇文章介绍了一种名为RDARS（可重构分布式天线与反射表面）的新技术，旨在让未来的 6G 网络传输速度更快、信号更稳。

为了让你轻松理解，我们可以把整个通信系统想象成一个**“超级快递分拣中心”**。

1. 核心角色：RDARS（智能分拣墙）

想象基站（BS）是一个发货仓库，用户（UE）是收件人。在它们之间，有一面巨大的墙，这面墙就是RDARS。

传统做法：这面墙上的每一个小格子（天线单元）要么一直亮着灯（连接模式，像快递员直接送货），要么一直当镜子用（反射模式，像镜子把光反射过去）。
RDARS 的创新：这面墙非常智能，每个小格子都可以随时切换身份。它既可以当“快递员”直接送货，也可以当“镜子”反射信号。
优势：这种灵活性带来了额外的“选择增益”，就像你可以根据路况，灵活决定是开车还是坐飞机，总能找到最快的路。

2. 遇到的问题：太拥挤了，怎么排兵布阵？

虽然每个格子都能切换身份，但如果所有格子都挤在一起（像传统的密集阵列），或者随机乱排，效率并不高。

旧思路：以前的算法试图计算每一个格子该做什么，就像让一个超级大脑去指挥几千个工人，计算量巨大，算到手机发烫，甚至算不出来（计算复杂度太高）。
新发现：作者发现，如果把那些当“快递员”的格子（连接单元），拉开距离，排成稀疏的队形（稀疏阵列），效果反而更好！
- 比喻：想象你在一个房间里喊话。如果所有人挤在门口喊，声音会混在一起听不清；但如果把喊话的人均匀地拉开距离，站在房间的不同角落，声音就能覆盖更广，听得更清楚。这就是**“稀疏阵列”**带来的空间自由度。

3. 本文的解决方案：聪明的“排兵布阵”

这篇论文主要解决了两个问题：怎么排这些格子？ 和 怎么指挥信号？

A. 特殊情况下的“直觉” (单用户和双用户)

只有一个用户时：作者发现，只要把“快递员”格子排好，不管它们具体站得多远（稀疏程度），只要总数够，效果都一样好。就像只要有一个快递员，他站得远点近点都能把包裹送到。
只有两个用户时：这时候容易“串台”（干扰）。作者推导出了一个数学公式，告诉我们在什么情况下，把格子拉多远（稀疏度），能让两个用户的声音互不干扰。这就像在两个吵架的人中间，通过调整站位，让他们听不到对方的声音。

B. 通用情况下的“智能算法” (任意数量的用户)

当用户很多（比如 20 个）时，靠人脑算不出最优解了。作者设计了一个**“交替优化算法” (WA)**。

怎么工作？ 这个算法像是一个**“轮流坐庄”的教练**：
1. 先固定格子的位置，指挥信号怎么发（波束成形）。
2. 再固定信号怎么发，调整格子的位置（稀疏度）。
3. 再固定位置，调整信号……
4. 如此循环，直到找到最佳方案。
亮点：这个算法非常**“省脑子”**（低复杂度）。以前的算法像是要解一道几千页的奥数题，而这个新算法像是一个聪明的捷径，计算速度快了 60% 以上，但效果几乎一样好。

4. 实验结果：真的有效吗？

作者通过电脑模拟（数值实验）验证了他们的想法：

速度更快：在同样的功率下，使用这种“稀疏排列 + 智能切换”的方法，网络总速率（Sum Rate）比传统的“拥挤排列”提高了很多（在某些情况下提升了 86%！）。
更聪明：虽然算法变简单了，但性能并没有下降，反而因为避免了复杂的计算，更适合实际工程应用。

总结

这篇论文就像是在教我们如何**“用更少的力气，办更大的事”**。

它告诉我们：在未来的 6G 网络中，我们不需要把所有天线都挤在一起死磕。相反，通过把关键的天线拉开距离（稀疏化），并配合智能的算法来指挥它们，我们可以用更低的成本、更快的速度，实现更强大的通信网络。

一句话概括：这就好比把原本挤在门口的几个快递员，重新安排在小区的不同角落，并给他们配备了智能对讲机，让他们能更灵活、更高效地把包裹送到千家万户。

Each language version is independently generated for its own context, not a direct translation.

这是一篇关于可重构分布式天线与反射面（RDARS）辅助通信系统中联合稀疏性与波束成形设计的学术论文。以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：随着 6G 通信对数据速率要求的提升，RDARS 作为一种结合了分布式天线系统（DAS）和可重构智能表面（RIS）优势的新架构应运而生。RDARS 的每个单元可以在“连接模式”（通过射频光纤连接基站）和“反射模式”之间动态切换，从而获得额外的选择增益。
核心问题：
1. 低复杂度配置难题：现有的 RDARS 优化方法（如基于码本或复杂的优化算法）在模式选择矩阵优化上计算复杂度极高（例如 $O(N^3)$ 或 $O(N^{3.5})$ ），限制了实际应用。
2. 稀疏阵列设计未知：虽然稀疏阵列能提供更高的空间自由度（DoF），但在 RDARS 系统中，如何量化连接单元阵列（CEA）的稀疏度对性能的影响，以及如何确定最优稀疏度，目前尚不清楚。
3. 联合优化挑战：需要同时优化基站（BS）的有源波束成形、RDARS 的无源波束成形以及 CEA 的稀疏度（即连接单元的空间分布），这是一个非凸优化问题。

2. 系统模型与问题建模 (System Model & Formulation)

系统架构：考虑一个 RDARS 辅助的多用户下行链路系统。RDARS 包含 $N$ 个单元，其中 $a$ 个工作在连接模式（形成均匀稀疏阵列 CEA），其余 $N-a$ 个工作在反射模式。
稀疏阵列定义：CEA 被建模为均匀稀疏阵列，其相邻单元间距为 $\eta d$ （ $\eta$ 为稀疏度级别， $d$ 为半波长）。
优化目标：最大化所有用户设备（UE）的和速率（Sum Rate）。
约束条件：
- 总发射功率约束。
- 无源波束成形的单位模约束。
- 稀疏度 $\eta$ 的离散约束。
难点：由于单位模约束和稀疏度的离散性，直接求解该问题非常困难。

3. 方法论与算法 (Methodology)

论文采用分阶段的方法来解决上述问题：

A. 特殊情况分析（获取理论洞察）

为了理解稀疏度对性能的影响，作者首先分析了单用户和双用户场景：

单用户场景：
- 推导表明，最大信噪比（SNR）仅取决于总发射功率、连接单元数量和总单元数，与 CEA 的空间分布（稀疏度）无关。因此，单用户下任意放置均可达到最优。
双用户场景：
- 目标是最大化信干噪比（SINR），这等价于最小化两个用户信道之间的平方相关系数（CSCC, $\varepsilon_{k,k'}$ ）。
- 推导了不同信道条件下的 CSCC 闭式表达式。
- 关键发现：
  - 当反射链路主导时，稀疏度对性能影响不大。
  - 当连接链路主导或特定相位条件下，存在最优稀疏度 $\eta_{opt}$ 来最小化 CSCC，从而抑制用户间干扰（IUI）。
  - 提出了基于系统参数（如路径损耗、角度差）的最优稀疏度选择准则（Proposition 1）。

B. 通用场景算法（任意用户数）

针对任意数量 $K$ 的用户，提出了一种基于加权最小均方误差（WMMSE）的交替优化（AO）算法，称为 WA 算法：

问题转换：将和速率最大化问题转化为 WMMSE 最小化问题。
交替迭代：
- 有源波束成形优化：给定 $\Phi$ 和 $\eta$ ，推导闭式解。
- 无源波束成形优化：给定 $V$ 和 $\eta$ ，利用幂迭代法（Power Iteration）求解。
- 稀疏度优化：给定 $V$ 和 $\Phi$ ，由于 $\eta$ 是离散的，通过穷举搜索集合 $\mathcal{F}$ 来寻找最优 $\eta$ 。
收敛性：算法迭代直至目标函数增量低于阈值。

4. 主要贡献 (Key Contributions)

理论洞察：首次揭示了 RDARS 连接单元稀疏度与系统性能（特别是多用户干扰）之间的定量关系，并给出了单用户和双用户下的最优稀疏度设计准则。
低复杂度算法：提出了一种基于 WMMSE 的 WA 算法，将复杂的非凸问题分解为可处理的子问题。
复杂度优势：
- 传统方法（如 MM 或 PWM 算法）优化模式选择矩阵的复杂度高达 $O(N^3)$ 或更高。
- 本文提出的稀疏度优化复杂度仅为 $O(\lfloor \frac{N-1}{a-1} \rfloor)$ ，显著降低了计算负担。
性能验证：数值结果表明，低复杂度的稀疏设计在性能上可与复杂优化算法媲美，且远优于传统紧凑阵列（ $\eta=1$ ）。

5. 实验结果 (Numerical Results)

双用户场景：
- 在特定条件下，采用最优稀疏度设计的系统相比紧凑阵列（ $\eta=1$ ）和随机稀疏方案，在 30dBm 总功率下分别实现了 86.98% 和 17% 的速率提升。
- 证明了稀疏阵列通过增大物理孔径，提高了空间自由度，有效降低了信道相关性。
- 观察到过大的稀疏度会导致栅瓣问题加剧，因此存在最优的 $\eta$ 值。
多用户场景 ( $K=20$ )：
- 提出的 WA 算法在平均速率上优于基准方案（PWM 和 MM），特别是在用户数较多时，稀疏设计带来的空间增益更为明显。
- 计算效率：在相同仿真设置下，WA 算法的运行时间比 MM 算法快约 56%（17.4s vs 7.7s），比 PWM 算法快约 26%。
- 鲁棒性：算法在完美信道状态信息（CSI）和不完美 CSI 下表现差异较小，显示出良好的鲁棒性。

6. 意义与结论 (Significance & Conclusion)

实际意义：本文解决了 RDARS 系统中模式配置复杂度过高的问题，提出了一种低复杂度、高性能的联合设计框架。通过利用稀疏阵列特性，无需复杂的实时优化即可实现接近最优的波束成形性能。
未来展望：论文指出，当考虑光纤损耗时，连接单元的发射功率会随位置变化，未来的研究将深入探讨基于功率依赖衰减模型的优化。

总结：该论文通过理论推导和算法设计，证明了在 RDARS 系统中引入均匀稀疏阵列并联合优化稀疏度与波束成形，能够以极低的计算成本显著提升多用户通信系统的和速率，为 6G 中 RDARS 的实际部署提供了重要的理论依据和技术方案。