⚡ electrical engineering

Network-Assisted Full-Duplex Cell-Free Massive MIMO Systems Under Infeasible Circumstances

本文针对网络辅助的全双工无蜂窝大规模 MIMO 系统，在瑞利衰落信道下推导了上下行频谱效率的闭式表达式，并针对非凸优化及用户速率需求可能无法满足的不可行场景，提出了一种基于差分进化的高效低复杂度算法，以在有限功率预算下实现长期总频谱效率最大化。

原作者： Trinh Van Chien, Bui Trong Duc, Mohammadali Mohammadi, Hien Quoc Ngo, Michail Matthaiou

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Trinh Van Chien, Bui Trong Duc, Mohammadali Mohammadi, Hien Quoc Ngo, Michail Matthaiou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于未来无线网络技术的学术论文，标题为《非可行情况下的网络辅助全双工无蜂窝大规模 MIMO 系统》。

为了让你轻松理解，我们可以把这篇论文的研究内容想象成管理一个超级繁忙的“城市交通系统”。

1. 背景：现在的交通有多堵？

想象一下，未来的城市（未来的 6G 网络）里，有海量的设备（手机、自动驾驶汽车、VR 眼镜等）需要同时上网。

传统基站（蜂窝网络）：就像传统的红绿灯路口，每个路口负责一小块区域。如果路口太多，管理起来很乱，而且不同路口之间的车会互相抢道（干扰）。
无蜂窝大规模 MIMO（Cell-free Massive MIMO）：这篇论文提出的方案，就像把整个城市变成了一个巨大的“智能交通网”。这里没有固定的路口边界，而是有成百上千个小型的“交通哨兵”（接入点 AP） 分布在城市的各个角落。它们协同工作，像一支训练有素的交响乐团，同时为所有车辆服务。

2. 核心挑战：如何同时“听”和“说”？

在这个交通网中，有一个巨大的难题：全双工（Full-Duplex）。

半双工（Half-Duplex，传统模式）：就像对讲机，你说话的时候不能听，听的时候不能说话。这浪费了时间。
全双工（Full-Duplex，理想模式）：就像人一样，可以一边说话一边听。如果能实现，网速直接翻倍！
问题所在：如果所有哨兵都试图“一边说一边听”，它们自己的声音会盖过别人的声音（这叫自干扰），而且哨兵之间也会互相吵（这叫交叉干扰）。如果强行让所有哨兵都全双工工作，噪音太大，系统会崩溃，就像在一个嘈杂的菜市场里试图听清微弱的耳语。

3. 论文的创新方案：灵活的“智能调度员”

这篇论文提出了一种叫**“网络辅助全双工”（NAFD）** 的聪明办法。

不再“一刀切”：以前的方案要么让所有哨兵都全双工（太吵），要么都半双工（太慢）。
动态调整：这篇论文设计了一个超级智能的调度员。它会根据当时的路况（网络环境）灵活决定：
- 有些哨兵负责只说话（下行传输）。
- 有些哨兵负责只倾听（上行传输）。
- 有些哨兵负责既说又听（全双工），但只让那些“耳力好、抗干扰能力强”的哨兵这么做。
局部零强制（PZF）：这就像交警指挥。交警不会试图让所有车都停下来，而是只重点指挥那些最容易造成拥堵的“大卡车”（强干扰源），让它们让路；而对于那些“自行车”（弱干扰源），交警就睁一只眼闭一只眼，允许它们通过。这样既保证了效率，又避免了过度管制。

4. 最难的挑战：当“不可能”发生时怎么办？

论文标题里提到的“非可行情况（Infeasible Circumstances）”是点睛之笔。

场景：假设在暴雨天（信号极差）或者车流量太大（用户太多），而我们的“燃油”（发射功率）有限。这时候，不可能让所有的车都同时到达目的地（满足所有人的网速要求）。
传统做法：如果有一个用户达不到要求，整个系统就报错，或者强行分配导致所有人体验都很差。
论文的做法：智能调度员会做一个痛苦的但明智的决定——“断舍离”。
- 它会识别出哪些用户因为环境太差，无论如何都达不到最低要求。
- 它暂时暂停为这些用户服务（就像让几辆车在路边等待），把节省下来的“燃油”和“路权”分配给其他大多数用户。
- 结果：虽然牺牲了少数人，但保证了绝大多数人（90% 以上）都能获得高质量的服务。而且，一旦天气好转，这些被暂停的用户会被重新拉回网络。

5. 解决方案：进化算法（像生物进化一样找答案）

面对这种极其复杂的数学问题（既要选谁说话、选谁听、还要算功率，而且还要处理“不可能”的情况），传统的数学公式算不出来。

作者设计了一种叫**“差分进化算法”（Differential Evolution）** 的方法。
比喻：这就像生物进化。
1. 先生成一群随机的“交通方案”（种群）。
2. 让它们互相“杂交”和“变异”（尝试新的组合）。
3. 选出表现最好的方案（适应度高的），淘汰差的。
4. 经过几十代的“进化”，最终找到那个在复杂限制下最优的平衡点。
这种方法计算速度快，而且能处理那些“无解”的极端情况，找到“次优但可行”的最佳方案。

6. 总结：这篇论文带来了什么？

简单来说，这篇论文发明了一套**“智能交通指挥系统”**：

更灵活：不再死板地规定谁说话谁听，而是根据情况动态调整。
更聪明：懂得“抓大放小”，重点消除大干扰，容忍小干扰。
更务实：承认在极端情况下无法服务所有人，但通过智能取舍，保证了大多数人的体验，避免了系统瘫痪。
更高效：用了一种像“生物进化”一样的算法，快速算出最佳方案。

最终效果：未来的 6G 网络将能像这个系统一样，在设备爆炸式增长、信号环境复杂多变的情况下，依然保持高速、稳定，让绝大多数用户都能流畅地刷视频、玩游戏，而不会因为个别用户的信号差导致整个网络卡顿。

这是一份关于论文《Network-Assisted Full-Duplex Cell-Free Massive MIMO Systems Under Infeasible Circumstances》（不可行情况下的网络辅助全双工无蜂窝大规模 MIMO 系统）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
随着物联网（IoT）、增强/虚拟现实（AR/VR）等应用的发展，第六代移动通信（6G）对频谱效率（SE）和连接密度提出了极高要求。无蜂窝大规模 MIMO（CF-mMIMO）通过分布式接入点（AP）协同工作，被视为解决干扰和提供均匀服务质量的关键技术。全双工（FD）通信允许在同一频率上同时收发，理论上可倍增频谱效率，但面临严重的自干扰（SI）和交叉链路干扰（CLI）。

核心问题：
现有的网络辅助全双工（NAFD）CF-mMIMO 研究通常假设所有用户（UE）都能满足服务质量（QoS）要求，且基于瞬时信道状态信息（CSI）进行优化，这带来了巨大的信令开销。
本文针对以下**不可行（Infeasible）**场景下的挑战进行研究：

资源受限与 QoS 冲突： 在功率预算有限或信道条件恶劣（如深衰落）的情况下，可能无法同时满足所有上行（UL）和下行（DL）用户的最低频谱效率（SE）要求。传统的优化问题在此时会变为“不可行”（无解），导致整个系统无法调度。
计算复杂度与信令开销： 基于瞬时 CSI 的集中式优化计算复杂度高，且需要频繁的信令交互，不适合大规模网络。
模式灵活性不足： 现有方案往往固定 AP 的工作模式（全双工或半双工），缺乏根据网络负载动态调整的能力。

研究目标：
设计一种动态的 NAFD CF-mMIMO 系统，在满足部分用户 QoS 的前提下，最大化网络总频谱效率。当无法服务所有用户时，算法应能智能识别并暂停服务部分用户，同时保证剩余用户的服务质量，从而避免系统陷入“无解”状态。

2. 方法论 (Methodology)

系统模型：

架构： 包含 $M$ 个接入点（AP）和 $K_u$ 个上行用户、 $K_d$ 个下行用户。AP 通过高容量回传链路连接到分布式计算单元（DCCU）。
工作模式： 每个 AP 可动态配置为：
- 全双工 (FD)： 同时收发。
- 半双工 (HD)： 仅上行接收或仅下行发送。
- 通过二进制变量 $a_m$ (DL) 和 $b_m$ (UL) 控制。
信号处理：
- 采用**局部部分迫零（Local Partial Zero-Forcing, PZF）**预编码和合并方案。
- 策略： 将用户分为“强用户”和“弱用户”。对强用户组采用迫零（ZF）以消除主要干扰；对弱用户组采用最大比（MR）以保留阵列增益并容忍干扰。这种设计在分布式框架下平衡了干扰抑制和实现复杂度。
信道模型： 考虑瑞利衰落、大尺度衰落、不完全 CSI（基于 MMSE 估计）以及残留自干扰（RSI）和交叉链路干扰（CLI）。

优化问题构建：

目标函数： 最大化上行和下行用户的总频谱效率之和。
约束条件：
- 每个 AP 和用户的发射功率限制。
- 每个用户的最低 SE 要求（QoS）。
- AP 的工作模式约束（HD 或 FD）。
难点： 该问题是非凸的、混合整数非线性规划（MINLP）问题，且在用户需求过高时可能无可行解。

求解算法：约束处理差分进化算法 (CHDE)
为了解决非凸性和不可行性，作者提出了一种改进的差分进化（Differential Evolution, DE）算法：

编码表示： 将 AP 模式选择（离散变量）和功率控制系数、LSFD 权重（连续变量）映射为连续向量。
约束处理机制（核心创新）：
- 引入服务暂停机制：在评估个体适应度时，如果某些用户无法满足最低 SE 要求，算法不会直接判定该解无效，而是将这些用户标记为“未服务”（暂停服务），将其 SE 设为 0，并重新分配功率给剩余用户。
- 通过这种方式，将原本可能“无解”的问题转化为“寻找最优用户子集”的问题，确保算法始终能找到可行解。
进化操作： 采用 DE/current-to-pbest/1 策略，结合局部搜索（利用最优解）和全局搜索（利用随机差异），以平衡收敛速度和多样性。
收敛性分析： 理论证明了算法在多项式时间内收敛到 $\epsilon$ -最优解空间的概率。

3. 主要贡献 (Key Contributions)

理论推导： 推导了在网络辅助全双工（NAFD）CF-mMIMO 系统中，采用局部 PZF 处理时的上行和下行频谱效率（SE）的闭式表达式。该表达式综合考虑了大尺度衰落、不完全 CSI 和干扰的影响。
问题建模： 建立了一个在功率受限和 QoS 约束下的总 SE 最大化问题。特别地，该模型扩展了现有文献，不仅考虑了 HD 模式，还纳入了 FD 模式，并明确处理了“不可行”场景（即无法满足所有用户 QoS 的情况）。
算法创新： 提出了一种约束处理差分进化算法（CHDE）。
- 能够处理非凸、混合整数优化问题。
- 通过动态识别并剔除无法满足要求的用户（暂停服务），解决了传统优化方法在资源极度受限时“无解”的困境。
- 具有多项式时间复杂度，适合大规模网络。
性能验证： 通过数值仿真，验证了该方案在频谱效率、用户服务数量及算法收敛性方面优于现有的遗传算法（CHGA）、粒子群优化（CHPSO）及随机 NAFD 方案。

4. 实验结果 (Results)

频谱效率提升： 提出的 CHDE 算法相比基准方案（CHPSO, CHGA, Random-NAFD）表现出显著优势。在多种配置下，总 SE 提升了 10% - 82%（取决于对比对象和场景）。
收敛性： CHDE 在约 100 代后进入稳定收敛阶段，且能跳出局部最优，最终解的质量优于 CHGA（易陷入局部最优）和 CHPSO（收敛慢）。
不可行场景处理： 当用户数量增加或 QoS 要求提高导致系统过载时，CHDE 能够智能地暂停部分用户的连接，优先保障剩余用户的 QoS，从而维持系统总 SE 的最优化，避免了系统完全瘫痪。
AP 配置影响：
- 随着 AP 数量增加，总 SE 先升后降（受限于总天线数固定导致的单 AP 天线数减少及干扰增加）。
- 全双工 AP 的比例随 AP 密度增加而增加（约 16%-33%），显著提升了系统效率。
计算效率： 虽然算法复杂度随用户数和 AP 数增加而上升，但通过并行计算架构（如 GPU）可大幅降低实际运行时间。

5. 意义与价值 (Significance)

解决“不可行”难题： 本文最大的理论贡献在于提出了一种处理“不可行”优化问题的实用框架。在现实网络中，资源总是有限的，无法保证 100% 的用户满意度。该算法提供了一种**“优雅降级”**的机制，即在资源不足时，通过牺牲部分边缘用户的服务来保全核心网络性能，这在工程实践中极具价值。
降低信令开销： 基于统计 CSI（大尺度衰落）和长时优化，减少了对瞬时 CSI 的依赖，降低了大规模 CF-mMIMO 系统中的信令开销和回传压力。
灵活的资源管理： 动态调整 AP 的 FD/HD 模式，结合 PZF 处理，为未来 6G 网络在复杂干扰环境下的资源分配提供了新的设计思路。
算法通用性： 提出的约束处理差分进化策略（CHDE）不仅适用于本场景，也可推广至其他具有类似非凸性和不可行性的无线资源管理问题中。

总结：
该论文针对无蜂窝全双工网络在资源受限下的优化难题，提出了一种结合局部 PZF 信号处理和约束处理差分进化算法（CHDE）的解决方案。其核心创新在于能够智能处理“无法满足所有用户需求”的极端情况，通过动态调度用户子集来最大化系统总效能，为未来高动态、高密度无线网络的资源管理提供了坚实的理论基础和高效的算法工具。