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

技术摘要：用于能效型无小区大规模 MIMO 网络中 AP 开关切换技术的演化方法

问题陈述
无小区大规模多输入多输出（CF-mMIMO）是下一代无线通信系统的领先架构，通过协调分布式接入点（AP）提供均匀的服务质量。然而，AP 的密集部署及其完全协作的特性导致了显著的能量消耗。虽然根据时空流量变化动态调整活跃 AP 集合是节省能量的成熟策略，但现有解决方案面临着关键限制。目前的 AP 开/关机制通常依赖于最坏情况下的容量规划或贪婪启发式算法（例如拟合优度指标），这些方法无法充分探索组合激活空间。在面对用户分布不规则的现实且空间非均匀流量负载时，这些方法往往无法找到全局最优解。此外，该优化问题属于 NP-hard 问题；对于一个拥有 100 个 AP 的网络，存在 $2^{100}$ 种可能的激活模式，这使得穷举搜索变得不可行。此外，平衡能量效率（EE）和频谱效率（SE）仍然是一个挑战，因为提高其中之一往往会损害另一方。

方法论
本文提出了两种专门针对大规模 CF-mMIMO 网络在异构流量条件下 AP 激活问题的演化优化策略。系统模型假设采用时分双工（TDD）架构，由 $L$ 个 AP 为 $K$ 个移动站（MS）提供服务，并利用共轭波束成形（CB）或最小均方误差（MMSE）处理技术。

1. 约束遗传算法 (CGA)： 该方法旨在针对固定数量的活跃 AP（$L_A$）优化 EE。该算法采用遗传算法，其种群受到约束，即每个个体（解）必须恰好包含 $L_A$ 个活跃 AP。外层搜索循环通过迭代不同的 $L_A$ 值，以识别全局最优运行点。CGA 使用精英选择、交叉和变异来导航解空间，同时确保在整个演化过程中维持对活跃 AP 数量的约束。
2. 帕累托驱动遗传算法 (PDGA)： 这是一种多目标优化技术，旨在联合优化 EE 和 SE。PDGA 不固定活跃 AP 的数量，而是通过演化种群来构建代表两者之间权衡关系的帕累托前沿（Pareto front）。该算法结合了特定的多样性维持机制：它将变异向“关闭 AP”方向偏置（以寻找高能效解），同时明确保留一个“全 AP 开启”的个体（以保留高 SE 区域的解空间）。这使得网络运营商能够根据特定的 QoS 约束（例如最低要求的 SE）来选择运行点。

两种方法均与基于拟合优度（GoF）测试的基准贪婪搜索策略进行了对比，后者将 AP 激活与 MS 分布对齐，但缺乏全局协调。

核心贡献

• 演化框架： 开发了一个基于遗传算法（GA）的框架，能够有效探索 AP 开/关模式的全局组合空间，克服了贪婪启发式算法在异构流量场景下无法找到全局最优解的局限性。
• CGA 实现： 一种约束型 GA，用于识别具有固定基数的近优 AP 子集，并结合外部搜索来确定最优活跃 AP 数量。
• PDGA 实现： 一种多目标 GA，通过帕累托前沿显式地表征 EE–SE 之间的权衡关系，从而实现面向决策的网络配置，而非仅仅寻求单一最优点。
• 复杂度分析： 对两种提出的算法进行了详细的计算复杂度分析，将其成本与基准方法进行对比，并分析了适应度评估成本相对于算法操作的支配地位。
• 性能评估： 在针对 CB 和 MMSE 处理方案的现实空间非均匀流量分布（使用对数正态分布建模）下进行了广泛的仿真。

结果
仿真结果表明，所提出的演化策略始终优于最先进的贪婪基准方法：

• 能效增益： 在 CB 预编码下，CGA 实现了约 $11.41 \times 10^5$ bit/Joule 的最大 EE（活跃 AP 为 24 个），比 GoF 基准提高了 6.50%。在 MMSE 处理下，增益为 7.12%（$44.29 \times 10^5$ bit/Joule，活跃 AP 为 37 个）。
• 权衡特征化： PDGA 成功生成了帕累托前沿，揭示了随机选择或贪婪选择所产生的被支配解的大量区域。研究强调，由于有效的干扰抑制，MMSE 处理相比 CB 能同时实现更高的 EE 和 SE。
• 运行灵活性： 该框架允许运营商沿着帕累托前沿选择满足特定 SE 约束的同时最大化 EE 的运行点。例如，放宽 SE 约束可以显著减少所需的活跃 AP 数量并提高 EE。
• 鲁棒性： 这些方法在不同的空间 MS 分布（单热点、多热点和均匀分布）下均表现出鲁棒性，能够使活跃 AP 配置适应流量密度。
• 计算可行性： 虽然基于 GA 的方法比 GoF 基准需要更长的运行时间（例如，单台工作站上 CGA-MMSE 约为 184 小时，而 GoF 约为 55 分钟），但分析确认了其在慢时标网络规划（每小时或每天更新）中的可行性。研究发现 PDGA 在计算上比 CGA 更高效，在相同的更新周期内所需的等效工作站节点更少。

意义与主张
本文声称，演化优化为能效型 CF-mMIMO 部署提供了一种强大且可靠的方法，特别是在贪婪方法难以找到全局最优解的空间异构流量场景下。作者强调，其工作不仅提供了改进的能量效率，还为 AP 激活、流量异构性和处理方案（CB vs. MMлоMMSE）之间的相互作用提供了新的见解。

至关重要的是，本文将这些方法定位为部署无关型工具。与需要大量特定分布训练且可能难以泛化的强化学习方法不同，所提出的演化策略可以在没有预先训练的情况下，针对给定的特定空间分布生成配置。这些解可以离线预计算，并通过查找表实时实施。作者总结道，虽然其计算成本高于贪婪启发式算法，但在流量模式以数小时为单位演变的网络规划场景中是可控的，这使得该框架适用于实际的绿色网络设计。