IRS辅助RSMA系统鲁棒波束成形设计：应对硬件损伤与CSI误差

1. 项目概述：当智能反射面遇上速率分割多址接入

在6G及未来无线通信系统的演进蓝图中，我们正面临着两个看似矛盾的核心挑战：一方面，用户对数据速率和连接可靠性的需求呈指数级增长；另一方面，可用的频谱资源却日益紧张。为了在这对矛盾中寻找突破口，学术界和工业界将目光投向了两种极具潜力的技术：智能反射面（IRS）和速率分割多址接入（RSMA）。IRS，这个由大量低成本、无源反射单元组成的平面，能够像“智能镜子”一样，动态地调控无线信号的传播环境，将信号“引导”至原本难以覆盖的盲区或用户，从而在不增加发射功率的前提下，显著增强信号强度、扩展覆盖范围。而RSMA，则是一种革命性的多址接入和干扰管理范式。它不再像传统的空分多址（SDMA）那样简单地将干扰视为噪声，也不像非正交多址（NOMA）那样要求用户完全解码干扰，而是巧妙地将每个用户的信息流拆分为一个所有用户都能解码的“公共部分”和一个仅针对特定用户的“私有部分”。这种拆分赋予了系统前所未有的灵活性，能够根据实时的信道条件，动态地在消除干扰和利用干扰之间取得最佳平衡。

然而，任何美好的理论设想，在走向实际部署时，都必须直面“现实的不完美”。对于IRS-RSMA这套组合拳而言，三大“现实枷锁”尤为突出：首先，是硬件损伤。无论是基站端的功放非线性、相位噪声，还是用户端的接收机噪声系数、I/Q不平衡，这些无法通过校准完全消除的残余损伤，会像信号传输路径上的“砂纸”，不断磨损信号质量，产生与信号功率相关的附加失真噪声。其次，是信道状态信息误差。由于IRS的无源特性，其辅助的信道估计异常复杂，有限的导频资源和反馈延迟使得我们永远无法获得完美的CSI，这种不确定性会直接导致波束成形“指歪了方向”，增益大打折扣。最后，是IRS离散相位偏移。受限于硬件成本和功耗，IRS的每个反射单元通常只能在有限几个离散的相位值中进行切换（例如，用3比特控制，只能选择8个相位），而非理想的连续可调，这相当于给波束成形设计套上了一副“离散化”的镣铐。

因此，本项目的核心命题就是：在一个同时受到硬件损伤、CSI误差和离散相位偏移“三重打击”的IRS辅助多用户RSMA系统中，如何设计一套鲁棒的波束成形方案？我们的目标不是在天真的理想模型下追求纸面性能，而是在承认并建模这些不完美因素的前提下，通过联合优化基站的有源波束成形矩阵和IRS的无源相位偏移向量，最大化系统的加权和速率，从而榨取出系统在严苛现实条件下的每一分潜力。这不仅是理论上的优化问题，更是通向高可靠、高容量6G网络必须攻克的工程实践堡垒。

2. 系统模型与问题构建：在“不完美”中定义通信

要设计鲁棒的方案，第一步是建立一个能够准确刻画所有关键不完美因素的系统模型。这是我们所有分析与优化的基石。

2.1 信号接收模型：从发射机到接收机的失真之旅

我们考虑一个下行多用户MISO系统。基站配备NB根天线，服务K个单天线用户，并有一个由NI个反射单元构成的IRS提供辅助。在考虑了硬件损伤后，第k个用户的接收信号可以建模为：

yk = (h_{BU,k}^H + ξ^T H_{eff,k}^H) x + n_k + κ_{R,k}

这个公式看似复杂，但拆解开来非常直观：

• h_{BU,k}和H_{eff,k}：分别代表从基站到用户的直接链路信道，以及从基站到IRS再到用户的级联链路等效信道。ξ是IRS的相位偏移向量，其每个元素e^{jθ_m}的相位θ_m只能从一个离散集合T中选取（例如，3比特量化对应8个相位选项）。
• x：基站的发射信号向量。在RSMA的“一层”架构下，它包含了为所有用户服务的信号：x = w_c s_c + Σ_{k=1}^K w_{p,k} s_{p,k} + κ_T。这里，w_c和w_{p,k}分别是公共流和用户k私有流的预编码向量，s_c和s_{p,k}是对应的数据流。κ_T是发射机硬件损伤引入的失真噪声，其功率与发射信号功率成正比，即κ_T ~ CN(0, β_T^2 · diag(W W^H))，其中β_T是归一化的发射机损伤水平。
• n_k：用户k处的高斯白噪声。
• κ_{R,k}：接收机硬件损伤引入的失真噪声。其模型为κ_{R,k} ~ CN(0, β_{R,k}^2 · E{|ỹ_k|^2})，其中ỹ_k是理想接收信号，β_{R,k}是接收机损伤水平。这意味着接收失真噪声的功率与到达接收机的信号总功率相关。

关键点解析：将硬件损伤建模为加性高斯噪声，且其方差与信号功率成正比，是基于大量实测数据和分析的经典模型。它抓住了损伤的核心特征：信号越强，产生的失真也越大，从而在高信噪比区域会形成一个不可逾越的“性能天花板”。

2.2 不完美CSI建模：与不确定性共舞

我们无法获得完美的信道H_{eff,k}和h_{BU,k}，只能得到其估计值H̃_{eff,k}和h̃_{BU,k}。真实的信道与估计值之间存在误差：H_{eff,k} = H̃_{eff,k} + ΔH_{eff,k},h_{BU,k} = h̃_{BU,k} + Δh_{BU,k}其中，信道误差ΔH_{eff,k}和Δh_{BU,k}被建模为均值为零、方差为δ_k^2的复高斯随机向量。δ_k^2的大小量化了信道估计的不准确程度。

2.3 RSMA的速率拆分与SIC解码流程

RSMA的精髓在于其独特的编解码结构：

1. 发射端：基站将发给每个用户的消息拆分为一个公共部分s_c和一个私有部分s_{p,k}。所有用户的公共部分被合并成一个公共流，用预编码向量w_c发送；每个用户的私有部分则形成各自的私有流，用w_{p,k}发送。所有流叠加后通过天线发射。
2. 接收端（以用户k为例）：
   • 第一步 - 解码公共流：用户k将收到的信号y_k中的所有私有流、硬件损伤噪声和背景噪声都视为干扰，尝试解码公共流s_c。其信干噪比（SINR）记为γ_{c,k}，对应的瞬时可达速率为R_{c,k} = log2(1+γ_{c,k})。为了确保所有用户都能成功解码公共流，系统的公共速率R_c由所有用户中最差的那个R_{c,k}决定，即R_c = min_k (R_{c,k})。这个公共速率R_c随后会在用户间进行分配，用户k分得r_{c,k}，且Σ_k r_{c,k} = R_c。
   • 第二步 - 串行干扰消除（SIC）：用户k从接收信号中减去已解码的公共流成分。
   • 第三步 - 解码私有流：在消除了公共流干扰后，用户k将其他用户的私有流和剩余噪声视为干扰，解码自己的私有流s_{p,k}。其SINR为γ_{p,k}，瞬时私有速率为R_{p,k} = log2(1+γ_{p,k})。
3. 最终速率：用户k的总可达速率是其分配到的公共部分速率与其私有速率之和：R_k = r_{c,k} + R_{p,k}。

2.4 鲁棒优化问题的形式化

我们的目标是在发射功率约束、离散相位约束、以及所有用户满足最低速率需求 (R_k^{th}) 的前提下，最大化所有用户的加权和速率。由于CSI是随机的（存在误差），直接优化瞬时速率不现实。因此，我们转向优化平均加权和速率，即对信道误差的分布取期望。

然而，R_{c,k}和R_{p,k}都是关于信道（包含随机误差）的复杂函数，直接求期望非常困难。这里用到了一个重要的关系：遍历容量（对真实信道求期望）等于对估计信道条件下的平均容量再求期望。即：E_{H}[R] = E_{H̃}[ E_{H|H̃}[R | H̃] ]因此，我们可以将问题转化为：对于每一组给定的信道估计值H̃，最大化在该估计条件下的平均加权和速率。这样，我们就把一个随机优化问题，转化为了一个以大量信道误差样本为基础的确定性优化问题。

最终，我们得到如下优化问题（P1）：

最大化： Σ_{k=1}^K η_k (r_{c,k} + R̄_{p,k}) 约束条件： 1. 功率约束：(1+β_T^2) * tr(W W^H) ≤ P 2. 公共速率拆分约束：Σ_{k=1}^K r_{c,k} ≤ R̄_{c,k}, ∀k 3. 服务质量约束：r_{c,k} + R̄_{p,k} ≥ R_k^{th}, ∀k 4. 离散相位约束：θ_m ∈ T, ∀m

其中，R̄_{c,k}和R̄_{p,k}是在给定信道估计H̃下，对信道误差分布取平均后的平均速率。η_k是用户k的权重因子，体现其优先级。

核心难点：这个问题是“难啃的骨头”。目标函数和约束条件由于速率函数的对数形式而非凸；离散相位约束是组合优化问题；而平均速率R̄涉及高维积分，是随机优化问题。传统的凸优化方法无法直接应用。

3. 基于样本平均近似（SAA）的鲁棒算法设计

面对上述三重难题，我们提出了一套基于样本平均近似（SAA）和加权最小均方误差（WMMSE）框架的迭代优化算法。其核心思想是“分而治之”和“迭代逼近”。

3.1 算法总体框架：从随机到确定，从非凸到凸

算法的流程可以概括为以下几个关键步骤：

1. 样本平均近似（SAA）：我们无法解析地计算平均速率R̄，但可以用蒙特卡洛方法进行近似。我们生成A个（例如5000个）独立同分布的信道误差样本{ΔH^a, Δh^a}，叠加到信道估计值上，得到A组“可能的”真实信道实现{H^a}。然后用这A个样本上速率的算术平均(1/A) Σ_a R^a来近似R̄。根据大数定律，当A足够大时，这个近似会非常精确。这样，我们将随机优化问题（P1）转化为了一个大规模的确定性优化问题（P2）。

2. WMMSE变换：即使问题变为确定性，目标函数中的log2(1+SINR)形式仍然是非凸的。这里我们引入了通信优化中一个非常强大的工具——WMMSE等价关系。其核心发现是：最大化速率问题，等价于在引入一组辅助变量（均衡器g和权重λ）后，最小化一个加权均方误差（MSE）和的问题。这个等价变换将非凸的速率函数，转化为了关于预编码矩阵W和相位向量ξ的二次型形式（当g和λ固定时），从而变得易于处理。

3. 交替优化（AO）：即使经过WMMSE变换，变量W、r_c和ξ仍然耦合在一起。我们采用交替优化的策略：

   • 固定ξ，优化W和r_c：此时问题关于W和r_c是一个凸优化问题（具体表现为二阶锥规划或二次约束二次规划），可以使用内点法等标准凸优化工具高效求解。
   • 固定W和r_c，优化ξ：这是整个算法的难点所在，因为ξ不仅有单位模约束|ξ_i|=1，还有离散相位约束θ_m ∈ T。

3.2 IRS离散相位偏移的优化：ADMM破局

优化带有离散约束的ξ是组合优化问题，直接搜索复杂度随NI指数增长，不可行。我们采用了交替方向乘子法（ADMM）来巧妙处理。

思路如下：

1. 问题重构：我们引入2K+1个与ξ相等的辅助变量{z_i}，将原问题转化为一个带有多个约束的QCQP问题。这样做的目的是将复杂的耦合约束拆解。
2. ADMM迭代求解：ADMM框架将问题分解为三个可并行求解的子问题：
   • 子问题1（更新ξ）：固定{z_i}，更新ξ。这是一个无约束的二次规划问题，有闭式解，通过求导令梯度为零即可得到。
   • 子问题2（更新部分z_i）：这部分z_i对应速率约束。问题形式为“最小化二次函数，受一个二次不等式约束”。这是一个仅含一个约束的QCQP，可以通过拉格朗日乘子法结合二分搜索高效求解。
   • 子问题3（更新离散相位对应的z_{2K+1}）：这个子问题要求z_{2K+1}的每个元素相位属于离散集合T。令人惊喜的是，当其他变量固定时，这个问题可以完全解耦到每一个IRS单元上！每个单元m的优化问题简化为：最小化： cos(∠[ς]_m - ∠[z_{2K+1}]_m)约束： ∠[z_{2K+1}]_m ∈ T其中ς是一个已知向量。这个问题的解直观而优美：选择离散集合T中，与ς的相位角∠[ς]_m最接近的那个相位值。这相当于一个简单的“四舍五入”或“最近邻投影”操作，计算复杂度极低。
3. 乘子更新：按照标准ADMM步骤更新拉格朗日乘子。
4. 迭代与收敛：重复以上步骤，直到ξ和所有{z_i}足够接近（满足约束），且目标函数不再显著提升。

实操心得：ADMM方法将一个复杂的离散优化问题，分解为一系列具有闭式解或极易求解的子问题。其中，离散相位子问题的解耦特性是算法高效的关键。在实际编程实现中，为ADMM的惩罚参数ρ选择一个合适的值（例如，设为目标函数中二次项矩阵的最大特征值）能显著加快收敛速度。

3.3 完整算法流程与初始化策略

将以上步骤整合，我们得到如下所示的鲁棒波束成形与相位偏移联合设计算法：

算法1：基于SAA的IRS-RSMA鲁棒设计算法

1. 初始化：设置外循环迭代索引t_O = 1。
   • 初始化W^0,r_c^0,ξ^0。一个有效的策略是将r_c^0设为零向量，此时RSMA退化为SDMA问题。我们可以先用现有文献中（如Tao et al., 2022）针对SDMA的鲁棒算法求解出一个可行的W^0和ξ^0。
   • 初始化ADMM内部变量z_i^0 = ξ^0,μ_i^0 = 0。
2. 外循环（主迭代）： a.更新均衡器与权重：根据当前的信道样本和变量(W, ξ)，利用公式g_{c,k}^a = (w_c^H (h_{BU,k}^a + H_{eff,k}^a ξ*)) / d_{c,k}^a和λ_{c,k}^a = 1 + γ_{c,k}^a（私有流类似）更新所有样本a和用户k的g和λ。 b.优化基站波束成形W和公共速率分配r_c：固定ξ，求解凸优化问题（P4-1），更新W^{t_O}和r_c^{t_O}。 c.优化IRS相位偏移ξ（内循环）： i. 设置内循环索引t_I = 1。 ii. 固定W和r_c，执行ADMM迭代直至收敛： - 按公式ξ = [Σ η_k Ω_p,k^ξ + (2K+1)ρ I]^{-1} [Σ η_k ψ_p,k^ξ + ρ Σ (z_i + μ_i)]更新ξ。 - 按公式z_k = (η_{1,k} Ω_{c,k}^ξ + I)^{-1} (η_{1,k} ψ_{c,k}^ξ - μ_k + ξ)更新与公共速率约束相关的z_k，其中η_{1,k}通过二分搜索确定。 - 类似地更新与私有速率约束相关的z_{K+k}。 - 按公式[z_{2K+1}]_m = e^{j * argmin_{ϑ∈T} {mod(|ϑ - ∠ς_m|, 2π) - π}}更新离散相位变量z_{2K+1}。 - 更新乘子μ_i。 iii. 内循环结束后，得到ξ^{t_O}。 d. 检查外循环收敛条件：如果加权和速率的变化小于阈值或达到最大迭代次数，则停止；否则，t_O = t_O + 1，返回步骤2a。

3.4 算法复杂度与收敛性分析

• 收敛性：算法在每次迭代中，WMMSE步骤的均衡器和权重更新是最优的；固定ξ优化W和r_c是求解一个凸问题，保证目标函数不降；固定W和r_c优化ξ的ADMM过程也已被证明是收敛的。因此，整个交替优化过程能保证目标函数单调非减���且由于功率约束，目标函数有上界，故算法最终收敛。
• 复杂度：算法的主要计算开销在于：
  1. 计算权重和均衡器：O(A K N_B N_I)。
  2. 求解基站波束成形凸问题：使用内点法，复杂度约为O(N_B^{3.5} K^{3.5})。
  3. 优化IRS相位：矩阵求逆和ADMM迭代，复杂度约为O(K N_I^3 log l)，其中l是二分搜索区间长度。 总体复杂度在多项式范围内，对于中等规模的系统（如N_B=4, K=4, N_I=16）是可实现的。

注意事项：虽然算法理论上是收敛的，但初始点的选择会影响收敛速度和最终解的质量。采用退化的SDMA解作为RSMA的“热启动”，是一个行之有效的策略。此外，SAA中样本数A的选择需要在计算精度和复杂度之间权衡，通常几百到几千个样本足以获得稳定的统计特性。

4. 仿真结果与性能分析：RSMA的鲁棒性优势

我们通过大量的蒙特卡洛仿真来验证所提算法的有效性，并揭示IRS-RSMA系统在实际不完美因素下的性能特性。仿真场景设置如下：基站位于(0,0,0)，IRS位于(100,0,0)，用户随机分布在以IRS为中心、半径10米的圆内。大尺度路径损耗采用C0 * d^{-α}模型，其中C0=-30dB，BS-用户、BS-IRS、IRS-用户的路径损耗指数分别为3.5, 2.2, 2.2。小尺度衰落为莱斯衰落，莱斯因子为5。默认参数：用户数K=4，基站天线N_B=4，IRS单元数N_I=16，发射功率P=30dBm，噪声功率σ_k^2 = -100dBm，硬件损伤水平β_T = β_R = 0.08，CSI误差方差δ_k^2 = 0.2，SAA样本数A=5000。

4.1 收敛性与性能基准对比

首先，算法在不同用户数、发射功率和IRS单元数下的收敛曲线表明，算法通常在10-15次外循环迭代内即可收敛，证明了其良好的实用性和效率。

我们对比了以下几种关键场景下的系统加权和速率：

1. 理想场景：无硬件损伤、完美CSI、连续相位IRS。这是性能上界。
2. RSMA (所提算法)：在硬件损伤、CSI误差、3比特离散相位下，使用我们提出的鲁棒算法。
3. SDMA (鲁棒算法)：在相同不完美条件下，将RSMA退化为SDMA（即不进行速率拆分，r_c=0）并采用类似的鲁棒设计。
4. RSMA/SDMA with 随机相位：其他条件相同，但IRS相位随机选择，用于凸显优化的重要性。

核心发现一：RSMA的固有鲁棒性在所有包含不完美因素的场景中，RSMA架构都一致地、显著地优于SDMA。例如，在某个典型设置下，RSMA的加权和速率比SDMA高出约20%-40%。这是因为RSMA的公共流扮演了一个“干扰缓冲器”的角色。当CSI存在误差或硬件损伤导致干扰加剧时，SDMA将所有干扰视为噪声，性能急剧恶化。而RSMA则通过公共流承载一部分共性的干扰信息，允许用户在解码公共流时部分地消除这些干扰，从而更稳健地维持了私有流的通信质量。

4.2 各类不完美因素的独立影响分析

为了深入理解每种缺陷的影响，我们进行了控制变量分析：

硬件损伤水平 (β) 的影响： 随着硬件损伤水平β从0.02增加到0.2，所有系统的性能都出现下降。但关键观察点是：

• 性能地板效应：在高β区域（如β=0.3），即使继续增加发射功率，系统速率也无法提升，形成了一个明显的“性能地板”。这是因为硬件损伤噪声的功率与信号功率成正比，当信号功率足够大时，损伤噪声成为主导因素。我们的鲁棒算法通过在设计时预先考虑损伤噪声的统计特性，能够部分缓解这一效应，但无法从根本上消除这个理论上限。
• 算法对比：我们将所提算法与两种忽略硬件损伤的基准算法（HI-1, HI-2）对比。仿真显示，在β=0.08时，忽略硬件损伤的算法性能损失可达15%以上。这强调了在波束成形设计中显式建模硬件损伤的必要性。

CSI误差方差 (δ^2) 的影响： 随着CSI不确定性增大，系统性能同样下降。我们对比了所提算法与两种处理CSI误差的基准算法（CSI-1, CSI-2）。

• 所提算法通过SAA方法，利用大量信道样本来“感知”误差的分布，从而设计出对误差不敏感的波束成形。
• 基准算法CSI-2采用了基于最大比传输（MRT）的固定波束成形策略，其在多用户干扰严重的场景下性能受限。仿真结果表明，在中等CSI误差下，所提算法能获得约10%-25%的性能增益。

IRS相位量化比特数 (b) 的影响： 我们比较了理想连续相位、3比特量化（8个相位选项）和1比特量化（2个相位选项，即0和π）下的性能。

• 性能饱和现象：令人鼓舞的是，3比特量化的性能已经非常接近理想连续相位，损失仅在5%以内。而1比特量化则会产生约20%-30%的性能损失。
• 工程启示：这意味着在实际IRS硬件设计中，采用3-4比特的移相器是一个性价比极高的选择。它能够在硬件复杂度、成本和系统性能之间取得很好的平衡。我们的ADMM算法能够高效地处理这种离散约束，找到（接近）最优的离散相位组合。

4.3 所提算法与各类基准算法的全面较量

我们将所提算法与第4节开头列举的9种基准算法进行了全面对比，主要结论如下表所示：

仿真曲线清晰地显示，在横轴为发射功率、纵轴为加权和速率的图中，所提算法的性能曲线始终位于其他所有只考虑部分不完美的基准算法之上，并且最逼近考虑了所有不完美因素后的“理论上界”（即分别用完美硬件、完美CSI、连续相位替代对应不完美因素后的性能）。

5. 工程实现考量与未来扩展

在实际部署本文所提方案时，有几个工程细节需要重点关注：

信道估计与反馈：本算法依赖于信道估计值H̃和误差统计量δ^2。在实际系统中，需要设计低开销的信道估计方案（如基于压缩感知或深度学习的方案）来获取这些信息。误差方差δ^2可以通过长期测量或理论分析进行标定。

算法计算延迟：虽然算法复杂度是多项式的，但对于大规模IRS（如N_I=256）和用户数，中央处理器的计算压力依然存在。可以考虑两种路径：一是开发更低复杂度的近似算法（如基于深度学习的方法）；二是采用分布式或分层计算架构，将部分计算任务下放。

扩展场景：

1. 宽带频率选择性信道：当前模型适��于窄带平坦衰落信道。对于宽带系统，需要将模型扩展为OFDM子载波模型，并考虑各子载波上IRS相位的一致性（如果IRS是频率无选择的）或可调性（如果IRS是频率选择的）。
2. 动态环境与移动性：本文假设信道在优化周期内是准静态的。对于高速移动用户，需要研究低复杂度的自适应算法，或者将深度强化学习与模型驱动方法结合，实现快速波束跟踪。
3. 多IRS协作：单个IRS的覆盖和自由度有限。未来可以研究多个IRS协作辅助的RSMA系统，此时需要解决更复杂的联合波束成形、相位设计以及IRS之间的关联性问题。
4. 与其它先进技术结合：例如，将RSMA与毫米波/太赫兹通信、通感一体化（ISAC）、移动天线（MA）等技术结合，探索在更前沿场景下的鲁棒性设计。

个人实操体会：在这个项目中，最深刻的体会是“模型的力量”。一开始面对硬件损伤、CSI误差、离散相位这三个“麻烦”时，感觉无从下手。但当我们严格地用数学公式将它们建模到系统方程和优化问题中后，混乱变得清晰。SAA方法像一台“显微镜”，让我们能通过大量样本窥见随机性的规律；WMMSE变换像一把“钥匙”，打开了非凸问题的锁；而ADMM则像一把“手术刀”，精准地解剖了离散约束这个难题。这套“建模-转化-分解”的流程，对于解决通信中其他复杂的联合优化问题（如资源分配、网络切片等）具有很强的借鉴意义。最终，仿真中RSMA曲线始终稳健地站在SDMA上方，那一刻让人确信，在充满不确定性的现实信道中，为系统保留一层（公共流）用于“协商”和“缓冲”干扰的灵活性，是多么有价值的设计哲学。