非理想RIS辅助OSTBC系统性能分析与优化：从理论建模到低复杂度算法

1. 项目概述：从理想模型到现实挑战

在无线通信领域，我们一直在追求两个看似矛盾的目标：更高的数据速率和更可靠的连接。传统的多天线技术，比如多输入多输出，通过空间分集和复用，已经将系统性能推向了理论极限的边缘。然而，当信号传播路径被建筑物、室内设备或密集的城市环境阻挡时，再精妙的编码和信号处理也难为无米之炊。可重构智能表面技术的出现，为我们打开了一扇新的大门。它本质上是一个由大量低成本、无源反射单元组成的平面，通过编程控制每个单元的电磁响应，我们能够“塑造”无线信道，为信号开辟新的、可控的传播路径。

但理想很丰满，现实却很骨感。早期关于RIS的研究大多建立在两个过于理想的假设之上：一是RIS的每个单元都能实现完美的、独立的相位和幅度控制；二是基站和用户都能获得完美无缺的信道状态信息。在实际的硬件中，RIS单元的反射幅度往往与其相位设置耦合，无法独立调节，且受限于数字控制器的精度，相位只能在有限的几个离散值中选择。另一方面，信道估计永远伴随着误差，尤其是在复杂的级联信道场景下。这些非理想因素就像隐藏在系统背后的“噪音”，如果不加以精确分析和补偿，理论上的性能增益会在实际部署中大打折扣。

因此，我们面临的核心问题变得非常具体：在一个采用正交空时分组码的多天线系统中，当RIS的反射单元具有非理想、相位相关的幅度响应，且信道估计存在误差时，我们如何精确地预测系统的符号错误率性能？更进一步，当RIS规模变得很大时，传统的精确数学分析变得难以处理，我们能否找到一种既精确又可扩展的分析方法？最后，基于这些分析，我们能否设计出一种低复杂度的算法，为实际的、硬件受限的RIS找到最优的相位配置，从而最大化系统可靠性？这正是我们这项工作的出发点。我们将从最底层的信道模型和统计分布出发，一步步构建起一个从理论分析到实践优化的完整框架。

2. 核心思路与方案设计：构建统一的分析与优化框架

面对上述挑战，我们的核心思路是建立一个统一、可扩展且贴近实际的数学分析框架。这个框架需要同时处理三个关键的非理想因素：非理想的RIS幅度-相位耦合模型、离散化的相位量化，以及信道估计误差。我们的方案设计围绕以下几个核心支柱展开。

2.1 系统模型与问题形式化

我们考虑一个经典的三节点系统：一个配备Nt根天线的发射机，一个配备单根天线的接收机，以及一个由M×N个反射单元组成的RIS。由于直接链路被阻塞，通信完全通过RIS反射路径建立。发射机采用OSTBC来获取空间分集增益，这是一种无需发射机知晓信道状态信息就能获得满分集阶数的优秀方案。

系统的核心是级联信道向量f = g diag(θ) H。这里，H是发射机到RIS的信道矩阵，g是RIS到接收机的信道向量，而diag(θ)则代表了RIS的配置，它是一个对角矩阵，其对角线元素就是每个RIS单元的复反射系数β_n(φ_n) e^{jφ_n}。关键就在于这个β_n(φ_n)，它不是一个恒为1的常数。我们采用了一个被广泛验证的实用模型：β_n(φ_n) = (1 - β_min) * |sin((φ_n - c)/2)|^k + β_min。其中，β_min是最小反射幅度，c是达到最小幅度时的相位偏移，k控制着耦合曲线的陡峭度。当β_min=1或k=0时，模型退化为理想的独立相位控制模型。这个模型准确地刻画了实际RIS单元中，调节相位时幅度必然随之变化的物理限制。

在接收端，我们采用最小均方误差估计器来获取级联信道f的估计值\hat{f}，估计误差e建模为零均值、方差为σ_e^2的复高斯随机向量。这个误差会直接“污染”我们用于解码的信道信息。

我们的优化目标是：在给定离散相位码本（例如，2比特量化对应{0, π/2, π, 3π/2}四个可选相位）和上述幅度-相位耦合模型的约束下，寻找RIS的相位配置向量φ，使得系统的平均符号错误率最小。然而，直接优化SER在数学上是极其困难的，因为它涉及到复杂的特殊函数积分和对随机变量分布的期望运算。我们需要找到一个更易于处理、且与SER强相关的替代目标函数。

2.2 从瞬时信噪比到特征值分布：分析路径的转变

OSTBC解码后的瞬时信噪比可以表示为：ρ = (γ / R_c) * Z。其中，γ是平均接收信噪比，R_c是OSTBC的码率，而Z = ||f||^2，即级联信道向量的范数平方。这里蕴含着一个重要的数学洞察：对于行向量f，其Gram矩阵f†f是一个秩为1的埃尔米特矩阵，它唯一的非零特征值正是Z。

通过巧妙的矩阵分解，我们可以将Z重新表述为：Z = \tilde{h}^† λ \tilde{h}。这里，λ是RIS-接收机Gram矩阵(\diag(θ) g)^† (\diag(θ) g)的唯一非零特征值，而\tilde{h}是一个统计意义上等价的复高斯信道向量。这个变换至关重要，它将复杂的级联信道统计特性，分解为两部分：一部分是只与RIS配置和RIS-接收机链路相关的标量随机变量λ的分布；另一部分是已知的、服从卡方分布的信道向量\tilde{h}的二次型。

因此，整个SER分析的核心，就转化为求解随机变量λ的概率密度函数和矩生成函数。λ的表达式很直观：λ = Σ_{i=1}^{N_RIS} β_i^2(φ_i) * |g_i|^2。其中|g_i|^2服从单位均值的指数分布。当所有RIS单元的幅度响应相同时，λ是多个独立同分布指数随机变量之和，服从埃尔朗分布，我们可以得到其PDF和MGF的精确闭式解。然而，在更一般的非理想情况下，每个β_i(φ_i)都不同，λ就变成了多个独立但不同分布的指数随机变量之和，其精确分布是 hypo-exponential 分布。虽然对于小规模RIS（例如N_RIS <= 6），我们仍然可以推导出包含特殊函数（如贝塞尔函数、合流超几何函数）的精确闭式表达式，但随着RIS单元数量增加，这些表达式的计算复杂度会爆炸式增长，变得不再实用。

2.3 鞍点近似：应对大规模RIS的可扩展武器

对于大规模RIS部署，精确分析变得棘手。我们引入了两种近似方法：基于Lindeberg-Feller中心极限定理的高斯近似和鞍点近似。

• 高斯近似：当N_RIS很大时，根据中心极限定理，λ近似服从高斯分布，其均值为各β_i^2(φ_i)之和，方差为各β_i^4(φ_i)之和。这种方法计算简单，但在分布的中部，特别是尾部，精度不足，对于需要精确计算SER（尤其关注低错误率区域）的场景来说不够可靠。
• 鞍点近似：这是一种更为强大和精确的近似技术。它利用λ的累积量生成函数ψ(s) = log E[e^{sλ}]，通过求解鞍点方程ψ‘(ŝ) = y来逼近λ的PDF：f_λ(y) ≈ [1 / sqrt(2π ψ''(ŝ))] * exp(ψ(ŝ) - ŝ y)。

SPA的强大之处在于，它对于中小规模的N_RIS也能保持极高的精度，并且随着N_RIS增大，其精度会收敛到与精确解无异。我们的仿真结果表明，即使对于N_RIS=10或20，SPA也能极其精确地匹配蒙特卡洛模拟结果，而高斯近似则存在肉眼可见的偏差。因此，我们选择SPA作为构建统一分析框架的基石。

2.4 负矩与编码增益：架起分析与优化的桥梁

通过将SPA近似的PDF代入SER公式，并进行高信噪比渐近分析，我们得到了一个至关重要的发现：系统的渐近编码增益G_c与λ的N_t阶负矩E[λ^{-N_t}]成反比。

这是一个具有深刻工程意义的结论。它意味着，最大化编码增益（即最小化SER）等价于最小化λ的N_t阶负矩。这个负矩的计算只依赖于λ的分布，而λ的分布又完全由RIS的配置{φ_i}决定。因此，我们成功地将一个复杂的、需要积分运算的SER最小化问题，转化为了一个相对更简单的、关于λ分布的负矩最小化问题。

这个转化带来了巨大的优势：

1. 计算高效：计算负矩E[λ^{-N_t}]比通过蒙特卡洛仿真计算平均SER要快几个数量级。
2. 物理可测：λ本质上代表了经过RIS配置“整形”后，从RIS到接收机的等效信道增益功率。在实际系统中，可以通过测量接收信号功率来估计其统计特性。
3. 指导优化：它为我们设计低复杂度的RIS相位配置算法提供了一个清晰、可计算的目标函数。

3. 理论推导与性能分析详解

基于上述框架，我们展开详细的理论推导。整个过程分为两条主线：一是针对幅度响应相同的理想/简化情况；二是针对幅度响应非相同的普遍情况。

3.1 理想幅度响应下的精确分析

当所有RIS单元具有相同的幅度响应β(φ)时，λ ~ Erlang(N_RIS, 1/β^2(φ))。其PDF为：f_λ(y) = [β^{-2N_RIS}(φ) / Γ(N_RIS)] * y^{N_RIS-1} * exp(-y/β^2(φ))

通过对条件分布f_{Z|λ}求期望，并利用积分公式，我们可以得到Z的精确PDF，其中包含第二类修正贝塞尔函数K_{v}(·)：f_Z(a) = [2 / (Γ(N_t)Γ(N_RIS))] * a^{(N_RIS+N_t-2)/2} * β(φ)^{-N_RIS-N_t} * K_{N_RIS-N_t}(2√a / β(φ))

进而，通过拉普拉斯变换，可以得到瞬时信噪比ρ的矩生成函数的精确表达式，最终表示为合流超几何Tricomi函数U(·, ·, ·)：M_ρ(-s) = [μ(s)^{-N_RIS} β(φ)^{-2N_RIS}] * U( N_RIS, N_RIS - N_t + 1, 1/(μ(s)β^2(φ)) )其中μ(s) = (γ s)/R_c。

对于M-PSK和M-QAM调制，其平均SER可以统一表示为MGF在特定区间上的积分：P_M-PSK = (1/π) ∫_0^{(M-1)π/M} M_ρ(-α_PSK/(2 sin^2θ)) dθP_M-QAM = (4/π)(1-1/√M) ∫_0^{π/2} M_ρ(-α_QAM/sin^2θ) dθ - (4/π)(1-1/√M)^2 ∫_0^{π/4} M_ρ(-α_QAM/sin^2θ) dθ其中α_PSK = 2 sin^2(π/M)，α_QAM = 3/(2(M-1))。

在高信噪比区域，对MGF进行渐近展开，可以得到SER的近似表达式P_∞ ≈ (G_c * γ)^{-G_d}，从而解析出分集阶数G_d和编码增益G_c：

• G_d = N_t：分集阶数仅由发射天线数量决定，与RIS无关。这意味着RIS不能提供额外的分集增益，它的主要作用是提升编码增益。
• G_c ∝ β^2(φ)：编码增益与RIS单元反射幅度的平方成正比。这直观地说明，反射幅度越低（硬件损耗越大），编码增益损失就越大，误码性能越差。

3.2 非理想幅度响应下的统一分析

在更一般的非理想情况下，λ是多个不同参数的指数分布变量之和。其精确PDF为 hypo-exponential 分布：f_λ(y) = [Π_{i=1}^{N_RIS} (1/β_i^2)] * Σ_{j=1}^{N_RIS} [ e^{-y/β_j^2} / Π_{k≠j} (1/β_k^2 - 1/β_j^2) ]

相应的，Z的PDF和ρ的MGF也会包含类似的求和与特殊函数形式。正如前所述，该表达式在N_RIS较大时计算负担沉重。

因此，我们转向使用SPA来近似f_λ(y)。首先需要计算λ的累积量生成函数。由于每个|g_i|^2 ~ Exp(1/β_i^2)，其MGF为(1 - s β_i^2)^{-1}，因此：ψ(s) = log E[e^{sλ}] = - Σ_{i=1}^{N_RIS} log(1 - s β_i^2(φ_i))进而可以求得一阶导数ψ‘(s)和二阶导数ψ’‘(s)。对于给定的y，通过数值方法（如牛顿法、二分法）求解鞍点方程ψ‘(ŝ) = y，即可得到SPA近似的PDF。

将SPA近似的f_λ(y)代入，可以得到Z的近似PDF和ρ的近似MGF：M_ρ(-s) ≈ (1/√(2π)) ∫_0^∞ [e^{ψ(ŝ) - ŝ y} / √(ψ''(ŝ))] * (1 + μ(s) y)^{-N_t} dy这个积分需要数值计算，但相比精确表达式的求和与特殊函数运算，其计算复杂度是可接受的，且精度极高。

对该MGF进行高信噪比渐近分析，我们得到了之前提到的核心关系：编码增益G_c ∝ [E_λ[λ^{-N_t}]]^{-1/N_t}。这正式将编码增益与λ的N_t阶负矩联系起来。

3.3 信道估计误差的影响

信道估计误差的影响非常清晰。我们推导了在MMSE估计下，存在CEE时的有效瞬时信干噪比：ρ = [γ / (R_c + 2γ σ_e^2)] * ||\hat{f}||^2 = γ_eff * Z其中，γ_eff = γ / (R_c + 2γ σ_e^2) 是有效平均信噪比。

这个结果具有深刻的启示：信道估计误差并不会改变随机变量Z = ||\hat{f}||^2的统计分布形式（它仍然保持原有的Gram矩阵结构），而只是在信噪比上施加了一个确定的缩放因子。当估计误差方差σ_e^2趋于0时，γ_eff退化为γ/R_c，与完美CSI情况一致。当σ_e^2 > 0时，有效信噪比γ_eff在高信噪比区域会趋于一个常数上限1/(2σ_e^2)，这将导致SER曲线出现错误平层，从而完全抵消掉分集增益。我们的分析框架通过简单地将γ/R_c替换为γ_eff，就能无缝融入CEE的影响。

4. 基于负矩最小化的低复杂度优化算法

理论分析指明了方向：最小化负矩E[λ^{-N_t}]就能最大化编码增益。接下来，我们需要一个能在离散相位约束下高效求解此优化问题的算法。

4.1 算法设计：分组贪婪搜索

直接对全部N_RIS个单元进行全局最优搜索的复杂度是O((2^b)^{N_RIS})，这是不可接受的。我们提出了一种分组贪婪搜索算法，在性能和复杂度之间取得了良好平衡。

算法核心步骤：

1. 初始化：将RIS的N_RIS个单元划分为G个不相交的组（例如，每组包含连续的N_RIS/G个单元）。随机初始化一个RIS相位配置Φ（从离散码本中随机选取）。
2. 迭代优化：对每一个组g (从1到G)： a.固定其他组：保持所有不属于组g的单元的相位不变。 b.生成候选：为组g内的所有单元，随机生成T个候选相位向量（每个相位从离散码本中抽取）。 c.评估候选：对于每一个候选相位向量φ_g^(t)： i. 构造临时RIS配置Φ_t：将组g的相位替换为φ_g^(t)。 ii. 根据幅度-相位耦合模型公式，计算所有RIS单元在当前配置下的反射幅度β_i(φ_i)。 iii. 根据公式λ = Σ β_i^2(φ_i) * |g_i|^2，此时|g_i|^2是随机变量。我们需要计算的是E[λ^{-N_t}]。注意，这里λ的分布由{β_i^2(φ_i)}决定。我们可以利用SPA框架：先根据{β_i^2(φ_i)}计算CGF ψ(s)，然后对于一系列y值，求解鞍点并计算SPA近似的PDF f_λ(y)，最后通过数值积分计算负矩∫ y^{-N_t} f_λ(y) dy。在实际算法实现中，可以通过蒙特卡洛积分来近似这个期望：生成大量|g_i|^2的样本，计算对应的λ样本值，然后直接计算样本的负矩均值。 iv. 记录该候选配置的负矩值。 d.选择最优：从T个候选配置中，选择负矩值最小的那个，将其永久设置为组g的新相位配置。
3. 循环与输出：遍历所有组完成一轮更新。可以迭代多轮直至收敛，或只执行一轮。最终输出优化后的RIS相位配置Φ。

复杂度分析：该算法的复杂度为O(G * T * (N_RIS/G + C)) = O(T * (N_RIS + G * C))，其中C是计算一个候选配置负矩的成本。它与RIS规模N_RIS呈线性关系，远低于全局搜索的指数复杂度。通过调整组数G，可以灵活权衡优化精度和计算时间。

4.2 参数选择与性能权衡

分组数G是算法的关键控制参数：

• G值较小（组规模大）：算法搜索空间小，速度快，但优化精度低，性能接近随机配置。
• G值较大（组规模小）：算法搜索空间更精细，性能更接近全局最优���但计算时间增加。
• G = N_RIS：每组只有一个单元，算法退化为逐单元贪婪更新，性能最好，但复杂度也最高（O(T * N_RIS * C)）。

我们的仿真表明，对于N_RIS=200的情况，当G达到100（即每组2个单元）时，算法性能已经非常接近理论最优连续相位配置。对于N_RIS=1000的大规模RIS，需要更大的G（如200-500）才能达到近最优性能。在实际部署中，可以根据RIS规模、信道相干时间和计算资源，动态调整G和T，实现实时或准实时的优化。

5. 仿真验证与结果分析

我们通过大量的蒙特卡洛仿真验证了理论分析的正确性和优化算法的有效性。系统参数设置遵循3GPP标准，载频3.8 GHz，RIS单元间距为波长/5，采用2比特相位量化（除非特别说明），幅度-相位耦合参数设为ζ_min=0.8, c=0.43π, k=1.6。

5.1 理论表达式的准确性验证

图1：理想幅度响应下的SER曲线（以QPSK为例）

• 场景：RIS单元幅度相同，固定相位φ=π。
• 观察：对于G2、G3、G4等不同OSTBC方案，理论曲线（基于精确MGF）与蒙特卡洛仿真结果完全重合。渐近线清晰地显示出分集阶数G_d = N_t（G2为2，G3为3，G4为4）。同时，编码增益的差异也符合理论预测。
• 对比基线：我们对比了基于3GPP Type-I码本的预编码MIMO方案。由于有限码本导致的波束失准，预编码MIMO存在约1dB的性能损失，而OSTBC无需发射机CSI，避免了这一损失。
• 结论：在理想幅度假设下，闭式SER表达式是绝对精确的。

图2：非理想幅度响应下的SER曲线（小规模RIS，N_RIS=6）

• 场景：RIS单元幅度非相同，相位均匀随机分布。
• 观察：即使在小规模RIS下，基于 hypo-exponential 分布和合流超几何函数推导出的精确MGF表达式，其SER曲线与仿真结果依然完美匹配。这验证了非理想情况下小规模RIS精确分析的正确性。
• 挑战：当N_RIS增大到20或100时，该精确表达式的计算变得异常缓慢甚至不可行。

图3：大规模RIS下SPA近似的有效性（N_RIS=32, 128）

• 场景：RIS单元幅度非相同，相位固定或随机。
• 观察：使用SPA近似MGF计算出的SER曲线，与蒙特卡洛仿真结果在各类配置下都高度一致。即使对于N_RIS=32这种不算特别大的规模，SPA的精度也足以替代精确解。这证明了SPA作为统一分析工具的有效性。
• 趋势：增加RIS单元数量（从32到128）能带来显著的编码增益提升（曲线向左平移），但分集阶数保持不变，这与理论一致。

5.2 信道估计误差与相位量化的影响

图4：信道估计误差对SER的影响

• 场景：在不同CEE方差(σ_e^2)下，比较完美CSI与非完美CSI的SER。
• 观察：
  1. 在低信噪比区域，噪声占主导，CEE的影响很小。
  2. 在高信噪比区域，CEE导致SER曲线出现明显的错误平层，分集增益完全丧失。
  3. 关键发现：增加RIS单元数量可以显著降低错误平层的高度。对于大规模RIS，CEE带来的性能损失在实用信噪比范围内变得可以接受。这意味着大规模RIS本身对信道估计误差具有一定的鲁棒性。

图5：相位量化（2-bit, 3-bit）与连续相位配置的对比

• 观察：
  1. 2比特量化（4个相位值）相比连续相位，性能损失非常小（通常小于0.5dB）。
  2. 3比特量化（8个相位值）的性能几乎与连续相位重合。
  3. 这为实际RIS硬件设计提供了重要参考：2-3比特的相位分辨率足以满足绝大多数性能需求，无需追求高精度、高成本的连续相位调节器。

5.3 优化算法性能评估

图6：优化算法 vs. 随机配置 vs. 理论最优

• 场景：N_RIS=200，采用分组贪婪搜索（G=100），对比算法输出的2比特量化配置、随机2比特配置、以及理论上的连续相位最优配置。
• 观察：对于G2、G3、G4等不同OSTBC方案，优化算法的SER曲线与理论最优连续相位配置的曲线几乎完全重叠，而随机配置则有明显的性能差距（约1-2 dB）。这强有力地证明了我们提出的负矩最小化目标函数的有效性，以及分组贪婪搜索算法能够找到接近全局最优的离散相位解。

图7：分组数G对算法性能的影响（N_RIS=1000）

• 观察：随着分组数G增加（即组粒度变细），算法性能单调提升，逐渐逼近理论最优值。对于G4这种高阶编码方案，要达到近最优性能所需的G值比G2方案更大。这印证了之前的分析：优化精度与计算复杂度需要通过分组数G来权衡。在实际系统中，可以根据对性能和实时性的要求来设定G。

图8：算法处理时间

• 观察：处理时间随分组数G近似线性增长。对于固定RIS规模，存在一个“性价比”最高的G值区域，在此区域内性能提升显著，而时间开销可接受。这为工程实现中的参数调优提供了直观指导。

6. 实操心得与避坑指南

基于这项工作的完整流程，我总结出一些在理论分析、仿真验证和算法实现中的关键经验和容易踩的“坑”。

6.1 理论推导与仿真验证

1. 特征值分解的妙用：将级联信道Gram矩阵f†f的统计特性，转化为RIS-接收机Gram矩阵的特征值λ的分布问题，是简化分析的关键一步。务必确保使用的矩阵恒等式（如酉变换下高斯向量的分布不变性）应用正确。
2. 特殊函数库的选择：推导中涉及第二类修正贝塞尔函数K_v(·)、合流超几何Tricomi函数U(·,·,·)等。在MATLAB或Python中实现时，要使用高精度的特殊函数库（如MATLAB的besselk,whittakerW，或SciPy的scipy.special.kv,scipy.special.hyperu）。注意函数的参数定义域，避免在计算时出现NaN。
3. 鞍点方程的数值求解：这是SPA实现中最关键也最易出错的一环。鞍点方程ψ‘(s) = y通常没有闭式解。
   • 初始值选择：由于ψ‘(s)在s < min(1/β_i^2)区间内是单调递增的，且当s→ -∞时ψ‘(s)→0，当s→ (min(1/β_i^2))^-时ψ‘(s)→ +∞。因此，可以将初始搜索区间设置为[-100, 0.99 * min(1/β_i^2)]，然后使用fzero或brentq等求根算法。
   • 稳定性处理：当y非常小或非常大时，鞍点ŝ会非常接近奇异点或趋于无穷，此时需要格外小心。可以添加判断，当y小于某个阈值时，直接使用高斯近似或小参数展开。
4. 数值积分的技巧：SPA近似的MGF表达式包含一个从0到∞的积分。被积函数在y=0附近可能具有奇异性，在y→∞时快速衰减。
   • 变量替换：尝试使用对数坐标或进行变量替换（如t = 1/(1+y)）将无穷区间映射到[0,1]。
   • 自适应积分：使用integral或quadgk等自适应积分函数，并适当设置绝对误差和相对误差容限。
   • 截断处理：对于衰减很快的被积函数，可以设置一个合理的积分上限，例如找到使被积函数值小于机器精度的y点。

6.2 优化算法实现

1. 负矩的高效计算：算法核心是评估E[λ^{-N_t}]。最直接的方法是蒙特卡洛估计：生成大量（如1e5）信道向量g的样本，对每个候选相位配置计算λ样本，然后求平均。虽然简单，但在内层循环中计算量巨大。
   • 加速技巧：可以利用λ是多个独立指数变量加权和的性质，其矩生成函数已知，通过数值拉普拉斯逆变换或直接利用SPA计算负矩的积分，可能比蒙特卡洛更快。但对于实时优化，蒙特卡洛结合并行计算（在GPU上）可能是更实用的选择。
2. 分组策略的智慧：简单地按物理位置连续分组并非最优。如果信道具有空间相���性，同一组内的单元信道增益可能高度相关，限制了优化自由度。可以考虑：
   • 随机分组：将单元随机分配到各组，打破空间相关性。
   • 交织分组：按一定规则（如每隔G个单元取一个）分配，使每组单元在空间上分散。
   • 基于信道强度的分组：先进行一次粗略的信道估计，将信道增益强的单元和弱的单元混合分组，平衡各组的优化潜力。
3. “贪婪”的收敛性：标准的顺序贪婪更新（一次优化一个组）可能陷入局部最优。可以引入：
   • 多次随机初始化：以不同的随机相位配置开始，运行多次算法，取最佳结果。
   • 小幅度扰动：在一轮优化结束后，随机扰动少量已确定的相位，看是否能进一步降低负矩。
   • 模拟退火思想：以一定概率接受一个比当前解稍差的候选配置，帮助跳出局部最优。

6.3 工程化考量

1. 信道估计误差的建模：我们的分析假设了MMSE估计和特定的误差方差σ_e^2。在实际系统中，σ_e^2并非固定值，它取决于导频功率、导频长度、信道时延扩展等。在系统设计时，需要根据最坏情况或典型情况来设定σ_e^2，以保证设计的鲁棒性。
2. 幅度-相位耦合参数的获取：模型参数β_min, c, k是RIS硬件的固有属性。这些参数需要通过对实物RIS进行校准测量来获取。通常的做法是，在微波暗室中，测量RIS单元在不同控制电压（对应不同相位）下的反射系数，然后用所述模型进行曲线拟合。
3. 算法部署与开销：优化算法可以在基站侧或一个集中的控制器上运行。其运行周期取决于信道的相干时间。在慢衰落信道中，可以每几十到几百毫秒运行一次；在快衰落信道中，可能需要在每个时隙或子帧进行。算法计算出的最优相位配置需要通过控制链路下发到RIS控制器。因此，控制信令的带宽和延迟也是系统设计需要考虑的因素。
4. 与现有系统的兼容性：我们的框架基于OSTBC，这是一种开环分集技术。为了与现有5G NR等系统兼容，可以考虑将RIS优化模块作为物理层的一个增强组件。基站根据估计的级联信道信息（可通过专门设计的RIS反射导频来获取），运行优化算法，并将配置好的RIS相位信息通过控制信道传递给RIS。对于采用码本预编码的MIMO系统，我们的负矩优化思想同样可以应用，只需将目标函数中的N_t替换为等效的流数，并考虑码本失准因子η_cb。

这项工作为RIS辅助的OSTBC系统提供了一套从精确建模、可扩展分析到低复杂度优化的完整工具箱。它揭示了在非理想硬件和信道估计下系统性能的内在规律，并给出了切实可行的优化路径。随着RIS技术从实验室走向实际部署，这类紧密结合理论深度与工程实践的研究将变得越来越重要。