【mimo-硬件损伤-预编码】融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证

第九节：融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证

本系列第九节，也是最后一节，我们将最终进入论文的核心创新——加权融合预编码的优化算法。从问题转化到权重求解，从理论推导到仿真验证，我们将完整走一遍这个框架的“灵魂”所在。
对应论文：“Mitigating Hardware Impairments in Multi-User Multi-Layer MIMO Systems via Weighted Fusion Precoding”（Zixia Shang, IEEE CL 2026）
论文链接：https://ieeexplore.ieee.org/abstract/document/11498349/

📌 引言：当“选择”变成“组合”

在之前的八节中，我们完成了三件事：

1. 认识了各种预编码算法：ZF、MRT、RZF、BD、SLNR、WMMSE——每个都是特定场景下的“单项冠军”。
2. 理解了硬件损伤的挑战：现实中的硬件不完美导致速率存在硬上限，单一算法无法在所有条件下保持最优。
3. 建立了统一的系统模型：把硬件损伤、干扰、噪声全部装进一个协方差矩阵，为优化提供了数学基础。

现在，是时候把所有这些串起来了。

论文的核心思想其实只有一句话：不重新发明轮子，而是把现有的轮子组合起来。

具体来说，就是取一组现成的基预编码器（ZF、MRT、RZF、WMMSE 等），给每个分配一个权重，然后优化这些权重，使加权组合后的系统性能达到最优。

这个思路的美妙之处在于：它将一个高维的非凸预编码优化问题，转化为一个低维的权重优化问题。权重个数 $B$ 通常只有 4 或 5，远小于预编码矩阵中的元素数量。

今天，我们就来拆解这个优化算法的每一步。

一、问题转化：从“优化矩阵”到“优化权重”

1.1 原始问题的困境

在第八节中，我们定义了系统的优化目标：

max
⁡
{
V
i
,
k
}
∑
i
=
1
I
∑
k
=
1
K
R
i
,
k
s.t.
∑
i
,
k
tr
(
V
i
,
k
V
i
,
k
H
)
≤
P
max
⁡
\max_{\{\mathbf{V}_{i,k}\}} \sum_{i=1}^{I} \sum_{k=1}^{K} R_{i,k} \quad \text{s.t.} \quad \sum_{i,k} \text{tr}(\mathbf{V}_{i,k} \mathbf{V}_{i,k}^H) \leq P_{\max}
{Vi,k​}max​i=1∑I​k=1∑K​Ri,k​s.t.i,k∑​tr(Vi,k​Vi,kH​)≤Pmax​

这个问题的优化变量是所有用户所有层的预编码矩阵
{
V
i
,
k
}
\{\mathbf{V}_{i,k}\}
{Vi,k​}。如果
I
=
2
,
K
=
2
,
N
t
=
8
,
d
=
2
I=2, K=2, N_t=8, d=2
I=2,K=2,Nt​=8,d=2，那么
V
i
,
k
\mathbf{V}_{i,k}
Vi,k​ 的总元素数量是 $2\times 2\times 8\times 2=64$ 个复数——这还是一个小规模系统。当
N
t
N_t
Nt​ 达到 64 或 128 时，变量数量轻松突破千量级。

而且这个优化问题是高度非凸的——速率
R
i
,
k
R_{i,k}
Ri,k​ 对
V
i
,
k
\mathbf{V}_{i,k}
Vi,k​ 的依赖关系极其复杂，涉及矩阵求逆、行列式、对数等运算。直接求解几乎不可能。

1.2 融合的核心思想

论文的核心洞察是：不直接优化
V
i
,
k
\mathbf{V}_{i,k}
Vi,k​，而是把它表示为多个基预编码器的加权和。

V
i
,
k
(
α
)
=
∑
b
=
1
B
α
b
V
i
,
k
(
b
)
\mathbf{V}_{i,k}(\boldsymbol{\alpha}) = \sum_{b=1}^{B} \alpha_b \mathbf{V}_{i,k}^{(b)}
Vi,k​(α)=b=1∑B​αb​Vi,k(b)​

其中：

• 
  V
  i
  ,
  k
  (
  b
  )
  \mathbf{V}_{i,k}^{(b)}
  Vi,k(b)​ 是第 $b$ 个基预编码器（如 ZF、MRT、RZF、WMMSE 等）；
• 
  α
  b
  \alpha_b
  αb​ 是对应的融合权重；
• $B$ 是基预编码器的总数（通常 4~5）；
• 
  α
  =
  [
  α
  1
  ,
  …
  ,
  α
  B
  ]
  \boldsymbol{\alpha} = [\alpha_1, \ldots, \alpha_B]
  α=[α1​,…,αB​] 是待优化的权重向量。

这样做的好处是：

维度	直接优化 V i , k \mathbf{V}_{i,k} Vi,k​	优化 $\mathbf{\alpha }$
变量数量	数千甚至数万	4~5 个
问题性质	高度非凸	低维、可近似凸
计算复杂度	极高	可接受
工程可行性	低	高

1.3 约束条件

权重向量 $\mathbf{\alpha }$ 需要满足两个约束：

1. 非负性：
   α
   b
   ≥
   \alpha_b \geq 0
   αb​≥0 —— 权重不能为负，否则没有物理意义。
2. 归一化：
   ∑
   b
   =
   1
   B
   α
   b
   =
   1
   \sum_{b=1}^{B} \alpha_b = 1
   ∑b=1B​αb​=1 —— 所有权重之和为 1，形成一个凸组合（Convex Combination）。

这两个约束保证了融合后的预编码矩阵
V
i
,
k
(
α
)
\mathbf{V}_{i,k}(\boldsymbol{\alpha})
Vi,k​(α) 位于基预编码器的凸包内。论文指出，在这种约束下，发射功率约束可以通过对基预编码器的预先归一化来间接满足，因此权重优化环节可以聚焦于最大化系统和速率。

这样一来，$\mathbf{\alpha }$ 就位于一个 $B$ 维空间的单纯形（Simplex）上，优化问题变成了一个带线性约束的低维优化问题。

1.4 关于“加权”的含义

值得注意的是，这里的“加权”有两层含义：

1. 融合权重 $\mathbf{\alpha }$：控制不同基预编码器在最终预编码中的贡献比例。
2. 用户/层权重：在系统和速率的求和
   ∑
   i
   ,
   k
   R
   i
   ,
   k
   \sum_{i,k} R_{i,k}
   ∑i,k​Ri,k​ 中，每个用户和每层的权重默认为 1。

如果未来需要支持差异化服务质量（QoS），也可以给不同用户赋予不同的权重，但论文为了聚焦于融合机制本身，采用等权重。

二、优化算法的核心挑战

现在的问题变成了：如何找到最优的 $\mathbf{\alpha }$？

目标函数
f
(
α
)
=
∑
i
,
k
R
i
,
k
(
α
)
f(\boldsymbol{\alpha}) = \sum_{i,k} R_{i,k}(\boldsymbol{\alpha})
f(α)=∑i,k​Ri,k​(α) 是 $\mathbf{\alpha }$ 的非线性函数——速率
R
i
,
k
R_{i,k}
Ri,k​ 通过
V
i
,
k
(
α
)
\mathbf{V}_{i,k}(\boldsymbol{\alpha})
Vi,k​(α) 依赖于 $\mathbf{\alpha }$，而
V
i
,
k
(
α
)
\mathbf{V}_{i,k}(\boldsymbol{\alpha})
Vi,k​(α) 是 $\mathbf{\alpha }$ 的线性组合，但速率计算中涉及矩阵求逆、行列式、对数等运算，所以 $f(\mathbf{\alpha })$ 是高度非线性的。

直接对 $f(\mathbf{\alpha })$ 做全局优化仍然困难。

论文的策略是：在“平均工作点”附近对 $f(\mathbf{\alpha })$ 做局部近似，然后求解近似问题。

这个思路类似于机器学习中的泰勒展开优化——在某个点附近，用一阶和二阶信息来近似目标函数，然后求解近似问题的最优解。

三、平均工作点：近似的锚点

3.1 什么是“平均工作点”？

平均工作点（Average Operating Point）定义为所有基预编码器等权重融合时的状态：

V
i
,
k
avg
=
1
B
∑
b
=
1
B
V
i
,
k
(
b
)
\mathbf{V}_{i,k}^{\text{avg}} = \frac{1}{B} \sum_{b=1}^{B} \mathbf{V}_{i,k}^{(b)}
Vi,kavg​=B1​b=1∑B​Vi,k(b)​

也就是说，在平均工作点，$\mathbf{\alpha }=[1/B,1/B,\dots ,1/B]$。

3.2 为什么选这个点？

这个选择不是随意的，而是有充分的工程直觉：

1. 中立性：等权重融合不偏向任何一个基预编码器，是一个“公平”的起点。
2. 可行性：等权重融合天然满足
   α
   b
   ≥
   \alpha_b \geq 0
   αb​≥0 和
   ∑
   α
   b
   =
   1
   \sum \alpha_b = 1
   ∑αb​=1，是一个合法的可行解。
3. 稳定性：在所有基预编码器的凸包内部，等权重点通常远离边界，具有良好的数值稳定性。
4. 代表性：如果所有基预编码器都“各有千秋”，等权重融合已经能获得不错的性能，可以作为进一步优化的良好起点。

论文指出，选择等权重点作为参考，是因为它提供了一个“中立且可行的参考点”，在此基础上进行一阶和二阶近似，能够在不偏向任何单一预编码器的情况下捕获系统目标的局部行为。

3.3 在平均工作点计算辅助矩阵

在平均工作点，论文计算两个关键的协方差矩阵：

期望信号协方差：

S
avg
[
i
,
k
]
=
H
i
,
k
,
i
V
avg
[
i
,
k
]
V
avg
[
i
,
k
]
H
H
i
,
k
,
i
H
\mathbf{S}_{\text{avg}}[i,k] = \mathbf{H}_{i,k,i} \mathbf{V}_{\text{avg}}[i,k] \mathbf{V}_{\text{avg}}[i,k]^H \mathbf{H}_{i,k,i}^H
Savg​[i,k]=Hi,k,i​Vavg​[i,k]Vavg​[i,k]HHi,k,iH​

干扰加噪声协方差：

Σ
avg
[
i
,
k
]
=
σ
2
I
+
∑
j
≠
i
H
i
,
k
,
j
V
avg
[
j
,
k
]
V
avg
[
j
,
k
]
H
H
i
,
k
,
j
H
+
κ
S
avg
[
i
,
k
]
\boldsymbol{\Sigma}_{\text{avg}}[i,k] = \sigma^2 \mathbf{I} + \sum_{j \neq i} \mathbf{H}_{i,k,j} \mathbf{V}_{\text{avg}}[j,k] \mathbf{V}_{\text{avg}}[j,k]^H \mathbf{H}_{i,k,j}^H + \kappa \mathbf{S}_{\text{avg}}[i,k]
Σavg​[i,k]=σ2I+j=i∑​Hi,k,j​Vavg​[j,k]Vavg​[j,k]HHi,k,jH​+κSavg​[i,k]

其中 $\kappa$ 是硬件损伤因子（对应第七节中的
κ
t
x
\kappa_{tx}
κtx​）。

这两个矩阵构成了在平均工作点计算速率梯度的基础。

3.4 辅助矩阵
M
avg
M_{\text{avg}}
Mavg​

论文还定义了一个辅助矩阵：

M
avg
[
i
,
k
]
=
I
+
S
avg
[
i
,
k
]
Σ
avg
[
i
,
k
]
−
1
\mathbf{M}_{\text{avg}}[i,k] = \mathbf{I} + \mathbf{S}_{\text{avg}}[i,k] \boldsymbol{\Sigma}_{\text{avg}}[i,k]^{-1}
Mavg​[i,k]=I+Savg​[i,k]Σavg​[i,k]−1

这个矩阵直接对应速率表达式中
log
⁡
2
det
⁡
(
I
+
S
Σ
−
1
)
\log_2 \det(\mathbf{I} + \mathbf{S} \boldsymbol{\Sigma}^{-1})
log2​det(I+SΣ−1) 的内部结构。它的作用有两个：

1. 梯度计算：速率的导数可以通过
   M
   avg
   −
   1
   \mathbf{M}_{\text{avg}}^{-1}
   Mavg−1​ 来表达。
2. 二阶近似：
   M
   avg
   \mathbf{M}_{\text{avg}}
   Mavg​ 的变化率用于构造 Hessian 矩阵的近似。

四、一阶梯度：知道往哪个方向走

有了平均工作点的辅助矩阵，论文计算速率 $f(\mathbf{\alpha })$ 对每个权重
α
m
\alpha_m
αm​ 的一阶偏导数（梯度）。

4.1 梯度的物理意义

梯度 $\nabla f(\mathbf{\alpha })$ 的第 $m$ 个分量
g
m
g_m
gm​ 告诉我们：如果稍微增加
α
m
\alpha_m
αm​（同时相应减少其他权重以保持归一化），系统和速率会如何变化。

• 如果
  g
  m
  >
  g_m > 0
  gm​>0，增加
  α
  m
  \alpha_m
  αm​ 会提升速率；
• 如果
  g
  m
  <
  g_m < 0
  gm​<0，增加
  α
  m
  \alpha_m
  αm​ 会降低速率。

梯度信息告诉我们优化的方向。

4.2 梯度的数学形式

论文推导出梯度的表达式为：

g
m
=
1
ln
⁡
2
tr
(
M
avg
[
i
,
k
]
−
1
∂
M
avg
[
i
,
k
]
∂
α
m
)
g_m = \frac{1}{\ln 2} \text{tr}\left( \mathbf{M}_{\text{avg}}[i,k]^{-1} \frac{\partial \mathbf{M}_{\text{avg}}[i,k]}{\partial \alpha_m} \right)
gm​=ln21​tr(Mavg​[i,k]−1∂αm​∂Mavg​[i,k]​)

其中
∂
M
avg
[
i
,
k
]
∂
α
m
\frac{\partial \mathbf{M}_{\text{avg}}[i,k]}{\partial \alpha_m}
∂αm​∂Mavg​[i,k]​ 是辅助矩阵对
α
m
\alpha_m
αm​ 的偏导数。

这个表达式的核心是：速率对权重的梯度，可以通过辅助矩阵的逆和导数来计算。由于
M
avg
\mathbf{M}_{\text{avg}}
Mavg​ 的维度是
N
r
×
N
r
N_r \times N_r
Nr​×Nr​（接收天线数），通常远小于
N
t
N_t
Nt​，所以计算是高效的。

4.3 信号协方差的导数

在计算
∂
M
avg
∂
α
m
\frac{\partial \mathbf{M}_{\text{avg}}}{\partial \alpha_m}
∂αm​∂Mavg​​ 时，需要用到信号协方差对权重的导数：

∂
S
avg
[
i
,
k
]
∂
α
m
=
H
i
,
k
,
i
(
V
(
m
)
[
i
,
k
]
V
avg
[
i
,
k
]
H
+
V
avg
[
i
,
k
]
V
(
m
)
[
i
,
k
]
H
)
H
i
,
k
,
i
H
\frac{\partial \mathbf{S}_{\text{avg}}[i,k]}{\partial \alpha_m} = \mathbf{H}_{i,k,i} \left( \mathbf{V}^{(m)}[i,k] \mathbf{V}_{\text{avg}}[i,k]^H + \mathbf{V}_{\text{avg}}[i,k] \mathbf{V}^{(m)}[i,k]^H \right) \mathbf{H}_{i,k,i}^H
∂αm​∂Savg​[i,k]​=Hi,k,i​(V(m)[i,k]Vavg​[i,k]H+Vavg​[i,k]V(m)[i,k]H)Hi,k,iH​

这里的
V
(
m
)
[
i
,
k
]
\mathbf{V}^{(m)}[i,k]
V(m)[i,k] 是第 $m$ 个基预编码器在用户 $i$ 第 $k$ 层的预编码矩阵。

这个公式的直觉是：信号协方差对权重的变化率，取决于基预编码器与平均预编码器之间的“对齐程度”。如果某个基预编码器的方向与平均方向一致，增加它的权重会显著改变信号协方差；反之则影响较小。

五、二阶近似：从“方向”到“步长”

梯度告诉我们往哪个方向走，但没告诉我们走多远。二阶信息（Hessian 矩阵）则回答了这个问题。

5.1 为什么要二阶近似？

如果只使用梯度信息（一阶近似），我们只能做梯度上升——每次朝梯度方向走一小步，需要多次迭代才能收敛。

论文的目标是直接求解最优权重，而不是迭代逼近。因此，需要在平均工作点附近对 $f(\mathbf{\alpha })$ 做二阶泰勒展开，构造一个二次近似问题，然后一步到位求出最优解。

5.2 线性系统的构造

通过对 $f(\mathbf{\alpha })$ 做二阶近似，论文将优化问题转化为一个线性系统：

$$\mathbf{A}\mathbf{\alpha }=\mathbf{b}$$

其中：

• 矩阵 $\mathbf{A}$ 由二阶项（Hessian 近似）和预编码器相似性惩罚项组成；
• 向量 $\mathbf{b}$ 由一阶梯度项组成。

此外，还需要考虑归一化约束
∑
b
=
1
B
α
b
=
1
\sum_{b=1}^{B} \alpha_b = 1
∑b=1B​αb​=1。论文通过拉格朗日乘子法将约束融入线性系统：

[
A
1
1
T
]
[
α
λ
]
=
[
b
1
]
\begin{bmatrix} \mathbf{A} & \mathbf{1} \\ \mathbf{1}^T & 0 \end{bmatrix} \begin{bmatrix} \boldsymbol{\alpha} \\ \lambda \end{bmatrix} = \begin{bmatrix} \mathbf{b} \\ 1 \end{bmatrix}
[A1T​10​][αλ​]=[b1​]

其中 $\lambda$ 是拉格朗日乘子。

5.3 惩罚项的作用

矩阵 $\mathbf{A}$ 中包含一个预编码器相似性惩罚项。它的作用是：

当两个基预编码器高度相关时（例如 ZF 和 RZF 在 $\beta$ 很小时非常相似），它们对应的权重可能会产生数值不稳定性——因为相似的预编码器对速率的贡献也相似，导致 Hessian 矩阵接近奇异。

惩罚项通过在 $\mathbf{A}$ 的对角线或相关位置添加小的正则化量，改善矩阵的条件数，保证线性系统可解。这类似于 Ridge 回归中的
ℓ
2
\ell_2
ℓ2​ 正则化。

六、兜底方案：当线性系统“生病”时

6.1 什么时候需要兜底？

虽然论文在 10,000 次蒙特卡洛仿真中没有触发兜底机制，但在理论上，以下情况可能导致线性系统无法求解：

1. 矩阵奇异：$\mathbf{A}$ 的条件数过大，求逆不稳定。
2. 数值溢出：在极端信道条件下（如深度衰落），矩阵元素可能过大或过小。
3. 基预编码器高度冗余：多个基预编码器的行为几乎相同，导致 $\mathbf{A}$ 接近奇异。

6.2 基于 SINR 的启发式权重

当解析解不可行时，论文提供了一个基于 SINR 的启发式方法。

基本思想是：给那些在给定信道条件下表现更好的基预编码器分配更高的权重。

具体来说，对于第 $b$ 个基预编码器，计算它在所有用户和所有层上的平均 SINR：

SINR
i
,
k
(
b
)
=
∥
H
i
,
k
,
i
V
i
,
k
(
b
)
∥
F
2
σ
2
+
∑
j
≠
i
∥
H
i
,
k
,
j
V
i
,
k
(
b
)
∥
F
2
\text{SINR}_{i,k}^{(b)} = \frac{\| \mathbf{H}_{i,k,i} \mathbf{V}_{i,k}^{(b)} \|_F^2}{\sigma^2 + \sum_{j \neq i} \| \mathbf{H}_{i,k,j} \mathbf{V}_{i,k}^{(b)} \|_F^2}
SINRi,k(b)​=σ2+∑j=i​∥Hi,k,j​Vi,k(b)​∥F2​∥Hi,k,i​Vi,k(b)​∥F2​​

然后，第 $b$ 个基预编码器的权重为：

α
b
=
∑
i
,
k
log
⁡
2
(
1
+
SINR
i
,
k
(
b
)
)
∑
b
′
∑
i
,
k
log
⁡
2
(
1
+
SINR
i
,
k
(
b
′
)
)
\alpha_b = \frac{\sum_{i,k} \log_2\left(1 + \text{SINR}_{i,k}^{(b)}\right)}{\sum_{b'} \sum_{i,k} \log_2\left(1 + \text{SINR}_{i,k}^{(b')}\right)}
αb​=∑b′​∑i,k​log2​(1+SINRi,k(b′)​)∑i,k​log2​(1+SINRi,k(b)​)​

这个方法的优点是：

• 无需矩阵求逆，计算复杂度极低；
• 快速生成可行解，保证算法在任何情况下都能输出结果；
• 性能合理，虽然不是最优，但通常优于等权重融合。

论文指出，虽然 Bussgang 模型是一个近似模型，实际的硬件失真通常更复杂，但融合权重是通过最大化整体性能指标获得的，而不是依赖于精确的失真分布，因此对失真模型的偏差具有一定的容忍度。

七、完整算法流程

现在我们可以把整个算法串起来了。

7.1 算法步骤

输入：

• 所有用户的信道矩阵
  H
  i
  ,
  k
  ,
  j
  \mathbf{H}_{i,k,j}
  Hi,k,j​
• 所有基预编码器
  V
  i
  ,
  k
  (
  b
  )
  \mathbf{V}_{i,k}^{(b)}
  Vi,k(b)​
• 噪声功率
  σ
  2
  \sigma^2
  σ2
• 硬件损伤因子 $\kappa$

输出：

• 融合权重
  α
  =
  [
  α
  1
  ,
  …
  ,
  α
  B
  ]
  \boldsymbol{\alpha} = [\alpha_1, \ldots, \alpha_B]
  α=[α1​,…,αB​]
• 融合后的预编码矩阵
  V
  i
  ,
  k
  \mathbf{V}_{i,k}
  Vi,k​

步骤：

1. 计算平均工作点：
   
   V
   avg
   [
   i
   ,
   k
   ]
   =
   1
   B
   ∑
   b
   =
   1
   B
   V
   i
   ,
   k
   (
   b
   )
   \mathbf{V}_{\text{avg}}[i,k] = \frac{1}{B} \sum_{b=1}^{B} \mathbf{V}_{i,k}^{(b)}
   Vavg​[i,k]=B1​b=1∑B​Vi,k(b)​

2. 计算辅助矩阵：

   • 信号协方差
     S
     avg
     [
     i
     ,
     k
     ]
     \mathbf{S}_{\text{avg}}[i,k]
     Savg​[i,k]
   • 干扰加噪声协方差
     Σ
     avg
     [
     i
     ,
     k
     ]
     \boldsymbol{\Sigma}_{\text{avg}}[i,k]
     Σavg​[i,k]
   • 辅助矩阵
     M
     avg
     [
     i
     ,
     k
     ]
     =
     I
     +
     S
     avg
     [
     i
     ,
     k
     ]
     Σ
     avg
     [
     i
     ,
     k
     ]
     −
     1
     \mathbf{M}_{\text{avg}}[i,k] = \mathbf{I} + \mathbf{S}_{\text{avg}}[i,k] \boldsymbol{\Sigma}_{\text{avg}}[i,k]^{-1}
     Mavg​[i,k]=I+Savg​[i,k]Σavg​[i,k]−1

3. 计算梯度
   g
   m
   g_m
   gm​：
   
   g
   m
   =
   tr
   (
   M
   avg
   [
   i
   ,
   k
   ]
   −
   1
   ∂
   M
   avg
   [
   i
   ,
   k
   ]
   ∂
   α
   m
   )
   g_m = \text{tr}\left( \mathbf{M}_{\text{avg}}[i,k]^{-1} \frac{\partial \mathbf{M}_{\text{avg}}[i,k]}{\partial \alpha_m} \right)
   gm​=tr(Mavg​[i,k]−1∂αm​∂Mavg​[i,k]​)

4. 构造线性系统：

   • 用二阶项和惩罚项构造 $\mathbf{A}$
   • 用梯度构造 $\mathbf{b}$
   • 加入归一化约束

5. 求解线性系统：

   • 如果稳定，得到解析解 $\mathbf{\alpha }$
   • 如果不稳定，使用 SINR 启发式方法

6. 构造融合预编码器：
   
   V
   i
   ,
   k
   =
   ∑
   b
   =
   1
   B
   α
   b
   V
   i
   ,
   k
   (
   b
   )
   \mathbf{V}_{i,k} = \sum_{b=1}^{B} \alpha_b \mathbf{V}_{i,k}^{(b)}
   Vi,k​=b=1∑B​αb​Vi,k(b)​

7.2 算法的关键特征

特征	说明
单次求解	不需要迭代，一次线性系统求解即得结果
低维优化	优化变量只有 $B$ 个（通常 4~5）
闭式解	在正常情况下，权重有解析表达式
兜底机制	数值不稳定时有 SINR 启发式保底
模块化	基预编码器可随时替换或扩充

八、复杂度分析

8.1 三个计算环节

论文将算法的计算复杂度分解为三个部分【Response Letter, Reviewer 4, Comment 1】：

环节	复杂度	说明
基预编码器生成	O ( B ⋅ N t 3 ) O(B \cdot N_t^3) O(B⋅Nt3​)	$B$ 个基预编码器，每个可能涉及矩阵求逆（如 ZF、RZF）
权重优化	O ( I ⋅ K ⋅ B 2 ⋅ N r 2 + B 3 ) O(I \cdot K \cdot B^2 \cdot N_r^2 + B^3) O(I⋅K⋅B2⋅Nr2​+B3)	构造 $\mathbf{A}$ + 求解 $B$ 维线性系统
辅助矩阵构造	O ( I ⋅ K ⋅ N r 3 ) O(I \cdot K \cdot N_r^3) O(I⋅K⋅Nr3​)	干扰协方差、等效信道矩阵等

总复杂度：

O
(
B
⋅
N
t
3
+
I
⋅
K
⋅
B
2
⋅
N
r
2
+
I
⋅
K
⋅
N
r
3
+
B
3
)
O(B \cdot N_t^3 + I \cdot K \cdot B^2 \cdot N_r^2 + I \cdot K \cdot N_r^3 + B^3)
O(B⋅Nt3​+I⋅K⋅B2⋅Nr2​+I⋅K⋅Nr3​+B3)

8.2 与 WMMSE 的对比

作为对比，WMMSE 每次迭代的复杂度为：

O
(
N
t
3
+
I
⋅
K
⋅
N
r
3
)
O(N_t^3 + I \cdot K \cdot N_r^3)
O(Nt3​+I⋅K⋅Nr3​)

假设 WMMSE 需要
T
iter
T_{\text{iter}}
Titer​ 次迭代（通常 10~50 次），其总复杂度为：

O
(
T
iter
⋅
(
N
t
3
+
I
⋅
K
⋅
N
r
3
)
)
O(T_{\text{iter}} \cdot (N_t^3 + I \cdot K \cdot N_r^3))
O(Titer​⋅(Nt3​+I⋅K⋅Nr3​))

关键对比：

维度	融合预编码	WMMSE
单次复杂度	O ( B ⋅ N t 3 + 低阶项 ) O(B \cdot N_t^3 + \text{低阶项}) O(B⋅Nt3​+低阶项)	O ( N t 3 + 低阶项 ) O(N_t^3 + \text{低阶项}) O(Nt3​+低阶项)
是否迭代	否（单次求解）	是（10~50 次）
总复杂度	较低（$B$ 通常为 4~5）	较高（迭代累乘）
收敛保证	解析解（无条件）	需监控收敛

论文的结论是：虽然融合预编码的复杂度高于单一闭式方案（如 ZF 或 MRT），但与 WMMSE 等迭代算法处于同一数量级，且由于无需迭代，实际运行时间通常更短。

8.3 仿真中的复杂度验证

论文通过仿真测量了各算法的实际运行时间，并计算了归一化复杂度：

C
norm
alg
=
T
alg
max
⁡
i
T
i
C_{\text{norm}}^{\text{alg}} = \frac{T_{\text{alg}}}{\max_i T_i}
Cnormalg​=maxi​Ti​Talg​​

其中
T
alg
T_{\text{alg}}
Talg​ 是某算法的运行时间，
max
⁡
i
T
i
\max_i T_i
maxi​Ti​ 是所有算法中的最大运行时间。

结果显示，融合预编码的归一化复杂度虽然高于单一闭式方案，但与 WMMSE/RWMMSE 相当，验证了其工程可行性。

九、仿真结果解读

9.1 仿真配置

论文的仿真参数如下：

参数	值	说明
$I$	2	用户数
$K$	2	每用户层数
$d$	2	每层流数
N r N_r Nr​	2	每用户接收天线数
N t N_t Nt​	5~16	发射天线数（扫描）
α ADC , α DAC \alpha_{\text{ADC}}, \alpha_{\text{DAC}} αADC​,αDAC​	0.8	量化增益
κ t x \kappa_{tx} κtx​	0~1	残余损伤因子（扫描）
蒙特卡洛次数	10,000	独立信道实现
收敛阈值 $ϵ$	10 − 3 10^{-3} 10−3	用于判断数值稳定性

9.2 四组关键结果

论文通过四组仿真全面验证了融合预编码的优势：

图 2：CDF 曲线（速率分布）

累积分布函数（CDF）展示了不同方案下速率的统计分布。融合方案的曲线最陡峭且集中在最高速率区域，说明它不仅平均性能好，而且性能波动小、可靠性高。相比之下，单一方案的曲线更分散，等权重融合虽然优于部分单一方案，但仍不及优化后的融合。

图 3：速率 vs. SNR（
κ
t
x
=
1
\kappa_{tx}=1
κtx​=1）

在从低 SNR 到高 SNR 的整个范围内，融合方案的速率始终高于所有单一方案和等权重融合。这说明融合不是只在某个特定 SNR 下有效，而是具有全场景的普适性。

图 4：速率 vs. 发射天线数（SNR=15dB）

当发射天线数
N
t
N_t
Nt​ 增加时，所有方案的速率都上升。但融合方案的增益斜率更大——当天线数不是系统瓶颈时（即
N
t
N_t
Nt​ 足够大），融合的优势更加明显。这验证了融合能够更有效地利用天线冗余带来的空间自由度。

图 5：速率 vs. 硬件损伤强度（SNR=15dB,
N
t
=
8
N_t=8
Nt​=8）

这是最关键的一张图。随着
κ
t
x
\kappa_{tx}
κtx​ 增大（硬件损伤加重），所有方案的性能都下降。但融合方案的下降曲线最平缓——当
κ
t
x
>
0.3
\kappa_{tx} > 0.3
κtx​>0.3 时，融合的优势愈发明显。

这说明：硬件损伤越严重，融合预编码的相对优势越大。这正是论文标题中“Mitigating Hardware Impairments”的底气所在——不同基预编码器在硬件损伤下的失真模式不同，加权组合可以部分抵消各自的偏差，使融合后的结果更接近理想状态。

9.3 兜底机制的触发情况

论文在 10,000 次蒙特卡洛仿真中，没有观察到兜底机制被触发——在所有仿真中，线性系统都成功求解，没有出现奇异或数值不稳定的情况。

但这并不意味着兜底机制是多余的。论文指出，在不同系统设置或更极端的场景下，兜底机制仍然是有价值的保障。其存在意义在于：保证算法在任何情况下都能输出可行解，而非仅仅在“正常”情况下工作。

十、总结：融合预编码的完整图景

10.1 从“单项冠军”到“全能战队”

回顾整个系列，我们走过了一条从“单一算法”到“系统融合”的完整路径：

阶段	核心内容	对应章节
认识工具	ZF、MRT、RZF、BD、SLNR、WMMSE	第二~六节
理解挑战	硬件损伤、速率硬上限	第七节
建立模型	协方差矩阵、速率下界	第八节
系统融合	权重优化、线性系统求解	第九节（本文）

加权融合预编码的完整优势可以概括为：

优势维度	核心内涵
性能超越	加权融合 > 最优单一选择 > 等权重融合
环境鲁棒	通过权重自适应应对 SNR、天线数、硬件损伤的变化
误差校正	多预编码器的不同失真模式相互抵消
框架开放	可持续吸纳新的单一预编码方案
复杂度可控	低维权重优化，单次求解，与 WMMSE 同阶

10.2 未来展望

加权融合预编码框架的开放性是其最宝贵的工程价值之一：

1. 即插即用：未来任何新提出的预编码算法（如基于深度学习的方案、可重构智能表面辅助方案等），都可以作为新的基预编码器直接加入框架。
2. 持续进化：随着学术界不断推出新方案，融合框架可以持续吸纳这些成果。
3. 降低风险：系统设计者不需要押注某一种“未来最优”算法，而是通过融合多种方案来分散风险。

这正是融合预编码超越传统“选最优”思路的根本所在——它不是寻找一把“万能钥匙”，而是构建了一个能不断吸纳新锁匠、自我进化的“开锁系统”。

写在最后

九节内容，从 MIMO 基础到融合预编码，我们完整走了一遍这篇论文的技术路径。

如果你一路跟到了这里，恭喜你——你已经掌握了当前 MIMO 预编码领域从经典算法到前沿融合方案的核心知识体系。

希望这个系列能成为你理解 MIMO 预编码的“导航地图”。技术之路没有终点，融合预编码的框架开放性也意味着——未来还会有更多优秀的基预编码器加入这个“战队”。

期待你在自己的研究和工程中，也能找到属于自己的“融合之道”。

系列完结，感谢陪伴！🚀

系列导航（共九节 + 两间章）：

• 第一节：重温 MIMO 基础 —— 从 SISO 到 MU-MIMO ✅
• 第二节：预编码是什么？—— 从迫零（ZF）开始 ✅
• 第三节：最大比传输（MRT）与匹配滤波（MF）—— 让信号“指哪儿打哪儿” ✅
• 第四节：正则化迫零（RZF）与 MMSE 预编码 —— ZF 与 MRT 的优雅折中 ✅
• 第五节：块对角化（BD）与信漏噪比（SLNR）预编码 —— 多天线多流用户的干扰管理 ✅
• 第六节：WMMSE 与 RWMMSE —— 从 MSE 最小化到和速率最大化 ✅
• 间章一：预编码算法的仿真闭环 —— 从理论到代码的完整映射 ✅
• 间章二：加权融合预编码 —— 从“单项冠军”到“全能战队” ✅
• 第七节：硬件损伤 —— 从理想到现实的“降维打击” ✅
• 第八节：系统建模 —— 把损伤“写进”数学公式 ✅
• 第九节：融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证 ✅（本文）