周壯 戴鵬

摘 要：隨著5G的發(fā)展，多個優(yōu)化參數(shù)與多個KPI關(guān)聯(lián)，有時候嘗試去實現(xiàn)多個配置目標(biāo)就是沖突的。眾所周知，M-MIMO的基本原理是通過增加發(fā)射天線和接收天線的數(shù)量，即設(shè)計一個多天線陣列，生成高增益、可調(diào)節(jié)的賦形波束，從而明顯改善信號質(zhì)量，并減少對周邊的干擾。

本文要講的優(yōu)化樣例是基于5G M-MIMO特性。隨后談?wù)劧嗄繕?biāo)優(yōu)化，最后介紹多目標(biāo)優(yōu)化在無線領(lǐng)域可能的應(yīng)用前景和困難。

關(guān)鍵詞：沖突管理；負(fù)載均衡；乒乓切換

一、5G沖突管理需求來源

在無線網(wǎng)絡(luò)優(yōu)化過程中經(jīng)常碰到這樣的場景，多個優(yōu)化參數(shù)與多個KPI關(guān)聯(lián)。如何在參數(shù)可配置范圍中選擇合適的設(shè)置以滿足多個特定KPI要求，是一件非常苦惱的事情。而且，有時候嘗試去實現(xiàn)多個配置目標(biāo)就是沖突的。例如SON特性MLB（Mobility Load Balancing）和MRO（Mobility Robust Optimization）的優(yōu)化都涉及切換門檻參數(shù)，如HOM（Handover Margin），TTT（Time-to-trigger）等。我們希望通過MLB特性降低切換門檻，盡快將本小區(qū)的負(fù)載均衡到周邊小區(qū)，從而實現(xiàn)負(fù)載均衡；而降低切換門檻可能導(dǎo)致過早切換，甚至切換的乒乓效應(yīng)。MRO特性則會想辦法升高切換門檻。

二、M-MIMO多目標(biāo)優(yōu)化樣例

眾所周知，M-MIMO的基本原理是通過增加發(fā)射天線和接收天線的數(shù)量，即設(shè)計一個多天線陣列，生成高增益、可調(diào)節(jié)的賦形波束，從而明顯改善信號質(zhì)量，并減少對周邊的干擾。

在本例中[1] [2]，作者假定有3個未知變量，即用戶的數(shù)量K，天線的個數(shù)M，以及發(fā)射功率P。它們分別滿足如下的一些約束（如K<=M/2，意味著每個用戶至少能享受雙天線；2<=M<=Mmax，意味著天線個數(shù)至少大于2，而少于某一特定值，如500）：

更進(jìn)一步，作者分析平均用戶速率滿足如下表達(dá)式（除上述3個變量為未知，其他參數(shù)均假定有特定值設(shè)置）：

功率消耗滿足如下條件：

最后，設(shè)定了3個優(yōu)化目標(biāo)，即1>平均用戶速率；2>總的區(qū)域速率；3>能源效率。從下面的圖中可以看出，我們很難找到一個點，它對應(yīng)的平均用戶速率最高，總的區(qū)域速率最高，而且能源效率也能達(dá)到最高。

具體就平均用戶速率與能源效率的關(guān)系，一開始隨著平均用戶速率的增加，能源效率也得到提升，因為能源效率的分子包含了平均用戶速率；但譬如通過增加天線數(shù)目使平均用戶速率升高后，對應(yīng)的能源消耗也增加了，會拉低能源效率。后半段的曲線即是沖突的體現(xiàn)。優(yōu)化的目標(biāo)首先是得到這個關(guān)系曲線，最終在沖突域中選擇最合適的點作為此次優(yōu)化的結(jié)果。

上述的曲線是通過SCALARIZATION的優(yōu)化算法得到的，還有一篇論文通過NSGA II和SMPSO算法得到了類似的曲線結(jié)果[3]。

三、多目標(biāo)優(yōu)化基本概念

上面的樣例其實是一個典型的多目標(biāo)優(yōu)化的問題（MOP，Multi-objective Optimization Problem）。與單目標(biāo)優(yōu)化只有一個最優(yōu)解不同，多目標(biāo)優(yōu)化的解通常有多個，稱為Pareto最優(yōu)解。求解MOP的最終目的是在各個優(yōu)化目標(biāo)之間權(quán)衡處理，使所有的目標(biāo)都“盡可能”達(dá)到最優(yōu)。

MOP是一個研究很多年的問題，學(xué)術(shù)界已經(jīng)產(chǎn)生了大量的算法嘗試解決這個問題。簡單分類如下：

上面提到是比較復(fù)雜的多目標(biāo)優(yōu)化，如非連續(xù)，非線性等。如果是線性類的關(guān)系，則可以通過一些簡單的方法，如區(qū)間傳播算法，滿意度函數(shù)及多目標(biāo)協(xié)商等方法，得到讓步之后大家都滿意的結(jié)果。

四、無線的沖突管理

從多目標(biāo)優(yōu)化理論回到無線領(lǐng)域，在5G時代，優(yōu)化場景必定更復(fù)雜，如M-MIMO，多頻段，多垂直業(yè)務(wù)等場景；其次，網(wǎng)絡(luò)需要自動駕駛意味著極小的人為干預(yù)。系統(tǒng)將自我實現(xiàn)優(yōu)化計算和調(diào)整，傳統(tǒng)的人工沖突消解方法很難滿足自動化Level 4及以上水平的要求。

通過ML獲得無線領(lǐng)域目標(biāo)函數(shù)表達(dá)和多目標(biāo)的優(yōu)化求解在學(xué)術(shù)界已經(jīng)有一些研究；ML（機(jī)器學(xué)習(xí)），GA（遺傳算法），ACO（蟻群算法）等AI技術(shù)在SON領(lǐng)域均已有一些應(yīng)用。

五、沖突管理的機(jī)會和困難

1.基于無線網(wǎng)絡(luò)的復(fù)雜性，即便我們嘗試使用AI技術(shù)來學(xué)習(xí)參數(shù)和目標(biāo)的關(guān)系也會很困難。同時，AI的效果還依賴更好設(shè)計的，更多場景覆蓋的海量數(shù)據(jù)。對于無線某一領(lǐng)域的優(yōu)化，要先通過良好的自生系統(tǒng)設(shè)計，如良好的資源建模和系統(tǒng)架構(gòu)設(shè)計，解決大部分的問題，然后再通過AI解決少部分確實難以解決的問題；嘗試通過AI解決所有問題是不必要的，也是不可能的；

2.即使通過線性/非線性回歸等手段建立了超多目標(biāo)的優(yōu)化表達(dá)，但目前的算法很難支撐5個及其以上目標(biāo)的優(yōu)化。針對4個目標(biāo)以下的場景，已有算法的適配性和計算效率都還比較匹配，可以嘗試在某些特定的場景中使用，如前面提到的M-MIMO場景；

3.參數(shù)數(shù)量的多少對配置尋優(yōu)的性能的結(jié)果影響也有一些影響，有一些技術(shù)手段，如GRA（Grey Relationship Analysis），可以挖掘出相關(guān)性高的參數(shù)集；

參考文獻(xiàn)

[1] Multiobjective Signal Processing Optimization：The way to balance conflicting metrics in 5G systems，Emil Bjornson，etc.，2014

[2] https：//ieeexplore.ieee.org/document/6924852

[3] Energy-Efficient Communication in Wireless Networks：Small or massive MIMO？，Emil Bjornson，2014，

[4] https：//www.commsys.isy.liu.se/～ebjornson/presentation_5green.pdf

[5] Multi-Objective Optimization in 5G Wireless Networks With Massive MIMO，Sotirios K. Goudos，etc.，2018，

[6] https：//ieeexplore.ieee.org/document/8454783