无线资源分配：多用户 MIMO 的调度与功率分配
无线资源分配：多用户 MIMO 的调度与功率分配
在无线通信系统中，频谱和时间资源是有限的。如何将有限的资源高效地分配给多个用户，在满足服务质量的前提下最大化系统容量，是无线资源管理的核心问题。多输入多输出（MIMO）技术的引入，使得基站可以通过空间自由度同时服务多个用户，这让资源分配问题从传统的时间/频率维度拓展到了空间维度。本教程将从基础概念出发，逐步讲解多用户 MIMO 场景下的调度与功率分配机制，帮助你建立对这一关键技术的整体理解。
多用户 MIMO 系统的基本架构
在多用户 MIMO 系统中，基站配备多根天线，可以同时向多个用户发送独立的数据流。这种技术称为空分多址（SDMA, Space Division Multiple Access）。与单用户 MIMO 只为一个用户服务不同，多用户 MIMO 在同一时频资源块上服务多个用户，从而显著提升系统吞吐量。
实现多用户 MIMO 的关键在于预编码。发端需要根据信道状态信息（CSI）设计预编码矩阵，消除用户间干扰，使得每个用户接收到的信号只包含自己的数据。当信道信息完全已知且发射功率无约束时，脏纸编码（DPC, Dirty Paper Coding）可以达到多用户信道的容量域，但由于复杂度极高，实际系统采用线性预编码技术，如迫零（ZF, Zero-Forcing）和最小均方误差（MMSE）预编码。
然而，基站同时服务的用户数受限于天线数量和信道条件。当用户数远多于基站可同时服务的最大数量时，就需要调度来决定哪些用户在什么时间、什么频率资源上被服务，并为选中的用户分配适当的发射功率，这就是多用户 MIMO 资源分配的核心任务。
调度算法：选择哪些用户同时传输
调度器的目标通常是在保证一定公平性的前提下最大化系统吞吐量。以下介绍几种经典的调度策略。
轮询调度
轮询调度为每个用户分配相等的时间资源，不考虑瞬时信道条件。每个用户依次获得服务机会，实现起来极其简单，且能够保证绝对公平的长期服务时间。
- 优点：公平性最好，实现复杂度最低，无需信道反馈。
- 缺点：完全忽略信道变化，当某个用户处于深衰落时仍会分配资源，导致频谱效率低下，系统吞吐量远低于其他调度方式。
在 MIMO 系统中，轮询通常只作为基础参照，很少在追求高效率的场景中使用。
最大载干比调度
最大载干比调度在每一时刻选择瞬时信干噪比最高的用户进行传输。在多用户 MIMO 中，可以扩展为选择那些能够带来最大和速率的一组用户。
- 优点：能够获得最大的系统容量，充分利用多用户分集增益。
- 缺点：完全不考虑公平性。距离基站近、信道条件长期较好的用户会独占资源，而边缘用户可能长时间得不到服务，即“饿死”现象。
因此，单纯的最大 C/I 调度在实际网络中难以接受，通常需要与其他机制结合。
比例公平调度
比例公平调度是一种兼顾吞吐量和公平性的经典算法。它为每个用户维护一个平均吞吐量 ( R_k(t) )，并计算其瞬时可达速率 ( r_k(t) )。调度器选择使比率 ( r_k(t)/R_k(t) ) 最大的用户。
- 当用户瞬时信道质量远好于自身历史平均时，该比值很高，容易被选中。
- 当用户一段时间内已经被服务多次、平均吞吐量提升后，比值下降，给其他用户让出机会。
- 长期来看，每个用户都能获得服务，且系统吞吐量远优于轮询，仅略低于最大 C/I。
在多用户 MIMO 中，比例公平调度需要推广到用户组选择：不是仅挑一个用户，而是从所有用户中选出一个子集，使得该子集内用户的加权和速率最大，权重即为各用户历史平均吞吐量的倒数。由于组合搜索复杂度高，实际常用贪婪算法或基于弦距离的用户分组方法。
基于空间兼容性的调度
MIMO 场景下的调度不仅要看用户各自的信道质量，更要考虑用户之间的空间兼容性。即使两个用户各自的信噪比都很高，如果它们的信道向量高度相关，使用迫零预编码会产生严重的噪声放大，导致和速率反而降低。因此高效的多用户 MIMO 调度会优先选择信道近似正交的用户对。
典型的算法包括：
- 半正交用户选择：设定一个正交性门限，依次选择与已选用户集合近似正交且信道增益较高的用户。
- 基于信道弦距离的分组：计算用户信道向量之间的弦距离，将弦距离大的用户分入同一组，以此保证组内干扰可控。
通过联合考虑信道增益和空间分离度，可以在保持低复杂度的情况下逼近最优的穷举搜索性能。
功率分配：如何在选定用户间分配能量
选定服务用户集合后，接下来要在这些用户之间分配基站的总发射功率。不同的功率分配策略对系统容量和用户公平性有直接影响。
等功率分配
最简单的策略是将总功率在所有选中的用户数据流之间平均分配。如果采用迫零预编码，每个数据流经历的有效信道增益不同，等功率分配会导致弱用户的数据速率很低，限制了系统总容量。但其优势在于无需复杂的优化计算，对 CSI 精度要求较低。
注水功率分配
注水算法是最大化总容量的经典功率分配方法，适用于总和速率最大化的目标。其基本思想是：将功率更多分配给信道条件好的数据流，信道差的少分甚至不分功率。
对于并行子信道，最优功率分配满足：
[ P_i = \left( \mu - \frac{\sigma^2}{\lambda_i} \right)^+ ]
其中 ( P_i ) 为分配给第 ( i ) 个等效子信道的功率，( \lambda_i ) 为对应的信道增益，( \sigma^2 ) 为噪声功率，( \mu ) 为由总功率约束决定的注水水平线，运算符 ( (x)^+ ) 表示取 ( \max(x,0) )。
在多用户 MIMO 迫零预编码后，不同用户的等效信道增益各异，注水算法正是依此分配功率，可达到最大和速率。但纯粹的速率最大化完全偏向信道强的用户，公平性较差。
考虑公平性的功率分配
当系统需要保证用户之间的速率比例公平时，功率分配问题变成带有约束的优化问题，例如最大化最小用户速率或者满足各用户最小速率要求下的和速率最大化。
- 最大-最小公平功率分配：最大化当前服务用户中最差的速率，使得所有用户的体验尽量一致。
- 比例速率约束：根据事先设定的比例 ( \gamma_1 : \gamma_2 : \cdots ) 分配功率，使得各用户速率按比例保持。
这类问题通常是非凸的，可以利用几何规划、连续凸近似等迭代算法求解。在工程实现中，更常见的是将公平性控制与调度结合，而功率分配仍以简单的注水或等功率为主，以降低计算负担。
调度与功率分配的联合优化
实际系统中，调度和功率分配不是孤立进行的，而是一个联合优化问题：在总功率约束下，选择一组用户并为其分配功率，以最大化某个系统效用函数（如加权和速率）。
数学上，问题可以写成：
[ \max_{\mathcal{S}, P_k} \sum_{k \in \mathcal{S}} w_k R_k ] [ \text{s.t.} \sum_{k \in \mathcal{S}} P_k \le P_{\text{max}}, \quad \mathcal{S} \subseteq {1,\ldots,K}, \ |\mathcal{S}| \le N_t ]
其中 ( \mathcal{S} ) 为被服务的用户集合，( P_k ) 为各用户分配的功率，( w_k ) 为权重（由上层调度器的公平性策略决定），( R_k ) 为用户 ( k ) 的可达速率，取决于预编码方式和信道条件，( N_t ) 为基站天线数（最多同时服务用户数）。
- 最优解通常需要遍历所有可能的用户子集，对每个子集做一次功率分配优化，计算代价极高。
- 次优但实用的策略：
- 先根据空间兼容性和信道增益，用贪婪算法或半正交选择方法确定用户集合 ( \mathcal{S} )。
- 在选定的 ( \mathcal{S} ) 上，运用注水或公平功率分配算法分配功率。
- 若系统采用比例公平调度，则权重 ( w_k ) 为历史平均吞吐量的倒数，以实现长期公平。
这种分步处理大大降低了复杂度，同时保留了多用户 MIMO 的大部分增益，是 LTE、5G NR 等系统中实际采用的基本思路。
实际系统中的应用与展望
在 4G LTE 和 5G NR 系统中，多用户 MIMO 是提升小区容量的核心技术之一。下行链路支持最多 8 层（LTE）或 12 层（NR）同时传输给多个用户。调度器在每个传输时间间隔（TTI）内，根据用户反馈的信道质量指示、预编码矩阵指示和秩指示，动态选择用户组合、预编码矩阵和调制编码方案，并通过下行控制信息通知用户。
功率分配在商业设备中通常采用下行功率谱密度固定的半静态配置，同时辅以一些动态的用户间功率偏置，并不频繁地进行理想注水计算，主要出于信令开销和信道老化考量。但未来随着计算能力的提升和 AI 技术的引入，基于深度强化学习的联合调度与功率分配方案正成为研究热点，能够更实时地适应复杂多变的无线环境，逼近理论最优性能。
总结
多用户 MIMO 的无线资源分配是提升频谱效率、保障用户体验的关键使能技术。调度算法决定了哪些用户在什么时机被服务，而空间兼容性是 MIMO 调度中独有的考量因素；功率分配则在被选中的用户之间分配能量，直接影响速率与公平性。比例公平调度与注水功率分配的组合是一种成熟且均衡的工程方案。理解这些基本机制，有助于你进一步深入无线网络优化、标准协议分析以及下一代通信系统的设计。