文摘由于超大规模MIMO(Extremely Large-scale MIMO,XL-MIMO)系统中空间非平稳性的存在,使得部分天线对系统性能贡献较小,从而增加了系统能耗。通过天线选择并结合波束成形从而优化系统性能。以最小化基站发射功率为目标建模,在满足信干噪比和基站激活天线数的约束下,优化基站处的波束成形矩阵。由于该优化问题是典型的混合整数非线性规划问题,传统方法使用连续近似来求解,然而获得的解都是次优解。鉴于此,首先提出采用分支定界算法(Branch and Bound,BAB)求解上述优化问题,从而保证解的最优性。然而,BAB算法在处理大规模问题,特别是基站天线数大于128时,计算复杂度往往过高。为了解决这一问题,提出了一种基于图神经网络和多层感知机(Graph Neural Network and Multilayer Perceptron,GNN+MLP)的方法,通过利用GNN在BAB树的根节点提取一次全局特征,并在每个子节点利用MLP提取局部特征,通过结合全局特征和局部特征来训练一个二进制的节点分类器,以判断当前节点是否需要进一步分支,从而加速计算的过程。仿真结果表明,在天线数等于512时,GNN+MLP比BAB减少了54.2%的计算时间。
