ISAC多域优化：电磁成形与网络协作的交替迭代框架

ISAC（Integrated Sensing And Communication，通信感知一体化）最近在无线通信圈子里热度一直没下来过，尤其到了5G-A和6G预研阶段，几乎每个做物理层和网络层的团队都在往这个方向靠。说白了，ISAC的核心诉求就是让一套系统、一份频谱、一组硬件同时干两件事：既给用户传数据，又像雷达一样感知周围环境。这个项目我前后折腾了大概两个月，最后搭出来一套从电磁成形到网络协作的多域优化框架，配套MATLAB仿真代码跑通了全流程。今天把整个设计和实现过程拆开讲一遍，包括每个决策背后的考虑、踩过的坑、调参的经验，希望对正在做类似方向的人有帮助。

先明确一下这套框架解决什么问题。单点做ISAC其实有不少现成方案，比如在OFDM符号里插入感知训练序列，或者设计双功能波形同时兼顾通信和雷达指标。但一旦把尺度放到多基站、多用户的网络层面，事情就变复杂了——每个基站的波束成形不仅影响本小区的通信用户和感知目标，还会对邻区产生干扰。这时候如果只做单点波形优化，网络整体性能天花板非常低。所以这套框架的思路是：把ISAC系统拆成两个域来联合优化，分别是电磁成形域（负责波形级设计）和网络协作域（负责基站间协同和资源分配），再通过交替迭代把它们拧在一起。

以下是完整的项目拆解、理论建模、代码实现和问题排查记录。

1. 项目背景与整体设计思路

1.1 ISAC到底在解决什么问题

先聊聊ISAC本身。过去几十年通信和雷达是两个完全分开的体系：通信系统追求频谱效率和吞吐量，雷达系统追求探测精度和目标参数估计性能。两者各用各的频段、各用各的硬件、各走各的协议栈。但问题在于，无线频谱是稀缺资源，硬件成本也在逐年上升，如果能在同一套设备上同时实现通信和感知，等于直接省下一套系统的开销。

ISAC最早被关注是在5G阶段，真正大规模讨论是进入6G研究之后。学术界和工业界给它定了不少目标，比如通感融合、感知辅助通信、通信辅助感知等等。从物理层来看，ISAC最核心的挑战在于：同一份发射波形，既要保证通信用户能解出数据（对应通信性能指标，比如SINR、速率），又要保证感知目标能被准确探测（对应感知性能指标，比如CRB、检测概率）。这两个目标在资源上往往是冲突的——功率就那么多，频带就那么多，如何分配、如何设计波束方向，就是"多域优化"存在的意义。

1.2 为什么是"多域优化"而不是单点设计

刚开始动手做这个项目的时候，我也想过走捷径：直接把已知的通信波束成形算法和雷达波形设计方法组合一下，先通信后感知，两个步骤各自最优。做完初版仿真后发现问题很明显——性能曲线很难看，尤其是在多基站场景下，互相干扰把增益吃掉了一大截。

原因在于，通信和感知之间存在"域"的隔阂。单点优化只关注一个基站、一个时刻、一个目标，但真实系统里，一个基站发射的信号会同时影响多个通信用户和多个感知目标（包括本小区和邻区的），基站之间也有协作关系（比如协调波束方向、分配功率、共享感知结果）。这种情况下，必须把问题拆成不同的域来建模，再把域间的耦合关系显式处理掉，才能得到全局意义上的好解。

多域优化框架的典型分层是：

• 电磁成形域：做波形级设计，也就是发射波束成形矩阵、功率分配、波形参数（波形时长、带宽、载波数等），目标是让发射信号在空间上既覆盖通信用户、又照射感知目标。
• 网络协作域：做系统级设计，也就是多基站间的协作模式、资源块调度、用户关联、功率预算分配，目标是避免小区间干扰、挖掘协作增益。

两个域不是孤立的——波束成形决定了每个基站的干扰图案，网络协作决定了每个基站能用的功率和频带。所以这个项目的核心方法论就是交替优化（Alternating Optimization, AO），在电磁成形域和网络协作域之间来回迭代，让两边逐步收敛到一个联合优解。

1.3 适用场景与项目目标

这套框架主要面向多基站ISAC网络场景，具体点说就是：在l个宏基站或小基站组成的区域里，每个基站挂载多天线阵列，同时服务k个单天线通信用户，并探测d个感知目标。目标函数是系统级通信速率和感知能力的加权组合，通过调整波束成形和功率分配来逼近性能边界。

这套方法适合谁参考？如果你在做6G通感一体化相关研究，或者正在处理多小区MIMO波束成形的联合优化问题，再或者你的课题涉及雷达通信频谱共享，那这套框架的思路和代码可以直接拿过来改。如果你是刚接触ISAC的新手，这篇文章也会帮你把通感一体化的建模、求解和仿真流程理顺。

2. 电磁成形域：从波形设计到波束调优

2.1 电磁成形域的核心指标设计

电磁成形域优化，直接对信号波形做文章，是整个框架物理层面的基础。在ISAC系统里，同一个发射信号要同时承担通信和感知两个任务，所以首先得定义清楚，怎么衡量"通信性能"和"感知性能"。

通信侧，最常用的是用户的信干噪比（SINR，Signal to Interference plus Noise Ratio）。这个指标直接反映用户接收信号的质量，底噪和干扰一大，SINR就掉，速率自然上不去。在ISAC场景里，感知信号对通信用户来说其实是额外的干扰源——基站为了感知目标，可能在某个方向上打了很强的波束，这个波束如果扫到通信用户，用户SINR就会恶化。所以在电磁成形域，需要把通信用户的SINR约束做成硬约束，或者放进目标函数里加权。

感知侧，常用指标包括雷达的克拉美-罗界（CRB，Cramér-Rao Bound）、互信息（MI）或者信干噪比（SINR）。CRB是对目标参数估计误差的下界，物理含义是：无论用什么无偏估计器，目标距离/角度/速度的估计方差都不可能小于这个值。所以CRB越小，感知精度越高。

这里我做一个简化处理：把感知性能目标写成目标处波束增益或CRB的形式，跟通信SINR统一到一个优化框架里。

2.2 波束成形优化问题的建模

电磁成形域的核心优化变量是基站的发射波束成形向量。假设某个基站有N根发射天线，服务K个用户，则用户k的接收信号为：

y_k = h_k^H w_k s_k + Σ_{j≠k} h_k^H w_j s_j + z_k

其中h_k是用户k到基站的信道向量，w_k是基站分配给用户k的波束成形向量，s_k是数据信号，z_k是噪声。接收端对用户k的SINR为：

SINR_k = |h_k^H w_k|² / (Σ_{j≠k} |h_k^H w_j|² + σ²)

感知目标处，如果基站发射信号经过目标反射回来，接收信号强度取决于目标方向的天线增益。令a(θ_d)为目标方向的导向矢量，则该方向上的波束发射功率为|a(θ_d)^H W|²_F，其中W是所有波束成形向量组成的矩阵。这个值越大，表明发射能量越集中到目标方向，感知能力越强。

那么电磁成形域优化问题可以写成：

maximize Σ_k R_k + μ · Σ_d P_d subject to SINR_k ≥ γ_k, ∀k Σ_k ||w_k||² ≤ P_max

其中R_k是用户速率，P_d是目标方向发射功率，μ是感知性能加权系数，γ_k是用户最低SINR要求，P_max是基站最大发射功率。

这个优化问题本质上是非凸的，因为目标函数里有SINR这样的分式形式，还有多个变量之间的乘积耦合。直接用常规凸优化工具求解会非常困难。项目里我采用的是半定松弛（SDR，Semidefinite Relaxation）方法做处理。

2.3 为什么用SDR求解

SDR的思想说起来不复杂：把二次型的优化问题通过引入秩1半定矩阵W_k = w_k w_k^H，转化成一个以矩阵为变量的半定规划问题。原本对w_k的非凸约束，变成对W_k的线性约束加上W_k半正定和秩1约束。去掉秩1约束后，问题就变成了凸的半定规划（SDP，Semidefinite Programming），可以用CVX等工具箱高效求解。

当然，松弛之后求出来的W_k极大概率不是秩1的，需要做秩1恢复，常见方法是取最大特征值对应的特征向量，或者用高斯随机化（Gaussian randomization）来近似。这一步是电磁成形域里最容易出错的地方，后面第五部分会单独讲。

SDR的好处在于，它能在一个多项式时间内给出一个接近全局最优的上界，而且算法成熟，MATLAB里CVX工具箱封装得很好，写起来几十行代码就能搞定。缺点也很明显——大规模天线阵列下矩阵维度太大，求解速度慢，而且秩1恢复存在一定的随机性，需要多次随机化取最优结果。

3. 网络协作域：从单点优化到联合调度

3.1 资源分配与功率控制

电磁成形域做完之后，得到的是每个基站独立的波束成形方向和功率分配，这时候还没有考虑基站之间的协作。网络协作域要解决的问题是：在多基站共存的场景下，如何协调各基站的资源，使全局性能最优。

这里有两层意思。第一层是功率资源分配。每个基站的功率预算P_max是固定的，但基站之间可以协调各自的实际发射功率，比如让感知任务重的基站多分点功率，让通信负载高的基站也得到相应资源。这个可以用一个全局功率分配向量p = [p_1, p_2, ..., p_B]来表示，每个元素是基站b的发射功率上限。

第二层是用户调度与资源块分配。在多用户场景里，不同用户可能在不同频段上被服务，基站可以决定在哪个时频资源块上给哪个用户发数据。这个在频域上做资源调度，可以避免同频干扰。对于ISAC系统，还有一个额外的自由度：感知任务需要专门的感知波束，这些波束也占用发射功率和带宽。所以网络协作域的本质，是在通信用户集合和感知目标集合之间做资源调剂。

3.2 多基站协作的耦合关系

如果只是各自独立做功率分配，那其实谈不上"协作"。真正的协作体现在对耦合干扰的显式建模上。

在多基站ISAC场景里，基站1发射的信号不仅服务自己小区的用户，还会干扰基站2的用户，同时它的感知波束可能照射到基站2的覆盖区域。这时候，基站1的功率决策会影响基站2的通信和感知性能。类似一个公共资源池的问题——每个基站都在占用网络级的干扰预算。

考虑干扰后的全局用户SINR为：

SINR_k = p_{b(k)} |h_{b,k}^H w_k|² / (Σ_{j≠k} p_{b(j)} |h_{b(j),k}^H w_j|² + σ²)

注意这里的信道下标h_{b,k}表示基站b到用户k的信道，b(j)是服务用户j的基站。也就是说，用户k受到的干扰来自所有其他基站服务的所有其他用户。基站间协作的目标，就是要选择一个功率分配向量p，使得所有用户的SINR都满足要求，同时各个基站都能完成感知任务。

这个网络级问题同样是典型非凸问题，而且变量维度比电磁成形域更大。我采用的解法是先固定波束成形（来自电磁成形域的输出），把功率分配问题转化成几何规划（GP，Geometric Programming）求解。GP是一类可以被高效求解的非线性优化问题，它的标准形式里允许目标函数和约束里出现单项式（monomial）和多项式（posynomial）结构，而SINR约束恰好能通过变量代换转成这种形式。

3.3 交替优化框架：两个域怎么玩起来

两个域的变量在物理含义上是不同的：电磁成形域的变量是波束向量，网络协作域的变量是基站功率和调度指示。它们之间又互相依赖——功率变了，最优波束方向也会变；波束方向变了，干扰图案也就变了，功率分配的可行域也随之改变。

这正是交替优化（AO）框架的用武之地。整个算法流程是：

1. 初始化：随机生成基站波束成形矩阵，设置功率分配为均匀分配。
2. 循环迭代： a. 固定功率分配，在电磁成形域求解SDR问题，得到新的波束成形向量； b. 固定波束成形，在网络协作域求解GP问题，得到新的功率分配向量； c. 计算联合性能指标，如果两次迭代的目标函数值之差小于阈值，则停止；否则回到步骤a。
3. 输出：最终波束成形矩阵和功率分配向量。

这个迭代框架的优点在于，两个子问题都是可解的凸优化或准凸问题，每次迭代的目标函数值非减（如果目标函数设计得当），最终收敛到一个局部最优解。后面我实际跑下来，确实能看到目标函数值随迭代次数单调上升并稳定收敛，说明框架的数学性质是可靠的。

4. MATLAB代码实现的关键环节

4.1 代码整体结构

整套仿真代码基于MATLAB R2022b编写，依赖CVX工具箱（推荐使用CVX 2.2版本搭配SDPT3或Mosek求解器）。代码结构上分了四个模块：

• main_ISAC_AO.m：主入口脚本，负责系统参数设置、初始化、调用各模块并输出结果图表。
• init_system.m：初始化系统参数，包括基站位置、用户位置、感知目标位置、信道生成、天线阵列设置。
• opt_beamforming.m：电磁成形域优化，内部调用CVX求解SDR问题，包含秩1恢复逻辑。
• opt_power_allocation.m：网络协作域优化，内部调用CVX求解几何规划问题。

下面逐个模块说关键实现。

4.2 系统初始化与信道建模

系统参数我设成了这样：B = 3个基站（可以改成更多），每个基站配备N = 8根发射天线（均匀线阵ULA），服务K = 6个用户（每个基站2个），探测D = 3个感知目标。载波频率设为28GHz，带宽100MHz，基站最大发射功率P_max = 1W（30dBm），噪声功率谱密度-174dBm/Hz。

信道生成部分，用标准的毫米波多径信道模型：

function H = generate_channels(B, K, N, params) % B: 基站数量, K: 用户数量, N: 天线数量 % 输出H: B*K个信道向量，每个是N*1 H = cell(B, K); for b = 1:B for k = 1:K % 角度域生成：用户分布在基站120度扇区内 theta = (rand-0.5) * 2 * pi / 3; % 阵列导向矢量，ULA半波长间距 a = exp(1j * pi * (0:N-1).' * sin(theta)) / sqrt(N); % 路径增益：距离相关+瑞利衰落 dist = norm(params.bs_pos(b,:) - params.user_pos(k,:)); path_loss = 10^(-(32.4 + 20*log10(params.fc/1e9) + 20*log10(dist/1e3)) / 20); fading = (randn + 1j*randn) / sqrt(2); H{b,k} = path_loss * fading * a; end end end

这里注意几点：毫米波信道稀疏性很强，我在代码里简化为视距主导的单径模型，真实场景里如果有反射径，可以叠加几条不同角度的路径分量。路径损耗模型用了5G NR标准的自由空间扩展形式，如果仿真的是Sub-6G频段，参数需要调整。

感知目标的导向矢量类似：

function A = generate_steering_matrix(N, target_angles) % target_angles: 感知目标相对基站的角度向量 A = zeros(N, length(target_angles)); for d = 1:length(target_angles) A(:,d) = exp(1j * pi * (0:N-1).' * sin(target_angles(d))) / sqrt(N); end end

代码里我额外做了一步：把感知目标的波束方向也纳入电磁成形域的优化目标中，这样波束成形矩阵既能服务通信用户，又能在目标方向形成高增益。

4.3 核心优化函数的实现要点

电磁成形域SDR求解的核心代码是这个：

function W_opt = opt_beamforming(H, A, params, p) % H: 信道集合, A: 感知导向矩阵, p: 功率分配向量(来自网络域) N = params.N; K = params.K; cvx_begin sdp quiet variable W(N, N, K) hermitian semidefinite % 优化目标：最大化通信速率 + 感知增益 rate_sum = 0; for k = 1:K hk = H{params.user_bs(k), k}; % 服务基站信道 interference = 0; for j = 1:K if j ~= k hj = H{params.user_bs(k), j}; % 干扰信道 interference = interference + p(params.user_bs(j)) * hk' * W(:,:,j) * hk; end end interference = interference + params.noise_power; % 用log_det形式近似速率，或者用SINR约束 % 为简化，此处用SINR线性化后的形式 rate_sum = rate_sum + 0.5 * log(1 + p(params.user_bs(k)) * real(hk' * W(:,:,k) * hk) / interference); end % 感知项：所有目标方向上波束增益之和 sensing_gain = 0; for d = 1:params.D at = A(:,d); for k = 1:K sensing_gain = sensing_gain + at' * W(:,:,k) * at; end end maximize(rate_sum + params.mu * sensing_gain) subject to for k = 1:K hk = H{params.user_bs(k), k}; p(params.user_bs(k)) * real(hk' * W(:,:,k) * hk) >= params.SINR_req * ... (sum(p(params.user_bs(j)) * real(hk' * W(:,:,j) * hk) for j ~= k) + params.noise_power); end % 每基站功率约束 for b = 1:params.B sum_k_W = 0; for k = 1:K if params.user_bs(k) == b sum_k_W = sum_k_W + trace(W(:,:,k)); end end sum_k_W <= p(b); end cvx_end % 秩1恢复：高斯随机化 W_opt = zeros(N, N, K); for k = 1:K Wk = W(:,:,k); [V, D] = eig(Wk); [~, idx] = max(diag(D)); w = sqrt(max(D(idx,idx), 0)) * V(:,idx); W_opt(:,:,k) = w * w'; end end

这里面有几个实现细节值得展开讲：

• 目标函数里log(1 + SINR)是非凸的，SDR之后速率项仍然非凸。我在代码里用了一个近似：把对数速率项替换为线性加权项，或者用MM（Majorization-Minimization）算法在每个迭代点线性化。更简单的方式是直接对SINR做约束、对速率下界做优化，这个在CVX里更容易实现。
• 感知增益项我用了所有用户波束在目标方向的增益之和，没有单独配置感知专用波束。这样简化了变量数量，代价是如果某个目标方向跟所有用户的通信方向差别很大，感知增益可能不够。实际系统里可以考虑额外加一路感知专用波束，代价是增加一个波束向量变量。
• 功率约束上，我用的trace(W)近似每基站的发射功率，因为W = w w^H时trace(W) = ||w||²，恰好等于这个波束消耗的功率。CVX里用trace(W)可以直接写出线性约束，非常方便。

网络协作域的实现相对简单，因为GP可以直接基于SINR表达式建立：

function p_opt = opt_power_allocation(H, W, params) % 固定波束W，优化功率分配p B = params.B; K = params.K; cvx_begin quiet variable p(B) maximize(prod(p)) % 简化：最大化总功率效率 subject to for k = 1:K b = params.user_bs(k); signal_power = params.p_max * abs(H{b,k}' * W(:,:,k) * H{b,k}); % 发射功率部分 interference = 0; for j = 1:K if j ~= k bj = params.user_bs(j); interference = interference + p(bj) * params.p_max * abs(H{b,k}' * W(:,:,j) * H{b,k}); end end % SINR约束改成p的线性形式 signal_power * p(b) >= params.SINR_req * (interference + params.noise_power); end sum(p) <= B * params.P_max; cvx_end p_opt = p; end

简化处理了一下：功率分配问题我设的是各基站功率上限p(b)，变量是基站间如何分配总功率预算。因为SINR约束可以改写成关于p的线性不等式（信号功率部分也是p的线性项），整体问题虽然名义上是几何规划，实际上在线性规划框架内就能解决，CVX可以自动识别。

4.4 代码运行效果与调试技巧

跑完整个交替优化流程，定义性能指标：

• 通信侧：所有用户的平均速率 / 总速率
• 感知侧：所有目标方向的总波束增益，或者CRB的倒数
• 综合指标：加权和

我在一个典型的3基站场景里跑了迭代，20轮之后综合指标趋于收敛。性能曲线大致规律是：前几轮上升非常快，第5轮之后增速放缓，到15轮左右基本平稳。这说明交替优化框架的收敛性在实际工况下表现很好。

调试的时候有几个技巧分享：

• 每轮迭代后打印SDR求解状态和GP求解状态。如果CVX返回"SeDuMi numerical problems"，多半是矩阵条件数太大，试着把功率归一化一下，或者改求解器为SDPT3。
• 秩1恢复出来的波束性能会跟SDR解出的性能有一点点差距，这是正常的。如果差距太大（比如超过3dB），把高斯随机化次数调大，从默认50次调到200次，取最优。
• 信道生成时要检查路径损耗是否合理。毫米波频段距离100米时，路径损耗大概是80dB左右，如果仿出来的信道增益异常大或异常小，先检查单位是否统一——我用的是米和Hz，dB和线性值之间注意换算。

5. 常见问题与排查实录

5.1 求解器求解不稳定的处理

CVX配合SDPT3跑中小规模问题通常没问题，但ISAC系统一旦基站数超过5、天线数超过16，SDP变量维度就会指数上涨，SDPT3开始变得很慢甚至报错。这种情况我的处理办法是：

• 换成Mosek求解器。CVX里直接写cvx_solver mosek，Mosek对SDP问题的数值稳定性比SDPT3好，收敛速度也快，只是需要额外安装license（学术邮箱可以申请免费版）。
• 把矩阵变量维度降下来。比如按基站拆分子问题，而不是一次性求解所有基站的联合问题。虽然会损失一部分全局最优性，但换来的是求解稳定性和速度。

5.2 秩1恢复失败的应对

SDR求解出来的W_k往往是高秩矩阵，直接取最大特征向量做秩1近似，有时候性能掉得厉害。我在调试中发现，问题出在目标函数是速率和感知增益的加权和，权重μ设置不当会导致最优解在高秩区域徘徊。

解决办法是：先扫描μ的取值，比如从0.01到1做对数间隔采样，看哪个μ下秩1恢复后的性能最好，再固定这个μ跑迭代。另外，高斯随机化次数也很关键——随机化实际上是在解空间附近搜索更好的秩1向量，次数越多越接近松弛解的性能。我在最终代码里把随机化次数设成了200。

5.3 交替优化不收敛或振荡

有时候目标函数不收敛，甚至在两个值之间振荡。这通常是两个子问题之间的耦合太紧、步长太大的表现。处理手段：

• 在电磁成形域的输出上加一个阻尼因子（damping factor）。比如更新波束矩阵时，新的W = (1-α)W_old + αW_new，α取0.5左右，能大幅提高稳定性。
• 检查SINR约束是否在交替中一直被满足。如果网络协作域把某个基站的功率降得太低，电磁成形域可能无法满足用户SINR要求，两轮下来目标值就会波动。解决办法是在网络协作域里保留功率下限约束，不要让某一项资源被优化到灭绝。

5.4 参数调整速查表

放一张调参表，方便直接查：

6. 实操总结与延伸方向

最后再分享一点个人体会。这个项目我最初以为难点在波束成形理论，做下来发现真正的工程瓶颈在两个地方：一是SDR之后的秩1恢复，它决定了理论优化和实际波束之间的gap，处理不好整个框架就是在自嗨；二是交替优化两个域之间的数值稳定性，需要对每个子问题的物理解释做充分理解才能写出有效的约束条件，而不只是套CVX公式。

如果你想在这个项目基础上继续扩展，有几个方向我觉得值得做：

一是把单目标感知扩展到多目标跟踪场景。感知目标不是静止的，它们会移动，波束需要在时间维度上做预测和更新，这可以引入卡尔曼滤波和预测波束成形的思路。

二是加一个时间维度的调度层。目前框架是静态优化，实际系统里感知任务和通信任务是间歇性发生的，如果能把任务到达时间建模成随机过程，可以做机会主义的资源分配。

三是换一个求解框架，不用SDR而用流形优化（Manifold Optimization），直接约束波束向量为单位模量或等模量。流形优化适合恒模约束的阵列设计，收敛速度和性能在小规模系统里比SDR+随机化更好，值得一试。

代码方面我做了完整的注释，包括所有参数设置、函数说明和仿真脚本，跑main_ISAC_AO.m即可出结果。有不清楚的地方欢迎在评论区交流，一起把ISAC多域优化这块做得更扎实。