Optimization Algorithms for Joint OFDM Waveform Design and RIS Configuration in 6G Networks: From Convex Relaxation to Foundation Models
作者: Ahmet Kaplan
分类: cs.AI
发布日期: 2026-06-30
备注: 22 pages
💡 一句话要点
提出联合OFDM波形设计与RIS配置优化算法以解决6G网络问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 联合优化 OFDM RIS配置 6G网络 机器学习 深度学习 性能提升
📋 核心要点
- 当前联合OFDM-RIS优化缺乏标准化基准，导致跨论文比较困难。
- 论文提出将现有研究分类为四种范式，并强调机器学习方法在效率上的优势。
- 实验结果显示，基于GPU的神经网络推理在不同规模下具有不变的运行时间，展示了关键的缩放特性。
📝 摘要（中文）
本文探讨了联合OFDM-RIS优化在6G网络中的应用，涉及混合整数非线性规划（MINLP）问题，目标包括总速率最大化、能效、最大最小公平性及峰均功率比（PAPR）约束等。对2021至2026年间发表的78篇相关研究进行了综述，分类为四种范式：基于模型的凸松弛、启发式与元启发式搜索、深度强化学习与无监督学习，以及新兴方法（如基础模型、扩散生成AI和量子优化）。研究表明，基于机器学习的方法在推理速度上比模型基础方法快10^2至10^4倍，且在光谱效率上可达到95-99%。
🔬 方法详解
问题定义：本文旨在解决联合OFDM-RIS优化中的混合整数非线性规划（MINLP）问题，现有方法在标准化基准缺乏和跨论文比较困难方面存在痛点。
核心思路：通过对现有研究的分类与分析，提出一种综合的优化框架，结合机器学习与传统优化方法，以提高效率和性能。
技术框架：整体架构包括四个主要模块：模型基础的凸松弛、启发式搜索、深度学习方法及新兴技术，形成一个多层次的优化流程。
关键创新：最重要的创新在于引入基础模型和生成AI技术，显著提升了推理速度与光谱效率，区别于传统的优化方法。
关键设计：在参数设置上，采用了多种损失函数和网络结构，特别是在深度学习模块中，使用了DDQN、PPO和图神经网络等技术，以适应不同的优化需求。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于机器学习的方法在推理速度上比传统模型基础方法快10^2至10^4倍，同时在光谱效率上可达到95-99%。此外，GPU基础的神经网络推理在不同规模下保持一致的运行时间，展示了显著的缩放特性。
🎯 应用场景
该研究在6G网络中具有广泛的应用潜力，尤其是在提升无线通信的效率和可靠性方面。通过优化OFDM波形与RIS配置，可以实现更高的数据传输速率和更好的网络资源管理，未来可能推动智能交通、物联网等领域的发展。
📄 摘要（原文）
Joint OFDM-RIS optimization for 6G is a mixed-integer nonlinear programming (MINLP) problem covering sum-rate maximization, energy efficiency, max-min fairness, and peak-to-average power ratio (PAPR)-constrained objectives. Seventy-eight joint OFDM-RIS optimization works published between 2021 and 2026 are surveyed. No standardized benchmark exists, and cross-paper comparisons remain infeasible. This survey classifies these works into four paradigms: (I) model-based convex relaxation, (II) heuristic and metaheuristic search, (III) deep reinforcement and unsupervised learning, and (IV) emerging methods including foundation models (FM), diffusion-based generative AI, and quantum optimization. A literature synthesis of self-reported benchmarks shows that ML-based methods (Paradigm~III) report 95-99\% of model-based spectral efficiency at 10^2-10^4 x faster per-inference runtime (method-pair dependent; literature values are self-reported and exclude ML pre-training cost). A companion tutorial benchmark at N=16, N=64, and N=128 reveals a critical scaling property: GPU-based neural network inference (DDQN, PPO, graph neural network (GNN), unsupervised DL) is N-invariant, with identical runtime at N=16 and N=128, while iterative solvers (AO+SCA, PSO) scale polynomially. Energy efficiency (P2) and PAPR-constrained (P4) benchmarks are deferred to future work with standardized power models and waveform generators. Six open challenges emerge from the synthesis: the cross-paradigm benchmark deficit, real-world hardware-constrained deployment, joint waveform-RIS optimization for doubly-dispersive channels, multi-objective PAPR trade-offs, LLM safety in live network control, and diminishing returns of standalone heuristics. We specify requirements for a standardized benchmark. This study serves as a roadmap for researchers and practitioners working on joint OFDM-RIS optimization in 6G networks.