论文精读与Python代码完整复现｜Yang S, et al. Flexible WMMSE beamforming for MU-MIMO movable antenna communications[J]. IEEE Transactions on Signal Processing, 2025, 73: 4479-4491.
如有帮助请引用：Yang S, Wan Z, Xiu Y, et al. Flexible WMMSE beamforming for MU-MIMO movable antenna communications[J]. IEEE Transactions on Signal Processing, 2025, 73: 4479-4491.
在多用户 MIMO 系统中，WMMSE是加权和速率优化中最经典的算法之一。传统 WMMSE 在固定信道上交替更新接收合并矩阵、辅助权重矩阵和发送预编码矩阵。但在可移动天线系统中，天线位置也可以参与优化：位置改变阵列响应，阵列响应进一步改变信道，算法因此多出了一层“在哪里发、在哪里收”的自由度。
这也是F-WMMSE最值得研究的地方。
这篇文章不只介绍论文思路，而是结合我们已经完成的 Python 复现项目，拆解以下问题：
- 如何把候选天线位置写成字典矩阵；
- 如何用 RLS-SOMP 同时完成位置选择与波束成形系数估计；
- 如何把位置更新嵌入 WMMSE 迭代；
- 如何用统一的实验入口复现论文 Fig. 2–6；
- 如何通过固定随机流、置信区间和单元测试保证结果可检查、可重复。
下面先看整个 Python 复现所实现的算法流程。
图1 F-WMMSE Python 复现算法框图。算法在每轮迭代中依次更新接收端位置与合并矩阵、辅助权重矩阵、发送端位置与预编码矩阵，最后重新构造物理信道并计算系统和速率。
01｜F-WMMSE 比经典 WMMSE 多优化了什么？
经典 WMMSE 的核心变量包括：
F：发送预编码矩阵；Wₖ：用户k的接收合并矩阵；Bₖ：用户k的辅助权重矩阵。
其目标是把难以直接处理的加权和速率最大化问题，转换成可交替求解的加权均方误差最小化问题。
在固定天线阵列下，算法默认信道矩阵Hₖ已经给定。每轮迭代只需要完成：
Wₖ → Bₖ → F → 重复迭代
F-WMMSE 则进一步引入两组变量：
- 发送端天线位置集合；
- 各用户接收端天线位置集合。
因此，算法不再只是在一个固定Hₖ上寻找最优F和Wₖ，而是同时选择天线位置，并根据新位置重新构造信道。
可以把两者的差别概括为：
经典 WMMSE：给定信道，优化怎么发、怎么收。
F-WMMSE：同时优化在哪里发、在哪里收，以及怎么发、怎么收。
02｜我们如何在 Python 中表示“可移动位置”？
连续搜索每一根天线的二维坐标(x,z)，会形成一个维度很高、变量强耦合的非凸问题。
我们的主实验实现先把可移动区域离散成规则候选网格。网格中的每一个点对应一个阵列响应原子，所有候选原子共同组成位置字典D。
如果候选位置共有M个，而最终只需要选择N根天线，那么位置优化就可以转写为：
在 M 个字典原子中，寻找 N 个最有用的原子。
这实际上是一个稀疏支撑集选择问题。
项目中的fwmmse.arrays模块负责这一层物理建模，包括：
- 平面波阵列响应；
- 被选位置的成对阵列响应；
- 多用户位置流形；
- 固定 UPA 信道构造；
- 位置流形对
x、z坐标的解析导数。
对于第k个用户，选定收发位置后的信道在代码中按照下面的结构构造：
Hk=Ar,k⋅diag(βkL)⋅At,kH H_k = A_{r,k} \cdot \text{diag}\left(\frac{\beta_k}{\sqrt{L}}\right) \cdot A_{t,k}^HHk=Ar,k⋅diag(Lβk)⋅At,kH
其中，Aₜ,ₖ和Aᵣ,ₖ分别由最终选中的发送端、接收端坐标生成，L为传播路径数，βₖ为复路径增益。
这一步很重要：稀疏算法输出的并不只是抽象索引。代码会把索引还原成实际二维位置，再由这些位置重新计算物理阵列响应和信道矩阵。
03｜RLS-SOMP 如何同时完成位置选择和系数估计？
位置字典建立以后，下一步是在候选位置中寻找支撑集。
我们在fwmmse.sparse.rls_somp()中实现了正则化最小二乘 SOMP。每次选择一个位置时，算法执行四步：
- 计算所有候选字典原子与当前残差的相关性；
- 选出尚未使用且相关性最高的原子；
- 在当前支撑集上求解正则化最小二乘问题；
- 更新残差，直到选满所需天线数。
支撑集S上的系数更新为：
Xs=(DsHDs+γI)−1DsHY Xₛ = (DₛᴴDₛ + γI)⁻¹DₛᴴYXs=(DsHDs+γI)−1DsHY
这里的γ不是一个随意加入的常数。它来自 WMMSE 子问题中的功率约束或正则项，使位置选择与波束成形系数更新能够在同一个优化结构中完成。
与只挑选“最强位置”不同，SOMP 每次都会根据新的支撑集重新估计全部系数并更新残差。因此，后续位置是在解释前面位置尚未覆盖的信息，而不是对同一方向重复选择。
项目测试还构造了正交字典样例，验证 RLS-SOMP 能准确恢复预设支撑位置，并检查返回的稠密系数矩阵是否与字典索引保持一致。
04｜一轮 F-WMMSE 在代码里具体做了什么？
主算法位于fwmmse.beamforming.flexible_wmmse()。每轮迭代不是简单调用一次稀疏恢复，而是依次完成接收端和发送端两次位置选择。
第一步：更新接收端位置与合并矩阵
给定当前发送预编码矩阵F，代码为每个用户建立接收位置字典，并把接收合并子问题重写成正则化稀疏逼近问题。
随后调用 RLS-SOMP：
- 选择
Nᵣ个接收位置； - 计算这些位置对应的接收合并系数；
- 生成新的等效接收信道。
第二步：更新辅助权重矩阵
根据当前接收合并矩阵和等效信道计算误差矩阵Eₖ，再更新：
Bk=Ek−1 B_k = E_k^{-1}Bk=Ek−1
代码同时计算Bₖ的矩阵平方根，用于构造发送端稀疏优化的目标矩阵。
第三步：更新发送端位置
所有用户的等效信道被堆叠到统一的发送位置字典中。
代码再次调用 RLS-SOMP，从候选发送网格中选择Nₜ个位置。由于多个用户共享同一组基站天线，这里需要在所有用户共同形成的目标上寻找公共支撑集。
第四步：重构真实信道并更新预编码矩阵
得到收发位置后，代码不直接沿用中间的字典近似，而是利用选定坐标重新构造每个用户的物理信道Hₖ。
随后求解最终的正则化预编码系数，执行总功率归一化，并记录当前迭代的系统和速率。
这正是图1中最关键的闭环：
位置选择 → 信道重构 → 波束成形更新 → 和速率评估 → 下一轮位置选择
05｜为什么项目中还实现了离网格位置细化？
规则网格便于把位置优化转化为稀疏选择，但也存在网格失配：真正更优的位置可能位于两个网格点之间。
因此，我们还在fwmmse.offgrid中实现了离网格位置细化模块。它利用位置流形对x、z的解析导数，对新选中的位置进行一阶局部更新，并加入三类保护：
- 坐标必须位于给定可移动区域内；
- 任意两根天线必须满足最小间距；
- 如果更新导致目标函数变差，则拒绝该次更新。
这里需要明确区分：
本文 Fig. 2–6 的主复现实验使用网格化
flexible_wmmse()；离网格模块是项目中已经实现并测试的扩展能力，不与主实验曲线混为一谈。
06｜Python 项目如何保证实验可以重复？
无线通信仿真最容易被忽略的并不是公式，而是实验控制。
同一条曲线如果更换随机信道、初始预编码矩阵或并行进程数，结果都可能变化。为此，我们在fwmmse.experiments中统一管理 Fig. 2–6 的实验配置。
本项目的默认设置包括：
- 载波频率：
f꜀ = 3 GHz； - 波长：
λ = 0.1 m； - 候选网格间隔：
λ/2； - 发送天线数：
Nₜ = 16； - 每个用户接收天线数：
Nᵣ = 4； - 每用户数据流数：
D = 4； - 算法迭代次数：25；
- 默认随机种子：2024；
- 每个数据点：1000 次独立蒙特卡洛实现。
随机数流由“全局种子、图编号、面板编号和 realization 编号”共同派生。因此，只要参数不变，无论使用一个还是多个 worker，某个 realization 都对应同一组信道与初始化。
并行计算放在 realization 层，而不是算法内部。项目还将底层 BLAS 线程数限制为1，避免多进程与矩阵库同时扩张线程造成资源争用。
每个数据点最终保存：
- 1000 次实现的均值；
- 样本标准差；
- 95% 置信区间；
- 实际 realization 数量。
每幅图同时输出 PNG、PDF 和 CSV。图片用于阅读，CSV 用于检查每个点的统计量。
07｜Fig. 2：算法是否能够稳定收敛？
图2 不同 SNR 下 MMSE、WMMSE 与两种移动区域配置的 F-WMMSE 迭代结果。每个点为1000次蒙特卡洛实现的均值。
图2比较了SNR = −5 dB和SNR = 5 dB时的收敛过程。
在第25次迭代时，我们的 Python 结果为：
SNR = −5 dB：MMSE 为3.23，WMMSE 为11.38；两种 F-WMMSE 配置分别达到14.62和15.70。SNR = 5 dB：MMSE 为19.46，WMMSE 为31.94；两种 F-WMMSE 配置分别达到38.38和39.95。
在−5 dB下，较大移动区域的 F-WMMSE 相比 WMMSE 提升约38.0%；在5 dB下提升约25.1%。
更值得注意的是，F-WMMSE 的性能增益并非来自一次性的初始化优势。曲线随着接收位置、发送位置和波束成形系数的交替更新逐步上升，并在有限迭代内趋于稳定。
08｜Fig. 3：不同用户数下，SNR 增大后会发生什么？
图3 用户数为2和4时的和速率随 SNR 变化结果。
在SNR = 10 dB时：
K = 2：WMMSE 为34.06，较大移动区域的 F-WMMSE 为41.54，提升约21.98%；K = 4：WMMSE 为46.57，较大移动区域的 F-WMMSE 为55.82，提升约19.86%。
当 SNR 较低时，噪声仍是主要限制因素；随着 SNR 提高，多用户干扰和空间自由度的重要性上升。F-WMMSE 可以通过位置选择主动改变不同用户的等效信道，因此在中高 SNR 区域保持了明显优势。
09｜Fig. 4 与 Fig. 5：移动区域为什么不是越小越好？
图4 不同路径数下，接收端移动区域参数变化对和速率的影响。
图4中，当接收端网格边长参数为2时，候选点总数为2² = 4，恰好等于接收天线数Nᵣ = 4。此时没有额外位置可供选择，因此 F-WMMSE 与固定位置 WMMSE 的结果重合。
当该参数增大到8时：
L = 5：F-WMMSE 从30.90提升到34.05，相比 WMMSE 提高约10.18%；L = 10：F-WMMSE 从32.08提升到36.45，提高约13.63%。
图5 不同路径数下，发送端移动区域参数变化对和速率的影响。
图5也出现了相同现象。当发送端网格边长参数为4时，候选点总数为4² = 16，恰好等于发送天线数Nₜ = 16，算法同样没有额外的位置选择自由度。
当该参数增大到12时：
L = 5：F-WMMSE 达到36.17，相比 WMMSE 的30.97提升约16.81%；L = 10：F-WMMSE 达到38.27，相比 WMMSE 的31.89提升约20.01%。
这两幅图从代码层面揭示了一个很直观的结论：
可移动天线的增益不是由“移动”这个标签自动产生的，而是来自候选位置数大于实际天线数后出现的选择自由度。
10｜Fig. 6：多径数量会怎样影响位置自由度？
图6 路径数从1增加到21时，不同算法的平均和速率。
当L = 1时，WMMSE 的和速率为22.04，两种 F-WMMSE 配置分别为23.22和23.31，增益相对有限。
当L = 21时，WMMSE 为32.49，较小移动区域的 F-WMMSE 为39.02，较大移动区域达到41.07。后者相比 WMMSE 提升约26.38%。
多径数量增加后，空间信道中可利用的结构更加丰富。更大的候选位置集合能够从这些路径中寻找更有利的相位组合，因此位置自由度的价值更加明显。
11｜Paper-to-Code Mapping：公式如何落到项目文件？
为了避免“论文看懂了，但不知道代码从哪里读”，下面给出这次 Python 复现的核心映射。
fwmmse/arrays.py：构造阵列响应、候选位置字典、实际位置响应与物理信道。fwmmse/beamforming.py::mmse_precoder()：计算固定位置线性 MMSE 基线。fwmmse/beamforming.py::wmmse()：实现经典 WMMSE，交替更新Wₖ、Bₖ和F。fwmmse/beamforming.py::flexible_wmmse()：实现 F-WMMSE 主循环，联合更新收发位置与波束成形矩阵。fwmmse/sparse.py::rls_somp()：完成稀疏支撑选择与正则化系数估计。fwmmse/sparse.py::ols_mmv()：提供多测量向量稀疏恢复对照实现。fwmmse/offgrid.py：实现坐标局部细化、区域边界与最小间距约束。fwmmse/experiments.py：管理 Fig. 2–6 的参数扫描、随机流、并行仿真和统计。fwmmse/plotting.py：输出 PNG、PDF 和 CSV。fwmmse/cli.py：提供统一的实验命令行入口。
如果准备阅读源码，建议顺序是：
arrays.py → sparse.py → beamforming.py → experiments.py
先理解位置字典和 RLS-SOMP，再看 F-WMMSE 主循环，会比直接从实验脚本追调用关系更清楚。
12｜我们还做了哪些数值验证？
除了生成曲线，项目还包含9项测试，覆盖：
- 平面波响应的单位模与位置排列顺序；
- 被选位置响应与完整网格响应的一致性；
x、z解析导数与有限差分结果的一致性；- 信道矩阵维度与数值有限性；
- 预编码矩阵总功率归一化；
- 和速率结果的有限性与非负性；
- WMMSE 每轮输出及最终功率约束；
- RLS-SOMP 与 OLS-MMV 的支撑恢复；
- 离网格位置更新的区域边界与最小天线间距。
本次整理文章前，我们重新执行了这9项测试，全部通过。
这些测试不能代替理论证明，但能够尽早发现数组排列、共轭转置、功率缩放、位置索引和导数实现中的常见错误。对于复杂数值算法，这一步往往和“把主函数跑通”同样重要。
13｜如何运行这套 Python 复现？
安装项目及测试依赖后，可以先用一次 realization 做快速检查：
python-mfwmmse reproduce--figureall--realizations1--workers1复现本文使用的完整统计配置：
python-mfwmmse reproduce--figureall--realizations1000--workers4也可以只运行某一幅图：
python-mfwmmse reproduce--figure3--realizations1000--workers4最终结果写入outputs/fig2至outputs/fig6。每个目录包含：
- 一张 PNG 图片；
- 一份 PDF 矢量图；
- 一份带均值、标准差和95%置信区间的 CSV 数据。
14｜从这次复现中，真正应该掌握什么？
F-WMMSE 的价值不只是“比 WMMSE 多优化一组位置变量”。
更值得学习的是它把三个原本分散的问题连接了起来：
- 用 WMMSE 处理多用户速率优化；
- 用稀疏支撑集表示天线位置选择；
- 用实际选定位置重构信道，再返回波束成形闭环。
而从复现角度看，一套可信的科研代码也不应只有一条最终曲线。它还应该包括明确的模块划分、可追踪的公式映射、可重复的随机实验、可检查的 CSV 数据和针对关键数值操作的测试。
后续我们还会继续拆解这套 Python 项目，包括：
- RLS-SOMP 的逐行代码解析；
- F-WMMSE 一次完整迭代的矩阵维度；
- Fig. 2–6 的参数配置与绘图流程；
- 如何修改天线数、用户数、路径数和移动区域；
- 如何把离网格位置细化接入新的实验。
如果你正在研究可移动天线、MU-MIMO、WMMSE 或稀疏优化，需要论文复现完整代码，欢迎关注「无线通信科研笔记」。
我们会持续分享无线通信论文解读、Python 算法实现、仿真实验复现，以及论文公式到可运行代码的完整映射。
论文信息
题目：Flexible WMMSE Beamforming for MU-MIMO Movable Antenna Communications
作者：Songjie Yang, Zihang Wan, Yue Xiu, Boyu Ning, Yong Li, Yuanwei Liu, Chau Yuen
期刊：IEEE Transactions on Signal Processing, Vol. 73, 2025
DOI：10.1109/TSP.2025.3625145