目录
7.1.3 分数规划(Fractional Programming)与Dinkelbach变换
7.2.1 交替迭代优化(Cyclic Iteration)策略
7.2.2 坐标下降(Coordinate Descent, CD)与相位直接优化
7.2.3 功率方法类迭代(Power Method-Like, PML)求解
7.3.2 不确定性集合(Spherical/Annular Set)建模
7.3.3 拉格朗日对偶SDR(LDSDR/LDDSDR)算法
算法 1:基于一阶泰勒近似的 SCA 迭代算法(LPM 框架)
Algorithm 1: Linear-Proximal Method for CRB Minimization
算法 2:交替迭代优化(AO) for Hybrid Beamforming
Algorithm 2: Alternating Optimization for Transmit-Receive Design
Algorithm 3: Dinkelbach Algorithm for Energy Efficiency Maximization
Algorithm 4: Coordinate Descent with FTECA for AFPA Waveform
算法 5:最坏情况鲁棒 SINR 最大化(Minimax SDR)
Algorithm 5: Worst-Case Robust Beamforming via Minimax SDR
Algorithm 6: Lagrangian Dual Double SDR for Nonconvex Robust Design
7.1 凸近似理论基础
7.1.1 一阶泰勒近似与SCA框架构建
序列凸近似(Sequential Convex Approximation, SCA)方法代表了处理非凸优化问题的一类主流迭代策略,其核心在于通过局部凸近似将原问题转化为一系列可高效求解的凸子问题。该方法的理论根基建立在凸分析中的连续映射与局部线性化原理之上,通过迭代地构建并求解代理问题(Surrogate Problem),逐步逼近原非凸问题的稳定点解。
在雷达波形优化语境下,SCA框架通常应用于包含二次型分式、对数行列式或高阶多项式等非凸目标函数的场景。一阶泰勒展开作为构建代理函数的基础工具,利用函数在当前迭代点处的梯度信息生成全局下界估计。具体而言,对于任意可微非凸函数,在当前迭代点
订阅专栏 解锁全文
414



被折叠的 条评论
为什么被折叠?



