晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

NOMA 最优公平性：让「最差的那个用户」也满意

准大一 · 电子信息工程 × 无线通信 × 6G 多址接入 —— NOMA 系列精读材料（第 3 篇）
原文：arXiv:1801.08294 2018年1月25日发布 arXiv 预印本（cs.IT） 用户公平性 × 功率分配 × Perron-Frobenius 理论 附英文摘要朗读音频

一、论文档案

英文标题Optimum Fairness for Non-Orthogonal Multiple Access
中文标题非正交多址的最优公平性：最大化最差用户可达速率的功率分配及其闭式解
作者齐婷, 冯伟, 陈云飞, 王有政（机构未在素材中标注）
发布时间2018年1月25日（v1）｜分类：cs.IT（信息论）
原文链接arxiv.org/abs/1801.08294　·　全文 HTML 版
一句话概括在 NOMA 系统里做功率分配，目标是让「速率最差的那个用户」尽量快——作者把这个问题转化为一个矩阵特征方程，用 Perron-Frobenius 特征值/特征向量直接写出闭式最优解，还给出收敛快一倍的迭代算法。
💡 为什么选这篇给你：① 它讲的是「公平」——一个通信里少见、但特别有温度的话题：不是让总速率最高，而是让最吃亏的用户不被饿着；② 数学主线非常清晰：优化问题 → 特征方程 → 闭式解 → 迭代算法，是「用线性代数解决工程问题」的绝佳范例；③ 结论「收敛只需二分法一半迭代」具体可感，方便你检验是否读懂了。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
non-orthogonal multiple access (NOMA)非正交多址接入让多个用户共享同一时频资源的多址技术，靠功率/码字等区分用户。
fairness公平性让各用户获得的服务质量尽量均衡，而不是「强者通吃」。
max-min fairness最大最小公平先保证「速率最低的用户」尽可能高——即最大化最小速率，这是本文的目标。
achievable rate可达速率在给定信道和功率分配下，用户理论上能可靠传输的最大速率。
power allocation功率分配把总功率分给各用户的过程；在 NOMA 中直接决定用户速率与公平性。
successive interference cancellation (SIC)串行干扰消除接收端先解强信号再减去它、依次解弱信号的干扰消除技术。
Perron-Frobenius eigenvalue / eigenvectorPerron-Frobenius 特征值 / 特征向量正矩阵（非负不可约矩阵）的谱半径对应的特征值与正特征向量，是本文闭式解的核心工具。
closed-form expression闭式表达式用已知函数（而非迭代搜索）直接写出的解析解，计算快、可解释。
bisection method二分法经典的区间搜索算法：每次把区间对半缩，用于求单调函数零点；本文用它作收敛速度的对比基准。
linear convergence线性收敛误差按固定比例逐次缩小的收敛速度，工程上「够快、可预测」。
Jain's fairness indexJain 公平指数衡量资源分配公平程度的经典指标，取值 0~1，越接近 1 越公平。
channel state information (CSI)信道状态信息信道的实时状态（增益等），发送端据此做功率分配等决策。
orthogonal multiple access (OMA)正交多址接入给用户分配正交时/频/码资源的传统方案，是公平性对比的基线。
eigen equation特征方程形如 Ax=λx 的方程；本文把最优条件转化为特征方程来求解。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
This paper focuses on the fairness issue in non-orthogonal multiple access (NOMA) and investigates the optimization problem that maximizes the worst user's achievable rate.
CN · 翻译
本文聚焦非正交多址（NOMA）的公平性问题，研究最大化最差用户可达速率的优化问题。
EN · 原文
Unlike previous studies, we derive a closed-form expression for the optimal value and solution, which are related to Perron-Frobenius eigenvalue and eigenvector of a defined positive matrix.
CN · 翻译
与以往研究不同，我们推导出最优值与最优解的闭式表达式，它们与某个正矩阵的 Perron-Frobenius 特征值与特征向量相关。
EN · 原文
On this basis, we propose an iterative algorithm to compute the optimal solution, which has linear convergence and requires only about half iterations of the classical bisection method.
CN · 翻译
在此基础上，我们提出一种计算最优解的迭代算法：具有线性收敛速度，且只需经典二分法约一半的迭代次数。

关键词 Keywords：NOMA 非正交多址 ｜ Fairness 公平性 ｜ Max-Min Rate 最大最小速率 ｜ Power Allocation 功率分配 ｜ Perron-Frobenius 理论 ｜ Closed-Form Solution 闭式解

四、引言精选（为什么这个问题重要）

① 海量连接时代：NOMA 为什么被寄予厚望

EN · 原文
The next generation wireless communication networks will face the challenges of rapid growth of data traffic. Moreover, the Internet of Things (IoT) becomes a new communication paradigm that enables anyone and anything to be served at anytime and anyplace, which bring the challenge of massive connectivity. Non-orthogonal multiple access (NOMA) has been widely recognized as a promising technology to address these challenges for its potential to enhance the spectral efficiency [1]. By letting multiple users share the limited radio spectrum, more users than the number of orthogonal resources are able to be simultaneously served in NOMA [2, 3].
CN · 翻译
下一代无线网络面临数据流量快速增长的挑战；物联网（IoT）让任何人在任何时间、任何地点都能被服务，带来了海量连接挑战。NOMA 因其提升频谱效率的潜力被公认为应对这些挑战的候选技术[1]：让多用户共享有限的无线频谱，NOMA 能同时服务比正交资源数量更多的用户[2, 3]。

② 公平性为什么是问题：功率分配决定「谁被饿着」

EN · 原文
Power allocation is crucial to the fairness of NOMA because the rates of users are closely related due to the multiple access interference. For NOMA with practical modulation of finite constellation sizes, the total mutual information evaluated by Monte Carlo simulations was maximized when allocating the limited power in [5]. In the downlink multiuser systems, the sum-capacity achievable power allocation method allocates all power to the user with the highest channel gain [6]. This scheme is unfair to the users with worse channel conditions, who may not be served over a period of time and suffer long latency of traffic. Therefore, it is important to guarantee fairness when performing power allocation.
CN · 翻译
功率分配对 NOMA 公平性至关重要，因为多址干扰使各用户速率紧密耦合。对采用有限星座规模实际调制的 NOMA，蒙特卡洛仿真评估的总互信息在有限功率分配下达到最大[5]。下行多用户系统中，追求和容量的功率分配会把全部功率给信道增益最高的用户[6]——这对信道条件差的用户极不公平：他们可能长时间得不到服务、饱受长时延之苦。因此，功率分配时必须保证公平性。

③ 已有研究：公平 NOMA 与二分法

EN · 原文
In [7], a fair NOMA scheme was introduced by guaranteeing users to achieve the rate at least as good as orthogonal multiple access (OMA). For NOMA systems with multiple antennas, fairness can be realized by transmit antenna selection while improving the sum rate [8]. The work in [9] studied the max-min fairness with instantaneous channel state information (CSI) and min-max fairness with average CSI, respectively and developed a low-complexity bisection method to yield the optimal solution. The max-min fairness problem was further considered in NOMA based cognitive radio networks [10].
CN · 翻译
[7] 提出一种公平 NOMA 方案，保证用户速率至少不低于正交多址（OMA）；对多天线 NOMA 系统，可通过发射天线选择在提升和速率的同时实现公平[8]；[9] 分别研究了瞬时 CSI 下的最大最小公平与平均 CSI 下的最小最大公平，并开发了低复杂度的二分法求最优解；最大最小公平问题还被进一步推广到基于 NOMA 的认知无线电网络[10]。

④ 本文新意：把最优条件变成特征方程，拿到闭式解

EN · 原文
In this paper, we formulate the power allocation problem that maximizes the minimum achievable rate among users. The novelty of this work is that by transforming the optimal condition to an eigen equation, we derive the closed-form optimal value and solution, which are functions of Perron-Frobenius (PF) eigenvalue and eigenvector of a defined matrix. Accordingly, a low-complexity iterative algorithm is proposed to compute the optimal solution. The proposed algorithm is proved to have linear convergence, and achieves the same accuracy twice as fast as the bisection method. Moreover, the minimum user rates and Jain’s fairness index of different power allocation schemes in NOMA and OMA are compared by simulation.
CN · 翻译
本文建立最大化用户最小可达速率的功率分配问题。新意在于：把最优条件转化为特征方程，从而导出闭式最优值与最优解——它们是某矩阵的Perron-Frobenius（PF）特征值与特征向量的函数。据此提出低复杂度迭代算法，证明具有线性收敛，达到同样精度只需二分法一半的时间；仿真中还比较了 NOMA 与 OMA 各功率分配方案的最小用户速率与Jain 公平指数。
💡 这是全文最有味道的一句：“the sum-capacity achievable power allocation method allocates all power to the user with the highest channel gain. This scheme is unfair to the users with worse channel conditions.”——「让系统最快」和「让每个用户都不被饿着」是两个不同的目标。工程里没有免费的公平，本文就是在为「公平」付账：少一点和速率，换最差用户的大幅提升。

五、论文贡献（3 个要点）

EN · 原文
1. Max-min rate power allocation formulation. In this paper, we formulate the power allocation problem that maximizes the minimum achievable rate among users.
CN · 翻译
1. 最大最小速率的功率分配建模。建立最大化用户最小可达速率的功率分配优化问题，把公平性落到具体的目标函数上。
EN · 原文
2. Closed-form optimal solution via Perron-Frobenius theory. The novelty of this work is that by transforming the optimal condition to an eigen equation, we derive the closed-form optimal value and solution, which are functions of Perron-Frobenius (PF) eigenvalue and eigenvector of a defined matrix.
CN · 翻译
2. 基于 Perron-Frobenius 理论的闭式最优解。把最优条件转化为特征方程，用 PF 特征值与特征向量显式写出最优值与最优解——不再需要搜索。
EN · 原文
3. A low-complexity iterative algorithm. Accordingly, a low-complexity iterative algorithm is proposed to compute the optimal solution. The proposed algorithm is proved to have linear convergence, and achieves the same accuracy twice as fast as the bisection method.
CN · 翻译
3. 低复杂度迭代算法。提出计算最优解的迭代算法，线性收敛，达到相同精度比二分法快一倍（约一半迭代次数）。

六、结论中英对照

EN · 原文
In this paper, we have formulated the power allocation problem for NOMA that maximizes the minimum achievable rate of users. By transforming the optimal condition to the eigen equation, we have derived the closed-form optimal solution based on the Perron-Frobenius theorem. Then an iterative algorithm with linear convergence has been proposed to obtain the optimal solution, which requires nearly half iterations of the bisection method. The minimum user rate is largely improved compared with the same scheme in OMA and equal power allocation.
CN · 翻译
本文建立了最大化用户最小可达速率的 NOMA 功率分配问题，把最优条件转化为特征方程，基于Perron-Frobenius 定理导出闭式最优解，并提出线性收敛、只需二分法近一半迭代的迭代算法。与 OMA 同方案及等功率分配相比，最小用户速率大幅提升。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：NOMA 里如果只追求「总速率最大」，功率会全给信道最好的用户，信道差的用户长期「挨饿」、时延爆表。通信系统不能这样欺负人，所以要做「最大最小公平」——先让最差的那个用户尽可能快。
  2. 做法：把「最大化最差用户速率」写成优化问题，然后做了一件很漂亮的事：把它的最优条件改写成一个矩阵的特征方程。于是最优解 = 这个矩阵的 Perron-Frobenius 特征值/特征向量，直接算出来就行；再给一个线性收敛的迭代算法兜底。
  3. 结果：闭式解 + 迭代算法，收敛只需二分法约一半迭代；仿真显示最小用户速率相比 OMA 和等功率分配大幅提升，Jain 公平指数也更优。
  4. 最值钱的观点：① 优化问题难，常常是因为没找对「翻译方式」——把最优条件译成特征方程，难题瞬间变成线性代数课本上的内容；② 公平性不是一个口号，而是一个可以建模、可以量化（Jain 指数）、可以优化的工程指标。
  5. 工程意义：功率分配是 NOMA 系统的基础模块，闭式解意味着芯片上可以「一秒钟算完」，这对基站实时调度非常重要；这套「优化→特征化→闭式解」的套路也能迁移到其他资源分配问题。
🎯 对保研的启示：这篇论文示范了「把工程问题翻译成数学问题」的能力——面试官最爱听的就是这种「翻译过程」：为什么公平性能写成 max-min？为什么最优条件能变成特征方程？能把这两步讲顺，说明你的线性代数是活的，不是背的。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么和容量分配不公平」以及「闭式解 vs 二分法」的差别。
  3. 第三遍（30 分钟）：读引言 ③ ④ 两段与摘要全文，跳过公式和编号；自己画一条「公平性思维链」：目标函数 → 最优条件 → 特征方程 → 闭式解 → 迭代算法。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个术语（fairness、worst user's achievable rate、closed-form、Perron-Frobenius eigenvalue、bisection method）和数字（half iterations）。