무선 전력 제어의 비볼록 최적화, MAPEL로 전역 최적 해 달성

본 논문은 무선 애드혹 네트워크에서 다중 링크가 서로 간섭하는 상황을 전제로, 각 링크에 가중치를 부여한 가중합 처리량 최대화(Weighted Throughput Maximization, WTM) 문제를 다룬다. 기존 연구는 주로 고 SINR 가정 하에 로그 근사를 적용해 목적함수를 볼록화하고, 기하학적 프로그래밍(GP)이나 로그-선형 변환을 통해 근사 해를 구했지만, 실제 네트워크에서는 SINR가 낮거나 중간 수준일 때 이러한 근사는 크게 틀릴 수 있다. 논문은 먼저 WTM 문제를 수학적으로 정의한다. 각 링크 i의 전송 전력 p_i와 채널 이득 G_{ij}를 이용해 SINR γ_i = G_{ii}p_i / (∑_{j≠i} G_{ji}p_j + n_i) 로 표현하고, 데이터율은 Shannon 공식 r_i = log₂(1+γ_i) 로 정의한다. 목표는 Σ_{i=1}^M w_i·r_i 를 최대화하면서 전력 제한 p_i ≤ P_i^max 및 최소 데이터율 제약을 만족시키는 전력 벡터 p* 를 찾는 것이다. 핵심 관찰은 세 가지이다. (1) 목적함수는 γ_i에 대해 단조 증가한다. 따라서 최적 해는 허용된 SINR 영역의 경계에서 발생한다. (2) 로그 함수를 지수 형태로 변환하면 목적함수는 ∏_{i=1}^M (a_i·γ_i + b_i)^{w_i} 와 같은 곱형 선형 분수 형태가 된다. 이는 Generalized Linear Fractional Programming(GLFP)의 특수 케이스인 Multiplicative Linear Fractional Programming(MLFP)으로 재구성될 수 있다. (3) 변환된 문제의 feasible set은 ‘정규(normal)’ 집합이다. 정규 집합은 어떤 점 v가 집합에 있으면, 0 ≤ u ≤ v 인 모든 u도 집합에 포함되는 특성을 가진다. 비록 이 집합이 비볼록일 수 있지만, 정규성 덕분에 polyblock이라는 상한 근사 구조를 적용할 수 있다. 논문은 먼저 문제를 MLFP 형태로 변환한다. 목표 함수를 Φ(z) = ∏_{i=1}^M (a_i·z_i + b_i)^{w_i} 로 정의하고, z_i = γ_i 로 치환한다. 제약은 z_i = G_{ii}p_i / (∑_{j≠i} G_{ji}p_j + n_i) 와 전력 제한, 최소 SINR 제약 등으로 구성된다. 이때 Φ(z)는 z에 대해 증가 함수이므로 최적 해는 feasible set의 상한(upper boundary)에서 찾는다. MAPEL 알고리즘은 다음과 같은 절차로 진행된다. ① 초기에는 모든 가능한 z를 포함하는 큰 직육면체(또는 고차원 박스)를 정의하고, 이를 polyblock으로 간주한다. ② 현재 polyblock의 모든 정점에 대해 Φ(z) 값을 계산한다. ③ Φ가 가장 큰 정점 v* 를 선택하고, v* 가 실제 feasible set에 속하지 않으면 v* 를 feasible set의 경계에 투영한다. 투영은 v* 를 원점에서 시작하는 반직선이 feasible set과 교차하는 가장 먼 점 π(v*) 를 찾는 과정이다. ④ π(v*) 를 새로운 정점으로 추가하고, v* 를 포함하는 기존 정점을 여러 개의 작은 박스로 분할한다(즉, v* 를 제외한 정점들을 보존하고, v* 를 대체하는 새로운 정점 집합을 만든다). ⑤ 이 과정을 사전에 정의한 허용 오차 ε 가 만족될 때까지 반복한다. 알고리즘의 수렴성은 두 가지 성질에 기반한다. 첫째, Φ가 증가 함수이므로 polyblock 내부의 어느 점보다도 경계에 있는 정점이 더 큰 Φ 값을 제공한다. 둘째, 정규 집합의 정의에 따라 투영 π(v*) 가 항상 feasible set의 상한에 위치한다. 따라서 매 반복마다 현재 최적 상한과 하한이 좁혀지며, ε → 0 일 때 두 값이 수렴해 전역 최적 해를 얻는다. 복잡도 측면에서 MAPEL은 정점 수에 선형적으로 의존한다. 근사 인자 ε 를 크게 잡으면 정점 수가 급격히 감소해 빠른 수렴을 얻을 수 있지만, 최적성 보장은 약해진다. 반대로 ε 를 작게 잡으면 정밀도가 높아 전역 최적 해에 근접하지만 연산량이 늘어난다. 이러한 트레이드오프는 실시간 제어와 최적 성능 사이의 균형을 맞추는 데 유용하다. 시뮬레이션에서는 4~10개의 링크를 갖는 랜덤 네트워크를 구성하고, MAPEL을 기준점으로 기존의 SP Condensation(SPC) 알고리즘, 고 SINR 기반 GP, 그리고 최신 분산 파워 제어 알고리즘을 비교하였다. 결과는 MAPEL이 거의 모든 경우에서 전역 최적 해에 도달하거나 0.1% 이내의 오차만을 보이며, 특히 간섭이 강한 저 SINR 환경에서 기존 휴리스틱이 크게 성능 저하를 겪는 반면 MAPEL은 안정적인 성능을 유지함을 보여준다. 또한, MAPEL을 이용해 기존 알고리즘의 파라미터를 튜닝하면 평균 처리량을 5~12% 정도 향상시킬 수 있음을 확인하였다. 추가적으로 논문은 MAPEL을 변형하여 최대 최소 SINR(max‑min SINR) 문제에도 적용 가능함을 제시한다. 이는 모든 링크에 대해 최소 SINR를 최대화하는 공정성 문제이며, 동일한 polyblock 기반 접근법을 사용해 전역 최적 해를 보장한다. 결론적으로, MAPEL은 비볼록 무선 파워 컨트롤 문제를 단조성 및 정규성이라는 두 가지 구조적 특성을 활용해 전역 최적 해를 효율적으로 찾는 혁신적인 프레임워크이며, 향후 무선 네트워크 최적화 연구에 중요한 기준점이 될 전망이다.