非凸、离散、还耦合：论文里的求解方法是一条四步流水线

把工程问题写成优化式之后，最常见的下一步是：把所有变量一起交给求解器，等它给出答案。

然后失败会以三种具体的方式出现。

第一种：目标函数非凸。 解取决于初始点，换个起点就是另一个答案，于是谁也不能声明"这是最优解" $2$ 。无线系统里的联合设计问题经常长这样：功率、波束、轨迹、时隙同时出现，目标与约束里带着比值、对数与乘积，凸性在第一眼就不成立 $1$ 。

第二种：变量里混着离散选择。 例如"感知放在哪个时隙"就是一个离散决策。它和连续的波束、功率出现在同一个问题里时，问题被刻画成非凸混合整数非线性规划 $3$ ，而混合整数本身就意味着可行组合随变量数快速增长------搜索树还没展开完，时间已经用完。

第三种：变量之间互相牵制。 这是最难靠"换个求解器"解决的一种：发射波束成形向量与无人机动力学高度耦合，一个变了，另一个的最优值就跟着变 $2$ 。你把波束调好，轨迹的最优位置变了；把轨迹调回去，刚才那组波束又不合适。任何单变量调优都会被下一步推翻。

这三种难通常同时出现。也正因为如此，论文里的"求解方法"很少是某一个算法，而是一条分工固定的流水线：每一步解决一个不同的问题------让子问题可解、让子问题变凸、让子问题有解、让整体停下来。

一、耦合不是形容词：它落在变量表和系统结构上

图 1 是一个很典型的系统结构：基站同时接收上行用户的数据、又对潜在的窃听者做感知，通信链路与感知回波共用同一套收发资源 $1$ 。把它写成优化式，联合优化的变量会包括无人机轨迹、速度、通信波束、感知波束功率与悬停时间 $3$ ；换一篇论文，变量表变成波束成形、用户关联、感知时隙选择与轨迹 $4$ 。

变量表越长，耦合的来源越清楚：这些变量不是各自对应一个指标，而是同一组变量同时决定多个指标 。感知时隙的选择改变了可用于通信的时间；轨迹的改变同时改变通信信道与回波强度；波束功率怎么分配，等于在通信速率与感知质量之间来回搬运。这解释了一个常见现象：单独看每个变量都"还有余量"，合在一起却没有任何一个能动------约束不是分别绑在每个变量上的，而是绑在整组变量上的。

二、四步流水线

把几篇论文的求解过程叠在一起看，会发现它们在做同样四件事。这四个步骤不是为统一记号而起的名字，每一步都在消除一种具体的求解障碍。

第一步：分块。 把变量按"给定其余块就能解"切开。常见的切法是把波束成形与无人机动态变量分开，各自单独优化，然后交替进行 $1$ $2$ 。分块的目的不是让问题变小，而是让每个子问题落在已经有解法的形式上。切错了，子问题依然无解------所以分块的依据必须来自问题结构，而不是来自变量名的直觉。

第二步：凸化。 子问题通常还是不凸。这一步把难约束或难项换成可解形式，半定松弛、大 M 法、惩罚方法与连续凸近似是一组常见的组合 $3$ 。要注意"换"这个字：半定松弛会把秩一约束暂时去掉 $1$ 。换句话说，这一步换来的是可解性，付出的是"解不再自动满足原约束"------这笔账要在第四步还。

第三步：闭式解与下界。 对结构特殊的变量可以直接推出闭式解：接收合并向量的信干噪比可以写成两个二次型之比，最大化它等价于一个广义特征值问题，于是有现成公式 $1$ 。另一条路是给难处理项一个紧下界，用下界替换之后再支撑其余变量的设计，最后用两层罚函数算法求解 $4$ 。闭式解只对特定结构成立，下界替换优化的是下界而不是原目标------两者都是用结构换速度。

第四步：迭代与停止。 分块之后交替更新，一直迭代到收敛 $1$ 。停止判据是需要写清楚的一个选择，一种做法是比较目标函数的相对增量，低于阈值就停 $1$ 。这一步还必须把前面松弛掉的东西还原回来：秩一解要用奇异值分解与高斯随机化取出 $1$ ，否则迭代结束时手上的矩阵解可能不对应任何真实波束。

变换手段	把什么变简单	代价：多出来的步骤或假设	来源
半定松弛	带秩一约束的矩阵变量问题化为凸问题	秩一约束被暂时去掉，收敛后要用奇异值分解与随机化还原	$1$
连续凸近似	用一串凸子问题逼近非凸项	需要辅助变量与逐轮更新，近似只在当前点附近成立	$1$ $3$
大 M 法	把离散选择写进连续约束	引入一个事先给定的常数，它的取值直接进入约束强度	$3$
惩罚方法	把难约束搬进目标函数再一起优化	权重需要选择；两层结构还要区分内外层各自负责什么	$3$ $4$
闭式解	对结构特殊的变量直接给出公式	只对特定结构成立，结构一变公式就失效	$1$ $4$
下界替换	用可处理的下界替换难项，支撑其余变量	优化的是下界，与原子问题之间始终存在差距	$4$
按阶段分解	把长过程拆成若干阶段分别设计	阶段划分依赖对问题的先验知识，换问题就要重划	$5$

还需要区分"分解"的两种粒度。上面讲的是按变量分块；也有论文按阶段分解，把轨迹设计拆成多个阶段来提高建模精度，再用迭代算法求局部最优轨迹 $5$ 。粒度可以不同，但分工的目的相同：把一个大到无法直接求解的问题，换成若干个可以求解、并且能互相提供输入的步骤。

三、把流水线写成一个循环（概念性伪代码）

下面这段是概念性伪代码，只描述流程骨架，用来把四步之间的依赖关系写清楚；具体问题里的变换选择与参数设定不在其中。

text 复制代码

# 概念性伪代码：分块交替求解骨架（概念性伪代码，不是任何论文算法框的逐行翻译）
Input:
    variables        # 待求解的变量集合
    blocks           # 把 variables 分成若干块，每块可独立求解
    feasible_start   # 一个满足全部约束的初始点
    eps              # 停机阈值
Output:
    x_best           # 原问题的一个可行解（通常只能声明为局部最优或次优）

x <- feasible_start
f_prev <- objective(x)                 # 状态：上一轮的目标值
repeat:
    for each block b in blocks:        # 循环：逐块更新
        sub <- build_subproblem(x, b)  # 固定其余块，构造第 b 块的子问题
        if sub is nonconvex:           # 判断：子问题不凸时先凸化
            sub <- convexify(sub)      #   松弛 / 近似 / 把难约束搬进目标
        if closed_form_exists(sub):    # 判断：有闭式解就直接更新
            x[b] <- closed_form_step(sub)
        else:
            x[b] <- solve_convex(sub)  # 否则解一个凸子问题
        if relaxation_was_used:        # 判断：用过松弛就必须还原
            x[b] <- recover_feasible(x[b])
        x <- project_to_feasible(x)    # 状态更新：投影回可行域
    f_now <- objective(x)              # 状态更新：本轮目标值
    if abs(f_now - f_prev) / max(1, abs(f_prev)) <= eps:
        break                          # 判断：相对增量足够小则停机
    f_prev <- f_now
return x_best <- x

四、一个最小可运行示例

下面的 Python 代码是一个最小可运行示例（仅用标准库），它把"分块交替"这件事压到最小：目标函数里有一个乘积项 x * y，所以两个变量耦合；但只要固定其中一个，另一个的最优值就有闭式解。

python 复制代码

"""分块交替最小化的最小可运行示例。

目标：f(x, y) = (x*y - 1)**2 + 0.05 * (x**2 + y**2)
乘积项让两个变量耦合；固定任一个变量后，另一个的最优值有闭式解。
"""
import math


def objective(x, y):
    return (x * y - 1.0) ** 2 + 0.05 * (x * x + y * y)


def best_x(y):
    """固定 y 时使 f 最小的 x（解一元二次方程的一阶条件）。"""
    return y / (y * y + 0.05)


def best_y(x):
    """固定 x 时使 f 最小的 y。"""
    return x / (x * x + 0.05)


def alternate(x, y, rounds=60):
    """交替更新两个块，返回轨迹与每轮目标值。"""
    trace, values = [(x, y)], [objective(x, y)]
    for _ in range(rounds):
        x = best_x(y)          # 块 1：闭式解
        y = best_y(x)          # 块 2：闭式解
        trace.append((x, y))
        values.append(objective(x, y))
    return trace, values


def report(name, x0, y0):
    trace, values = alternate(x0, y0)
    monotone = all(b <= a + 1e-12 for a, b in zip(values, values[1:]))
    print(f"{name}: 起点=({x0}, {y0})  终点=({trace[-1][0]:.4f}, {trace[-1][1]:.4f})  "
          f"目标={values[-1]:.4f}  每步不劣化={monotone}")


report("起点A", 0.0, 0.0)
report("起点B", 0.5, 2.0)

# 停机点是交替映射的不动点，未必是原问题的极小点：沿两个方向各走一小步看看
for label, (x, y) in {"沿 x=y 方向": (0.05, 0.05), "沿 x=-y 方向": (0.05, -0.05)}.items():
    print(f"{label} 走一小步: 目标={objective(x, y):.4f}（起点A 的停机点目标为 1.0000）")

print("两个起点是否收敛到同一点：", math.isclose(alternate(0.0, 0.0)[0][-1][0],
                                                alternate(0.5, 2.0)[0][-1][0], abs_tol=1e-9))

运行它会看到三件事：每一步的目标值都不会变大；不同初始点停在不同的稳定点；其中一个稳定点沿着某个方向走一小步目标反而更低------也就是说，交替更新收敛到的点只是一个"没人能动"的点。

五、拿去读论文的三个问题

问题一：每个子问题真的可解吗？ 分块不是随手切。要检查"固定其余块之后，这一块是否落在有解法的形式上"：有闭式解最好，没有的话凸不凸。如果两个都不满足，说明分块切错了，或者还需要先做变换。

问题二：松弛和近似怎么还？ 凡是用过松弛或近似，都要在流程里找到对应的还原步骤：秩一约束怎么恢复成向量解，下界替换带来的差距有多大，近似在离当前点较远时是否还成立。没有还原步骤的松弛，等价于在解一个更容易但不是原来的问题。

问题三：停下来的保证是什么？ 交替更新能保证的通常只有"每步不劣化"，而不是"到达最优"。停机点由初始点与分块方式共同决定，因此论文里"收敛"这个词需要追问：收敛到可行解、局部最优，还是全局最优？三种说法的证据强度完全不同。

六、这套流程的边界

下面这些内容不在这条流水线的讨论范围内：具体问题的变换推导、参数标定（例如大 M 的取值与惩罚权重怎么选）、复杂度分析与收敛速度证明。它们依赖具体问题的结构与尺度，换一个问题就要重新推导，不能从别的论文里搬。

需要保留的另一点是：四步流水线描述的是一种组织方式，而不是一张保证成功的配方。同样四步，分块粗细不同、凸化手段不同，得到的解与代价都会不同；论文之间也很难据此排出优劣------它们解决的问题结构并不相同。

参考文献

$1$ A. Tabeshnezhad, M. T. Mamaghani, A. L. Swindlehurst, T. Svensson, and E. Ström, "Robust Beamforming Design for Secure Uplink NOMA-ISAC," arXiv, 2026, doi: 10.48550/arXiv.2606.17306.

$2$ B. He, W. Mao, Y. Liu, W. Huangfu, Y. Xiao, F. Wang, and Y. Ji, "Energy-Efficient Joint Beamforming and Trajectory Optimization for UAV-Enabled Integrated Sensing and Communication," IEEE Transactions on Communications, vol. 73, no. 12, pp. 13426--13440, 2025, doi: 10.1109/TCOMM.2025.3599902.

$3$ A. Khalili, A. Rezaei, D. Xu, F. Dressler, and R. Schober, "Efficient UAV Hovering, Resource Allocation, and Trajectory Design for ISAC With Limited Backhaul Capacity," IEEE Transactions on Wireless Communications, vol. 23, no. 11, pp. 17635--17650, 2024, doi: 10.1109/TWC.2024.3455370.

$4$ K. Meng and Q. Wu, "Throughput Maximization for UAV-enabled Integrated Periodic Sensing and Communication," in 2022 IEEE International Conference on Communications Workshops (ICC Workshops), 2022, pp. 987--992, doi: 10.1109/ICCWorkshops53468.2022.9814705.

$5$ X. Jing, F. Liu, C. Masouros, and Y. Zeng, "ISAC From the Sky: UAV Trajectory Design for Joint Communication and Target Localization," IEEE Transactions on Wireless Communications, vol. 23, no. 10, pp. 12857--12872, 2024, doi: 10.1109/TWC.2024.3396571.