May, 2024

航空网络轨迹和无线资源的非迭代优化

PDF
TL;DR我们提出了一个共同的轨迹规划、用户关联、资源分配和功率控制问题，以在空中物联网中最大程度地实现比例公平，考虑实际的端到端的服务质量和通信计划。我们将该问题转化为马尔科夫决策过程（MDP），设计了一个非迭代的框架，合作优化轨迹和无线电资源。该框架可以集成各种轨迹规划算法，如遗传算法、树搜索和强化学习。与各种基准线的广泛比较证实了该框架显著优于现有方法，几乎达到了全局最优值。
发现论文，激发创造
  • 多无人机网络联合轨迹和通信设计

    本文研究了基于多架无人机构成的无线通信系统，通过优化多用户通信调度与关联，无人机的轨迹与发射功率控制，最大程度地提高地面用户的最小吞吐量。提出了适用于非凸优化问题的迭代算法，实现了用户调度、无人机轨迹和发射功率的交替优化，并对问题的收敛性和复杂度进行了分析。仿真结果表明，与其他基准方案相比，该优化设计能极大地提升吞吐量。

    May, 2017

  • 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划：在 CSI 不确定性下减小 AoI

    用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

    May, 2023

  • 多无人机辅助无线网络的轨迹设计与功率控制：一种机器学习方法

    本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架，其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计，并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时，数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛，并且可以实现 17％左右的吞吐量改进。

    Dec, 2018

  • 多小区移动边缘计算无线电和计算资源的联合优化

    该论文讨论了在 MIMO 多小区系统中，多个移动用户向公共云服务器请求计算卸载时的资源优化问题，通过联合优化广播和计算资源来最小化用户的能量消耗，提出了一种基于迭代优化的算法，通过限定与云的协同 / 信令，实现了分布式和并行实现的优化方法。

    Dec, 2014

  • 多无人机多 RIS 关注 QoS 的空中通信系统使用 DRL 和 PSO

    无人机在提供无线服务方面具有优势，但资源限制给应用带来挑战。本论文介绍了一种优化模型，通过无人机路径规划和多重反射面支持，最大化吞吐量和覆盖范围，通过深度强化学习和粒子群算法解决了线性规划技术的限制，并通过大量仿真实验证明在服务质量方面相比其他方法有较大的提升。

    Jun, 2024

  • 无人机辅助移动边缘计算网络中的能量有效资源分配

    针对具有多个无人机的移动边缘计算网络，通过联合优化用户关联、功率控制、计算容量分配和位置规划，解决了和功率最小化相关的问题，并提出了一个低复杂度的算法，通过三个子问题的迭代求解来获得最优解。数值结果表明，所提出的算法比传统方法具有更好的性能。

    Feb, 2019

  • 多业务网络中基于 QoS 限制的资源分配的深度强化学习

    本文旨在研究一种利用强化学习算法在无线多业务系统中处理无线电资源分配问题的方法，通过在本地环境中与局部互动来寻找策略，实现了关于 9LTE 系统满足保证和 QoS 约束的无线资源分配。此外，通过计算模拟，本文与文献中的最新解决方案进行比较，并展示了后者在吞吐量和故障率方面近乎最优的性能。

    Mar, 2020

  • 机器学习增强的无人机反射表面轨迹与无源波束成形设计

    提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

    Oct, 2020

  • 分布式多目标动态卸载调度的空地合作 MEC

    无人机协助地面移动边缘计算具有较高能效和减少任务积压的潜力，本文提出了基于多目标动态轨迹规划和卸载调度的分布式方案，集成了多目标强化学习和核方法，结果显示此方法相较于传统方法具有更好的能耗和任务积压表现。

    Mar, 2024

  • 分布式和非协同认知无线电资源分配的深度强化学习

    本文提出了一种分布式的深度强化学习资源分配技术，针对协作无线电网络所呈现的多智能体环境及其强化学习过程中可能导致的非平稳环境，通过考虑深度强化学习的特定方面，本文的算法能够迭代地收敛于一个平衡政策，其可用于无需与其他代理协调配合的情况下工作。仿真结果表明，与等效的基于 Q 表的 Q 学习算法相比，所提出的技术具有更快的学习性能，并能够在足够长的学习时间内在 99% 的情况下找到最优策略。此外，对于与等效的基于表格的实现相比，仿真结果显示出我们的 DQL 方法只需要不到一半的学习步骤才能实现相同的性能。此外，证明了在未协调交互的多无线电情景中使用标准的单智能体深度强化学习方法可能无法收敛。

    May, 2022