面向无人机辅助无线网络的机器学习耦合轨迹与通信设计

利用无人驾驶飞行器（UAVs，通常称为无人机）增强无线网络，为向目标区域提供可靠、高性价比且按需的无线服务提供了一条有前景的途径。然而，现有的无人机通信与轨迹方案效率低下，因为它们假设无人机机动性有限且传输功率静态。此外，它们倾向于依赖对高度非线性函数的凸近似，且未能采用启发式与凸方法的结合。本文考虑一个多无人机系统，其中搭载无人机的移动基站为地面用户服务。采用基于块梯度下降的迭代方法联合优化用户调度、无人机轨迹和传输功率，以最大化所有用户的总吞吐量。随后，开发了一种基于 K-means 聚类算法将用户划分为子组、以及遗传算法初始化簇内最短飞行路径的初始轨迹预测创新技术。最后，使用如 MATLAB 的 Fmincon 等凸优化求解器进行参数微调。大量仿真与优化结果表明，与现有轨迹和通信设计方案相比，1、2 和 3 无人机场景的系统吞吐量分别提升了 33.57%、87.4% 和 53.2%。此外，K-means 与遗传算法带来了约 15% 的吞吐量额外提升。我们的结果注意到，随着无人机轨迹周期接近较高值，吞吐量增益递减。进一步研究凸与非凸方案的联合采用以及考虑环境相关信道模型，将实现更快且更优的无人机部署。