AI 赋能的多无人机网络中最大化用户连通性：一种推广至任意用户分布的分布式策略
系统与控制
2024-11-11 v1 人工智能
网络与互联网体系结构
系统与控制
摘要
深度强化学习（DRL）已被广泛应用于多无人机网络（MUN），以有效实现对复杂、时变环境的实时适应。然而，大多数现有工作假设用户分布（UD）是静态的或具有可预测模式的动态分布。此类考虑可能使得 UD 特定的策略在 MUN 部署于未知环境时不够充分。为此，本文研究了在 MUN 中推广至任意 UD 的分布式用户连通性最大化问题。具体而言，该问题首先被表述为具有任意底层 UD 的时间耦合组合非线性非凸优化问题。为了使优化可处理，提出了一种多智能体 CNN 增强深度 Q 学习（MA-CDQL）算法。该算法将基于 ResNet 的 CNN 集成到策略网络中，以实时分析输入的 UD 并基于提取的高层 UD 特征做出最优决策。为了提高学习效率并避免局部最优，开发了一种热力图算法将原始 UD 转换为连续密度图。该图将成为策略网络的真实输入的一部分。进行了仿真以证明 UD 热力图和所提出算法在最大化用户连通性方面相较于 K-means 方法的有效性。
引用
@article{arxiv.2411.05205,
title = {Maximizing User Connectivity in AI-Enabled Multi-UAV Networks: A Distributed Strategy Generalized to Arbitrary User Distributions},
author = {Bowei Li and Yang Xu and Ran Zhang and Jiang and Xie and Miao Wang},
journal= {arXiv preprint arXiv:2411.05205},
year = {2024}
}