面向空基基站特定场景移动优化的空间深度学习
信息论
2023-12-19 v1 机器学习
math.IT
摘要
无人机（UAVs）可作为空基基站（ABSs）在各种应急场景中为地面用户（GUs）提供无线连接。然而，在覆盖范围有限的情况下，通过联合放置 个 ABSs 来最大化 个 GUs 的覆盖率是一个 NP-hard 问题，其复杂度在 和 上呈指数级增长。当空地信道因特定场景的遮挡（如建筑物）导致覆盖范围变得不规则，和/或当 GUs 移动时，该问题变得更加复杂。为应对上述挑战，我们研究了特定场景下多 ABS 移动优化问题，以最大化移动 GUs 的平均覆盖率。我们提出了基于多维表型精英档案的空间深度学习（SDL-ME）算法来解决这一挑战性问题，具体包括：1）将复杂的 ABS 移动问题划分为每个跨越有限时间范围的 ABS 放置子问题；2）使用编码器-解码器深度神经网络（DNN）作为模拟器来捕获 ABSs/GUs 的空间相关性，从而降低与实际环境交互的成本；3）利用该模拟器加速最优放置方案的质量-多样性搜索；4）提出一种规划-探索-服务方案用于多 ABS 移动协调。数值结果表明，所提出的方法在平均覆盖率、训练时间和/或样本效率方面显著优于基准 Deep Reinforcement Learning (DRL) 方法及其他两种基线方法。此外，仅需一次训练，我们提出的方法即可应用于 ABSs/GUs 数量在现场动态变化和/或 GUs 速度不同或变化的情况，因此与传统的基于 DRL 的方法相比具有更强的鲁棒性和灵活性。
引用
@article{arxiv.2312.10490,
title = {Spatial Deep Learning for Site-Specific Movement Optimization of Aerial Base Stations},
author = {Jiangbin Lyu and Xu Chen and Jiefeng Zhang and Liqun Fu},
journal= {arXiv preprint arXiv:2312.10490},
year = {2023}
}
备注
Manuscript submitted to IEEE Trans. Wireless Communications on 15 Jan. 2023; revised 11 Sep. 2023; accepted 5 Dec. 2023