GLS and VNS Based Heuristics for Conflict-Free Minimum-Latency Aggregation Scheduling in WSN
我们考虑一个无冲突的最小延迟数据聚合问题，发生在不同的无线网络。给定一个无向图中的一个选定的顶点（汇）的网络，目标是找到一个生成聚合树植根于汇，并定义一个无冲突的聚合最小长度的时间表沿弧的树指向汇。因此，在同一时隙，网络的每个单元可以发送或接收至多一个消息。在整个聚合会话期间，每个网元只发送一条消息，并应排除信号干扰引起的冲突。这个问题是NP-难的，即使在给定聚合树的情况下也是NP-难的。因此，开发有效的近似算法是非常必要的。在本文中，我们提出了新的启发式算法的基础上的遗传局部搜索和可变邻域搜索元算法。我们进行了广泛的模拟，证明了我们的算法的优越性相比，最好的以前的方法。
2019-04-22 cs.NI math.OC
Who Can Safely Wait? Risk-Aware 5G Scheduling for Low-Altitude UAV Operation
Aeronautics Institute of Technology（巴西航空技术学院）；Northwestern University（西北大学）
针对蜂窝网络对低空无人机信息延迟不敏感的问题，提出风险感知调度框架RA，基于运行后果调度上行链路，在圣保罗和F1场景中显著降低无人机风险并支持更大机队。
2026-10-07 cs.NI
Epidemic spreading in wireless sensor networks with node sleep scheduling
针对无线传感器网络的病毒传播安全问题，本文融合SIS模型与节点概率睡眠调度，利用MMC方法推导传播方程和流行病阈值，并通过数值模拟揭示阈值与睡眠/激活概率比成正比。
2023-06-10 cs.CR cs.NI cs.SY
Scheduling of Emergency Tasks for Multiservice UAVs in Post-Disaster Scenarios
单任务无人机越来越多地用于执行监视、包裹递送、通信支持和其他特定任务。当单一任务特派团的行动地理区域是共同的，例如，在灾后恢复的情况下，将多个任务作为单个无人机任务的一部分来执行会更有效。在这些情况下，无人机的设备和任务计划必须仔细选择，以尽量减少携带的负载和总的资源消耗。在本文中，我们研究的多任务任务的联合规划任务，利用一个舰队的无人机配备了一套标准的配件，使异构任务。为此，一个优化问题，制定产生最佳的联合规划，并得出所交付的任务的质量。此外，两个启发式的解决方案，开发了大规模的环境，以应付增加的复杂性的优化框架。联合规划适用于旧金山地区洪水的具体情况。结果表明，所提出的启发式解决方案的有效性，提供了良好的性能，并允许大幅节省所需的计算时间来规划无人机的轨迹相对于最佳的方法，从而使迅速反应的紧急事件。
2020-10-20 cs.NI
Minimal Sleep Delay Driven Aggregation Tree Construction in IoT Sensor Networks
数据融合是无线传感器网络中的一项基本技术，它通过网络内计算，使用最大值、平均值或和函数，将中间结点收集的传感数据进行融合。由于传感器依靠电池运行，因此节能是一个关键问题。占空比是无线传感器网络中一种著名的节能机制，但它会导致数据聚合延迟增加。因此，多通道技术的使用允许更多的传感器节点同时发送数据，减少数据聚合延迟。本文研究了多通道负载循环物联网传感器网络中的最小延迟聚合调度问题。我们提出了一种调度方案，首先构建一个聚合树的基础上传感器节点的睡眠延迟，然后提高并行传输调度所有合格的节点在构建的聚合树，以提高数据聚合。基于广泛的仿真实验，我们提出的方法降低了聚合延迟最多61%相比，一种新的方法。
2023-03-12 cs.NI
Intelligent Sensing Scheduling for Mobile Target Tracking Wireless Sensor Networks
边缘计算已经成为一种有前景的范例，以满足移动目标跟踪无线传感器网络（MTT-WSN）不断增长的计算需求。这种模式可以将时间敏感的任务卸载到汇聚节点，以提高计算效率。然而，这是很难执行动态和关键任务的MTT-WSN网络。此外，由于能量有限，网络无法确保连续跟踪。针对这些问题，提出了一种基于边缘智能（EI）技术的分层目标跟踪结构。该结构集成了移动节点和边缘服务器的计算资源，为实时目标跟踪提供高效的计算能力。在此基础上，提出了一个以系统执行延迟和轨迹预测精度为约束的能量优化模型。此外，我们提出了一个长期的动态资源分配算法，以获得最佳的资源分配解决方案的准确和连续的跟踪。仿真结果表明，我们的算法在系统能耗方面优于深度Q学习14.5%以上。与非合作方案相比，该方案在跟踪精度上也有明显的提高。
2021-08-04 cs.NI
Energy-Efficient UAV Swarm Assisted MEC with Dynamic Clustering and Scheduling
针对无人机集群辅助MEC的长期能效问题，提出动态分簇与资源调度联合优化，并通过多智能体随机博弈和RLDC算法求解，仿真验证其性能优势。
2024-02-29 cs.NI eess.SP
Formal Probabilistic Analysis of a Wireless Sensor Network for Forest Fire Detection
无线传感器网络（WSNs）已被广泛用于森林火灾检测，这被认为是一个致命的威胁在世界各地。在这种情况下，传感器节点的能量节约是最大的挑战之一，随机调度经常被应用于克服这一点。传统上，这些随机调度方法的性能分析是通过纸和笔的证明方法或模拟来完成的。这些传统的技术不能确定100%的准确性，因此不适合分析安全关键型应用，如使用无线传感器网络的森林火灾检测。在本文中，我们提出了克服这一限制，通过应用正式的概率分析，定理证明，以验证调度性能的现实世界的无线传感器网络的森林火灾检测使用的k-集随机算法作为一种节能机制。特别是，我们正式验证的覆盖强度的预期值，不相交的子集的总数的上限，对于一个给定的覆盖强度，和节点的总数的下限。
2013-07-31 cs.LO cs.NI
Coverage Protocols for Wireless Sensor Networks: Review and Future Directions
无线传感器网络中的覆盖问题通常可以定义为衡量传感器节点对网络区域的有效监测程度。这个问题已经吸引了很多的兴趣，多年来，因此，许多覆盖协议被提出。在这项调查中，我们首先提出了一个分类的无线传感器网络覆盖协议的分类。然后，我们将覆盖协议分为三类（即覆盖感知部署协议，平面网络的睡眠调度协议，基于集群的睡眠调度协议）的网络阶段的覆盖范围进行了优化。对于每个类别，相关的协议进行了彻底的审查和分类的基础上采用的覆盖技术。最后，我们讨论了开放的问题（并建议未来的方向来解决这些问题）与现实的覆盖协议的设计。包括现实的传感模型，现实的能源消耗模型，现实的连接模型和传感器定位等问题。
2019-01-02 cs.NI
A Mobile Agent-Based Hierarchical Reinforcement Learning Framework for Energy-Balanced Data Collection and Wireless Charging in WSN
Imam Khomeini International University（伊玛目霍梅尼国际大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对WSN能量不均衡问题，提出统一移动智能体框架，以分层强化学习顺序执行数据采集与无线充电，实现自适应调度，延长网络寿命15%并均衡能量分布。
2026-10-02 cs.NI
Resource Scheduling for UAVs-aided D2D Networks: A Multi-objective Optimization Approach
针对无人机辅助D2D网络中的资源调度挑战，本文构建了混合整数规划问题NetResSOP，并提出带有灵活解维度等机制的NSGA-III-FDU算法，以同时最大化网络容量、最小化无人机数量及平均能耗，仿真验证了其有效性与稳定性。
2023-09-30 cs.NI cs.SY eess.SY
Technical Report for A Service-Fair UAV-NOMA System for Large-scale IoT scenarios
在$5$ G通信系统中，将无人机（UAV）与非正交多址（NOMA）技术相结合，可以获得更好的性能。为保证大规模场景下部署的传感器节点通信服务的公平性，采用图论和最小包围算法设计了一种用户调度策略，在通信过程开始前选择通信传感器节点。
2021-08-11 cs.NI
Optimal 3D Directional WPT Charging via UAV for 3D Wireless Rechargeable Sensor Networks
Huaqiao University（华侨大学）；Key Laboratory of Computer Vision and Machine Learning(Huaqiao University), Fujian Province University（福建省高校计算机视觉与机器学习重点实验室）；Central South University of Forestry and Technology（中南林业科技大学）；Yuan Ze University（中原大学）
本文提出FELKH-3D算法，通过功能等价方向集和Lin-Kernighan启发式算法解决3D无线可充电传感器网络的最优方向充电调度问题。
2025-12-22 cs.NI
Detection and blind channel estimation for UAV-aided wireless sensor networks in smart cities under mobile jamming attack
无人机（UAV）可以通过多种方式集成到无线传感器网络（WSNs）中，用于智能城市应用。其中，无人机可以通过从地面传感器和计量装置上传数据，然后将其下载到中央单元，以“存储-携带和转发”的方式用作中继。然而，上传和下载阶段都容易受到潜在的威胁和攻击。作为传统无线网络的遗留问题，干扰攻击仍然是UAV辅助通信的主要和严重威胁之一，特别是当干扰机也是移动的时，例如，它安装在无人机上或陆地车辆内。在本文中，我们研究了抗干扰通信的无人机辅助无线传感器网络运行在双选择性信道在下载阶段。在这种情况下，由UAV和恶意移动干扰机发射的信号经历由于多径传播效应引起的时间分散和由其移动性引起的频率分散。为了抑制高功率干扰信号，我们提出了一种盲物理层技术，通过基于检测器输出的符号级后排序的串行干扰消除来联合检测无人机和干扰机符号。振幅，相位，时间延迟，和多普勒频移-所需的实现所提出的检测策略-盲估计数据通过使用的算法，利用接收信号的几乎循环平稳特性和多载波调制格式的详细结构。仿真结果证实了所提出的方法的抗干扰能力，对于不同的移动场景的干扰机。
2021-12-06 cs.NI eess.SP stat.AP
Comparative Investigation for Energy Consumption of Different Chipsets Based on Scheduling for Wireless Sensor Networks
微机电系统（MEMS）和射频（RF）设计的快速发展使得低功耗、廉价和网络化微传感器的开发成为可能。这些传感器节点能够捕获各种物理信息，例如温度、压力、物体的运动等，以及将环境的这些物理特性映射到定量测量。一个典型的无线传感器网络（WSN）由数百到数千个这样的传感器节点通过无线介质连接。在本文中，我们提出了几个商用芯片组，如TR1001，CC1000和CC1010基于不同的调度方法的两种类型的部署策略的能源消耗的比较调查。我们在OMNeT++模拟器中进行了实验。
2010-09-23 cs.NI
AoI-minimizing Scheduling in UAV-relayed IoT Networks
George Mason University（乔治梅森大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
由于灵活性、自主性和低操作成本，作为固定空中基站的无人驾驶飞行器（UAV）越来越多地被用作\textit{relays}来收集时间敏感信息敏感信息（即，状态更新），并将其传递到附近的地面基站（TBS），在那里信息得到处理。为了确保信息（从所有IoT设备）到TBS的及时递送，时间敏感信息在两跳UAV中继IoT网络（即，IoT设备到UAV [跳1]，以及UAV到TBS [跳2]）成为关键挑战。为了解决这个问题，我们提出了在这种两跳无人机中继物联网网络中最小化信息年龄（AoI）的调度策略。为此，我们提出了一种低复杂度的MAF-MAD调度器，该调度器采用最大AoI优先（MAF）策略来对UAV（跳1）处的IoT设备进行采样，并采用最大AoI差异（MAD）策略来更新从UAV到TBS（跳2）的采样数据包。我们表明，MAF-MAD是理想条件下的最佳调度，即，无差错信道和在物联网设备上随意生成流量。相反，对于现实条件，我们提出了一种基于Deep-Q-Networks（DQN）的调度器。我们的仿真结果表明，基于DQN的调度器优于MAF-MAD调度器和其他三个基线调度器，即，最大AoI优先（MAF）、循环调度（RR）和随机，在网络较小（具有数十个IoT设备）的一般条件下在两跳处采用。然而，它不能很好地扩展网络规模，而MAF-MAD在所有考虑的大型网络场景下都优于所有其他路由器。
2021-09-24 cs.AI cs.NI eess.SP
Delay and Overhead Efficient Transmission Scheduling for Federated Learning in UAV Swarms
本文针对无人机集群联邦学习中的多跳无线传输问题，提出一种智能聚合与高效传输调度框架，理论证明其实现最小延迟和通信开销，并通过数值实验验证其优于现有基线方案。
2024-02-22 cs.IT cs.NI cs.SY
Sensor and Sink Placement, Scheduling and Routing Algorithms for Connected Coverage of Wireless Sensor Networks
传感器是一种小型电子设备，它具有与其他传感器或直接与基站（接收器）进行感测，计算和通信的能力。在无线传感器网络（WSN）中，传感器监测一个区域，并通过路由将收集到的数据包发送到sink。在这项研究中，我们提出了一个混合-整数线性规划（MILP）模型，以最大限度地提高无线传感器网络进行所需的任务与有限的能源和预算的时间段的数量。我们的水槽和传感器的位置，调度，路由与连接覆盖（$SPSRC$）模型是第一个在文献中，结合了决定的位置的水槽和传感器，活动时间表部署的传感器，和数据流路由从每个活动传感器到其分配的水槽连接覆盖的网络在一个有限的规划范围。这个问题是NP--即使对于小的实例也很难解决。假设水槽的位置是已知的，我们开发的构造一个可行的解决方案的问题，逐步满足约束条件。然后，我们引入搜索算法来确定汇的位置，以最大限度地提高网络的生命周期。计算实验表明，我们的探试法可以找到接近最优的解决方案，在可接受的时间量相比，商业求解CPLEX 12.7.0。
2018-02-28 cs.NI eess.SP
Collaborative Wideband Spectrum Sensing and Scheduling for Networked UAVs in UTM Systems
University of Kansas（堪萨斯大学）；Universities Space Research Association（大学空间研究协会）
本文提出一种数据驱动的协同宽带频谱感知与调度框架，通过多类分类、服务器融合和强化学习动态分配，为UTM系统中的网络化无人机实现机会性频谱利用。
2023-08-09 cs.LG cs.MA cs.NI
Probabilistic On-Demand Charging Scheduling for ISAC-Assisted WRSNs with Multiple Mobile Charging Vehicles
本文针对ISAC辅助的WRSNs提出一种多移动充电车的概率按需充电调度方法，通过综合节点属性概率分布、部分充电策略及ISAC技术优化资源利用，显著提升了能量效率、存活率并降低了充电延迟与行驶距离。
2024-02-16 cs.NI eess.SP
Latency-sensitive Service Delivery with UAV-Assisted 5G Networks
在这封信中，开发了一种新的框架，以提供在覆盖范围外部署无人机（UAV）的关键分散URLLC服务。为此，资源优化问题，即，针对无人机辅助5G网络，研究了在满足URLLC要求的前提下，联合最大化平均和速率和最小化无人机发射功率的资源块和功率分配以及无人机优化部署策略。针对突发URLLC流量问题，提出了一种基于高斯过程回归（GPR）的URLLC流量在线预测模型，该模型能够得到最优URLLC调度和发射功率策略。制定的问题被揭示为一个混合整数非线性规划（MINLP），这是解决以下介绍的连续最小化算法。最后，仿真结果表明我们提出的解决方案的有效性。
2021-04-12 cs.NI
Resource Awareness in Unmanned Aerial Vehicle-Assisted Mobile-Edge Computing Systems
研究了一种无人机辅助的移动边缘计算系统，无人机为地面移动边缘计算系统提供计算资源的补充。UAV通过创建对应的虚拟机来处理从移动用户（MU）接收的计算任务。由于MEC系统中UAV的有限共享I/O资源，每个MU竞争跨决策时期调度本地以及远程任务计算，旨在最大化预期的长期计算性能。将MU之间的非合作交互建模为一个随机博弈，其中MU的决策依赖于全局状态统计，所有MU的任务调度策略是耦合的。为了近似纳什均衡解，我们提出了一种基于长短期记忆和深度强化学习（DRL）技术的主动方案。建立MEC系统的数字孪生模型以离线训练主动DRL方案。使用所提出的计划，每个MU只与自己的信息进行任务调度决策。数值实验表明，该计划的平均效用每MU在整个决策时期的显着的性能增益。
2019-11-15 cs.NI
The Operable Pareto Front: Distilling Offline Search into Run-Time Control for Multi-Objective UAV Edge-Computing Scheduling
Tianjin University（天津大学）；Shandong Agriculture and Engineering University（山东农业工程学院）
针对多目标无人机边缘计算调度，提出偏好条件决策变换器PrefDT，将离线搜索提炼为运行时控制，一次训练即可输出帕累托前沿任意点，并在仿真中优于26种方法变体。
2026-09-17 cs.LG cs.NI
Hybrid Offline-Online Design for UAV-Enabled Data Harvesting in Probabilistic LoS Channel
该文研究了一种基于无人机（UAV）的城市无线传感器网络（WSN），部署一架无人机在给定时间内从分布式传感器节点（SN）收集数据。为了表征无人机与SN之间偶尔发生的建筑物阻塞，采用仿真与数据回归相结合的方法，构建了曼哈顿型城市的概率视距（LoS）信道模型，该模型以UAV-SN仰角的广义Logistic函数的形式表示。我们假设只有SN的位置和概率LoS信道模型的知识是先验的，而无人机可以获得瞬时的LoS/Non-LoS信道状态信息（CSI）与SN在其飞行过程中的实时的。我们的目标是最大限度地提高无人机所有SN的最小（平均）数据汇集率。为此，我们制定了一个新的速率最大化问题，通过联合优化无人机的三维（3D）轨迹和传输调度的SN。虽然最优解是棘手的，由于缺乏完整的UAV-SNs CSI，我们在本文中提出了一种新的和一般的设计方法，称为混合离线-在线优化，以获得一个次优的解决方案，利用统计和实时CSI。从本质上讲，我们提出的方法将无人机轨迹和通信调度的联合设计分为两个阶段：即，离线阶段，其基于概率LoS信道模型在UAV飞行之前确定UAV路径，接着是在线阶段，在线阶段自适应地调整沿着离线优化路径的UAV飞行速度以及基于瞬时UAV的通信调度。SN CSI和SN的累积接收的个体数据量。
2020-01-02 cs.IT cs.NI math.IT
Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization
Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；The Technical University of Berlin（柏林工业大学）
本文针对无人机增强网络中的联邦学习，提出基于多目标多臂老虎机的模型与算法，联合优化网络覆盖与FL延迟，并推导错误概率上界，数值验证有效性。
2023-08-31 cs.LG cs.NI
Joint Routing and STDMA-based Scheduling to Minimize Delays in Grid Wireless Sensor Networks
在这份报告中，我们研究了网格无线传感器网络（WSNs）的延迟优化和能源效率的问题。我们专注于STDMA（空间复用TDMA））调度，其中重复预定义的周期，并且每个节点在特定时隙（由颜色定义）期间具有固定的传输机会。我们假设一个STDMA算法，利用网格拓扑的规律性，也提供了一个空间周期性的着色（“平铺”相同的颜色模式）。在这种情况下，关键的挑战是：1）通过对周期中的时隙进行排序来最小化平均路由延迟; 2）节能。我们的工作遵循两个方向：第一，基线性能进行评估时，没有做任何具体的，颜色是随机排序的STDMA周期。然后，我们提出了一个解决方案，ORCHID，故意构建一个有效的STDMA调度。它分两步进行。在第一步中，ORCHID开始形成一个彩色网格，并根据这些颜色构建一个分层路由。在第二步中，ORCHID通过联合考虑路由和调度来建立颜色排序，以确保任何节点将在单个STDMA周期中到达宿。我们研究这些解决方案的性能，通过模拟和建模。结果显示，与使用延迟作为启发式算法的最短路径路由相比，ORCHID在延迟和能量方面具有出色的性能。我们还提出了适应ORCHID一般网络的SINR干扰模型下。
2014-09-01 cs.NI
Energy Efficient and Balanced Task Assignment Strategy for Multi-UAV Patrol Inspection System in Mobile Edge Computing Network
针对多无人机巡逻巡检场景，提出联合优化巡航点分配、通信调度、计算分配与轨迹的均衡任务分配策略，以平衡任务时间并最小化总能耗，数值验证优于传统方法。
2024-11-05 cs.NI
Design of Ad Hoc Wireless Mesh Networks Formed by Unmanned Aerial Vehicles with Advanced Mechanical Automation
Rutgers University（罗格斯大学）
本文研究了由机械自动化能力（如AP分离和电池更换）驱动的无人机网状网络架构，提出并验证了启发式调度算法。
2018-04-20 cs.NI cs.SY eess.SY
Distributed Algorithm for Dynamic Data-Gathering in Sensor Network
在WSN中，每个传感器负责感测环境条件并将其发送到一个或多个基站。电池供电的传感器受到传输这些感测数据所花费的能量的严重限制。然而，在中间传感器处的数据聚合（包括去除冗余数据）和聚合数据的转发降低了无线传感器网络中的总体能量消耗。通常，数据收集是指从各种传感器到一个或多个基站（BS）的感测数据的周期性收集的过程。能量有效的数据收集调度是提高无线传感器网络生命周期的关键。在本文中，我们提出了一种分布式算法来计算数据收集的时间表，旨在提高生命周期的无线传感器网络通过适当地选择能源效率的数据流路径从各种传感器的基站。对于一个多跳无线传感器网络与$n$传感器，该算法首先计算的时间步长$O(n^2)$的时间表，然后这个时间表定期更新的基础上的剩余能量和从BS收到的反馈。系统执行大约$\log(\mathcal{L})$时间表更新，其中$\mathcal{L}$是以数据收集轮数表示的系统的预期寿命。此外，每个更新过程都使用现有的活动计划（数据流路径）-因此仅消耗单个数据收集轮活动的一小部分。因此，这样的算法可以精确地结合由于更新和相关活动而导致的能量消耗。此外，我们的算法不假设任何全局知识的拓扑结构或各种传感器的位置。通过仿真研究，我们发现，我们提出的算法实现了显着更高的网络寿命相比，现有的数据流调度的基础上最小生成树（MST），最短路径树（SPT），加权根树（WRT）。
2013-10-15 cs.DC cs.NI
Internet of Things Applications: Animal Monitoring with Unmanned Aerial Vehicle
University of Central Florida（中佛罗里达大学）
在动物监测应用中，动物检测和它们的运动预测都是主要任务。虽然存在各种动物监测策略，但大多数都依赖于安装设备。然而，在现实世界中，很难找到这些动物并安装设备。在本文中，我们提出了一种动物监测应用，利用无线传感器网络（WSNs）和无人机（UAV）。该应用程序的目的是检测濒危物种在大规模野生动物区域的位置，并在没有任何附加设备的情况下监测动物的运动。在这种应用中，部署在整个观察区域的传感器负责收集动物信息。无人机在观察区域上方飞行，并从传感器收集信息。为了有效地获得信息，我们提出了一种基于马尔可夫决策过程（MDP）模型的无人机路径规划方法。如果在该位置检测到一些动物，则UAV从该区域接收一定量的奖励。我们使用Q学习解决MDP，使得无人机更喜欢去之前检测到动物的那些区域。与此同时，无人机也会探索其他区域，以覆盖整个网络，并检测动物位置的变化。我们首先定义的数学模型的基础上的动物监测问题的价值的信息（VoI）和奖励。我们提出了一个网络模型，包括集群的传感器节点和一个单一的无人机，作为一个移动汇和访问集群。然后，一个基于MDP的路径规划方法的目的是最大限度地提高VoI，同时减少消息延迟。所提出的方法的有效性进行评估，使用两个真实世界的运动数据集斑马和豹。仿真结果表明，该方法的性能优于贪婪算法、随机算法和基于旅行商问题的路径规划算法。
2016-10-20 cs.AI cs.NI
Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
针对 IoT 数据上行的信息年龄与能耗问题，提出基于 Markov 流量预测和 DRL 的多 UAV 轨迹与调度联合优化框架，性能优于 RW 基线。
2024-01-24 cs.AI cs.LG cs.NI
UAV Offloading: Spectrum Trading Contract Design for UAV Assisted 5G Networks
无人机（Unmanned Aerial Vehicle，UAV）以其高度的部署和调度灵活性，被认为是未来无线通信的重要辅助手段。在本文中，我们专注于临时部署的无人机提供下行链路数据卸载在某些地区下的宏基站（MBS）。由于MBS的管理者和无人机的运营商可能是不同的利益集团，我们制定了相应的频谱交易问题，通过合同理论，MBS的管理者必须设计一个最优的合同，以最大限度地提高自己的收入。这种合同包括一组带宽选项和相应的价格，并且每个UAV运营商仅从整个合同中的所有选项中选择最有利可图的一个。我们解析地推导了基于固定带宽分配的最优定价策略，然后提出了一个动态规划算法来在多项式时间内计算最优带宽分配。通过仿真，我们比较了MBS最优契约和社会最优契约的结果，发现自私的MBS管理者向无人机运营商出售的带宽更少。
2018-01-28 cs.NI cs.SI eess.SP
Deep Reinforcement Learning for Fresh Data Collection in UAV-assisted IoT Networks
由于其灵活性和低运营成本，派遣无人机（UAV）从分布式传感器收集信息有望成为物联网（IoT）中一种有前途的解决方案，特别是对于时间关键型应用。如何保持信息的新鲜度是一个具有挑战性的问题。在本文中，我们研究了无人机辅助物联网网络中的新鲜数据汇集问题。特别地，UAV飞向传感器以在给定持续时间内收集状态更新分组，同时保持非负剩余能量。我们制定了一个马尔可夫决策过程（MDP），以找到最佳的飞行轨迹的无人机和传感器的传输调度，最大限度地减少信息的年龄（AoI）的加权和。为克服维数灾难，提出了一种基于深度强化学习（DRL）的无人机辅助数据汇集算法。大量的仿真结果表明，建议的DRL为基础的算法可以显着降低AoI的加权和相比，其他基线算法。
2020-03-01 cs.IT cs.NI math.IT
AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty
Tarbiat Modares University（塔比亚特·莫达雷斯大学）；University of Doha for Science and Technology（多哈科技大学）；Shahrood University of Technology（沙赫鲁德工业大学）；TU Braunschweig（布伦瑞克工业大学）
本文针对CSI不确定性下的NOMA非地面网络，提出基于MADDPG和联邦强化学习的UAV轨迹设计与资源分配方法，通过任务调度最小化平均信息年龄。
2023-05-29 cs.LG cs.NI eess.SP
UAV-Assisted Communication in Remote Disaster Areas using Imitation Learning
Northern Arizona University（北亚利桑那大学）；Air Force Research Laboratory（空军研究实验室）；University of Oulu（奥卢大学）
在自然和人为灾害期间对蜂窝塔的损坏可能会干扰蜂窝用户的通信服务。该问题的一个解决方案是使用无人驾驶飞行器来增强所需的通信网络。本文介绍了一种无人机辅助模仿学习（UnVAIL）通信系统的设计，该系统将蜂窝用户的信息中继到相邻基站。由于用户设备（UE）配备有容量有限的缓冲器来保存分组，因此UnVAIL在不同UE之间交替以减少缓冲器溢出的机会，将其自身最佳地定位在所选择的UE附近以减少服务时间，并且通过充当中继节点来揭开网络路径。UnVAIL利用模仿学习（IL）作为数据驱动的行为克隆方法来实现最优调度解决方案。结果表明，UnVAIL执行类似于人类专家的知识为基础的规划，在通信的及时性，定位精度，和能源消耗的准确性为97.52%时，评估开发的模拟器训练的无人机。
2021-04-02 cs.AI cs.LG cs.NI
Machine Learning Coupled Trajectory and Communication Design for UAV-Facilitated Wireless Networks
利用无人机（UAV）（通常称为无人机）增强无线网络，为向所需区域提供可靠、经济高效和按需的无线服务提供了一种有前途的途径。然而，现有的无人机通信和轨迹方案是低效的，因为它们假设有限的无人机移动性和静态传输功率。此外，他们倾向于依赖于高度非线性函数的凸近似，并且未能采用启发式和凸方法的组合。本文研究了一种多无人机系统，其中无人机上的移动基站为地面用户提供服务。使用块梯度下降的迭代方法来联合优化用户调度、UAV轨迹和传输功率，以最大化所有用户的吞吐量。随后，开发了一种用于初始轨迹预测的创新技术，使用K-均值聚类算法将用户划分为子组，并使用遗传算法初始化聚类内的最短飞行路径。最后，凸优化求解器，如MATLAB的Fmincon用于微调参数。大量的仿真和优化结果表明，与现有的轨迹和通信设计方案相比，系统吞吐量分别增加了33.57%，87.4%和53.2%，为1，2和3无人机场景。此外，K-means和遗传算法揭示了约15%的吞吐量的额外改进。我们的研究结果指出，随着无人机轨迹周期的增加，吞吐量的增加会减少，因为该周期接近较高的值。进一步研究联合采用凸和非凸方案以及考虑环境依赖的信道模型将允许更快和更优化的无人机部署。
2020-12-23 cs.NI cs.SY eess.SY
An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks
LIPIM；University Sultan Moulay Slimane（苏丹·穆莱·斯利马尼大学）；Ensa Khouribga（胡里卜盖国立高等矿业学校）
本文面向无线传感器网络在线入侵检测，评估多种同构与异构在线集成模型，在WSN-DS数据集上识别四类攻击，其中ARF+HAT及10模型HAT集成分别达到96.84%和97.2%的检测率。
2022-04-28 cs.CR cs.LG cs.NI
