Hybrid Device-to-Device and Device-to-Vehicle Networks for Energy-Efficient Emergency Communications
针对灾后通信恢复难题，本文联合构建优化融合D2D与无人机辅助D2V的混合网络，通过集群划分选缓存中心、级联路径规划与多目标配置优化，在多约束下实现响应时间与能耗的最优权衡，能效优于基准方案，助力大规模灾后应急。
2023-05-02 cs.NI eess.SP
Voice-Driven Semantic Perception for UAV-Assisted Emergency Networks
FCT – Fundação para a Ciência e a Tecnologia, I.P.（葡萄牙科学与技术基金会）
本文提出SIREN框架，通过整合语音识别与语义提取技术，实现无人机辅助网络的语音驱动感知，提升应急通信的自动化水平和决策支持能力。
2026-07-28 cs.AI cs.NI cs.SD
Experimental Evaluation of a UAV-Mounted LEO Satellite Backhaul for Emergency Connectivity
University of Padova（帕多瓦大学）；University of Catania（卡塔尼亚大学）
本文通过实验评估了无人机搭载低轨卫星终端在应急通信中的可行性，展示了其在无蜂窝覆盖环境下提供稳定高速连接的能力。
2026-01-07 cs.ET cs.NI
OTFS-superimposed PRACH-aided Localization for UAV Safety Applications
近年来，无人机（UAV）在公共安全领域的应用迅速增长。利用物理随机接入信道（PRACH）的频谱，在本文中，我们开创了一种新的定位技术，无人机配备蜂窝基站用于紧急情况下。我们利用正交时间频率空间（OTFS）调制（容忍由无人机运动引起的信道多普勒扩展）的新概念，建立一个完全符合标准的OTFS调制的PRACH传输和接收方案，能够执行到达时间（ToA）测量。首先，我们分析这种新的ToA测距技术，分析和数值，准确地和迭代地推导出本地化的用户和点之间的距离穿越的无人机沿其轨迹。然后，我们确定的最佳无人机速度之间的权衡测距技术的准确性和所需的无人机，以达到和保持其速度在紧急行动的权力。最后，我们证明了我们的解决方案优于标准的基于PRACH的定位技术的均方根误差（RMSE）约20%，在准静态条件下，高达80%，在高流动性条件。
2022-04-19 cs.NI eess.SP
Dual Identities Enabled Low-Latency Visual Networking for UAV Emergency Communication
本文提出DPI-Mapping解决方案，通过仿生匹配算法和Kalman filtering动态匹配无人机双域身份，实现无需信标交换的低延迟视觉网络，显著降低应急通信延迟并减少干扰消息。
2023-06-28 cs.NI
Clustering and Power Allocation for UAV-assisted NOMA-VLC Systems: A Swarm Intelligence Approach
将无人机（UAV）与非正交多址（NOMA）可见光通信（VLC）相结合，展现了VLC和NOMA-VLC系统的许多潜力。在这种情况下，用户分组是重要的，以降低NOMA解码的复杂度时，用户的数量是大的，但是，这个问题还没有被考虑在现有的研究。在本文中，我们的目标是最大化的加权和速率的所有用户联合优化无人机放置，用户分组，下行NOMA-VLC系统的功率分配。首先考虑一种有效的用户聚类策略，然后应用一种群体智能方法，即Harris Hawk Optimization（HHO），解决无人机联合布局和功率分配问题。仿真结果表明，该算法的性能优于四个替代方案：OMA，NOMA没有配对，NOMA-VLC与固定的无人机放置，和随机用户分簇。
2020-07-12 cs.NI eess.SP
Ruin Theory for Energy-Efficient Resource Allocation in UAV-assisted Cellular Networks
无人机（UAV）可以为提高地面无线蜂窝网络的覆盖范围、容量和整体性能提供有效的解决方案。特别是，无人机辅助蜂窝网络可以满足第五代新无线电（5G NR）应用的严格性能要求。本文研究了在5G NR应用的可靠性和时延约束下，无人机辅助蜂窝网络的节能资源分配问题。破产理论的框架，允许太阳能无人机捕捉收获和消耗的能量的动态。首先建立了无人机剩余功率模型，然后利用剩余功率计算无人机的破产概率。破产概率表示无人机能量耗尽的脆弱性。接下来，破产的概率是用于有效的用户关联与每个无人机。然后，使用注水方法执行5G NR应用的功率分配以最大化可实现的网络速率。仿真结果表明，与基于信干噪比的方案相比，该方案可使无人机飞行持续时间提高61%，服务用户数提高58%.
2020-06-01 cs.NI eess.SP
Interference Avoidance in UAV-Assisted Networks: Joint 3D Trajectory Design and Power Allocation
无人机（UAV）的使用已经被预见为下一代通信网络的有前途的技术。由于目前还没有关于无人机部署的规定，因此它们很可能与已经存在的网络形成一个共存的网络。在这项工作中，我们考虑一种传输机制，旨在提高地面基站（BS）和用户设备（UE）之间的数据率，通过部署多个无人机中继所需的数据流。考虑到该网络与其他已建立的通信网络的共存，我们考虑到干扰的影响，这是由现有的节点所引起的。我们的主要目标是优化的三维（3D）轨迹和功率分配的中继无人机，以最大限度地提高数据流，同时保持现有节点的干扰低于预定义的阈值。提出了一种交互最大化策略来解决中继无人机的三维航迹设计和功率分配问题。为此，我们处理网络内的信息交换诉诸谱图理论，随后通过凸优化技术解决功率分配。仿真结果表明，我们的方法可以显着改善信息流，同时满足干扰阈值约束。
2019-04-16 cs.NI eess.SP
CNN+Transformer Based Anomaly Traffic Detection in UAV Networks for Emergency Rescue
The Key Laboratory of Dynamic Cognitive System of Electromagnetic Spectrum Space, Ministry of Industry and Information Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学电磁频谱空间动态认知系统重点实验室（工业和信息化部））；Department of Electronic and Electrical Engineering, University College London（伦敦大学学院电子与电气工程系）
本文提出一种结合SDN、区块链及CNN+Transformer的无人机网络异常流量检测架构CTranATD，实验证明其优于CNN、Transformer和LSTM。
2025-03-26 cs.LG cs.NI
GJRA: A Global Joint Resource Allocation Scheme for UAV service of PEC in IIoTs
工业物联网（IIoT）是一种新兴的模式，通过将大量无线设备部署到行业场景，使工业运营更加高效和智能。然而，由于计算能力和电池的限制，工业物联网设备（IIoTD）在实际中不能很好地执行计算密集型或延迟敏感型任务并提供长期服务。针对这些挑战，提出了一种面向工业物联网（IIoTs）中普适边缘计算（PEC）无人机（UAV）服务的有效全球联合资源分配方案，并研究了一种协同式UAV服务器-IIoTDs方案。在我们提出的方案中，IIoTD可以保持高效率的性能，即使它们的电池耗尽，通过将无人机部署为PEC服务器和移动电源，为IIoTD提供任务卸载和能量收集的机会。综合考虑卸载位置选择、设备资源分配和系统性能，通过联合优化任务卸载决策、计费资源分配、连接管理和无人机计算资源分配，最大限度地降低所有IIoTD的总体服务延迟（包括任务计算延迟和卸载延迟）。然而，制定的优化问题是一个混合整数非线性规划（MINLP）的问题，这是具有挑战性的解决一般。为了解决这个问题，我们将其分解成多个凸子问题的基础上块坐标下降（BCD）方法，以获得最优解。性能评估表明，我们的计划优于现有的计划方面的整体服务延迟的IIoTD。
2020-05-17 cs.NI eess.SP
Energy Efficient Trajectory Control and Resource Allocation in Multi-UAV-assisted MEC via Deep Reinforcement Learning
针对固定MEC服务范围受限问题，本文构建多无人机辅助MEC的轨迹控制与资源分配多目标优化问题，提出融入生成对抗模仿学习的DPPOIL算法，仿真验证其性能优于基线方法。
2025-08-01 cs.NI eess.SP
Joint Sub-carrier and Power Allocation for Efficient Communication of Cellular UAVs
蜂窝网络有望成为支持无人机（UAV）不断扩展的应用的主要通信基础设施。由于这些网络部署为地面用户设备（UES），需要解决的几个问题，以提高蜂窝无人机的services.In本文中，我们提出了一个现实的通信模型的下行链路，我们表明，服务质量（QoS）的用户受到干扰BS的数量和它们所造成的影响。因此，解决了子载波和功率分配的联合问题。鉴于其复杂性，这是已知的NP-难，我们引入了一个基于博弈论的解决方案。首先，我们认为，在分配的子载波方面的UAV和UE之间的分离减少了对用户的干扰影响。这是通过匹配游戏实现的。此外，为了提高分区，我们提出了一个联盟的游戏，认为第一个的结果，使用户能够改变他们的联盟，提高他们的QoS。此外，功率优化的解决方案，这是考虑在两个游戏。进行了性能评估，所得到的结果证明了命题的有效性。
2022-01-03 cs.NI eess.SP
Emergency Caching: Coded Caching-based Reliable Map Transmission in Emergency Networks
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；School of Electronic Engineering, Beijing University of Posts and Telecommunications（北京邮电大学电子工程学院）；Frontier Research Center, Peng Cheng Laboratory（鹏城实验室前沿研究中心）
针对应急救援中灾害地图的可靠传输问题，提出融合编码缓存与边缘缓存的三层无人机协同框架，并利用DRL联合优化无人机选择、带宽和缓存参数。
2024-02-27 cs.AI cs.NI eess.SP
Collaboration in the Sky: A Distributed Framework for Task Offloading and Resource Allocation in Multi-Access Edge Computing
最近，无人机（UAV）辅助的多址边缘计算（MEC）系统成为向地面基础设施覆盖范围之外的移动用户提供计算服务的有前途的解决方案。然而，由于每个UAV独立地操作，由于UAV的MEC服务器处的有限计算能力以及UAV的能量约束，满足移动用户的计算需求是具有挑战性的。因此，需要无人机之间的合作。本文提出了一种多无人机协同MEC系统与MEC使能地面基站（BS）集成。然后，通过优化卸载决策以及通信和计算资源的分配，在满足移动用户和无人机能量约束的前提下，研究了如何最小化系统中移动用户所经历的总延迟的问题.所提出的问题被证明是一个非凸的，混合整数非线性问题（MINLP），是棘手的。因此，制定的问题被分解为三个子问题：i）用户任务卸载决策问题，ii）通信资源分配问题和iii）无人机辅助MEC决策问题。然后，拉格朗日松弛法和交替方向乘子法（ADMM）的方法来解决分解的问题，交替。仿真结果表明，与贪婪搜索和穷举搜索方法相比，该方法的平均延迟分别降低了40.7%和4.3%。
2021-07-30 cs.NI eess.SP
Efficient UAVs Deployment and Resource Allocation in UAV-Relay Assisted Public Safety Networks for Video Transmission
本文研究多无人机辅助公共安全网络中的视频传输问题，通过联合优化观测与中继无人机的位置及带宽、功率等通信资源分配，采用块坐标下降和逐次凸逼近技术提出高效迭代算法，最大化地面用户视频流到达基站的平均效用，仿真证明其优于现有方法。
2024-01-04 cs.NI eess.SP
Joint Task Offloading and Resource Allocation in Aerial-Terrestrial UAV Networks with Edge and Fog Computing for Post-Disaster Rescue
针对灾后救援场景下无人机计算与续航资源不足的问题，提出结合MEC与VFC的三层计算架构及MVTORA方法，有效提升系统效用。
2023-10-06 cs.GT cs.NI eess.SP
Resource Allocation and Sharing for UAV-Assisted Integrated TN-NTN with Multi-Connectivity
Kyung Hee University（庆熙大学）；ID Lab, Ghent University（根特大学 ID 实验室）；National University of Sciences and Technology, Balochistan Campus, Pakistan（巴基斯坦国立科学与技术大学博洛奇斯坦校区）；Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）
本文提出两种算法，用于在集成TN-NTN环境中优化无人机的资源分配，以确保可靠连接和公平性。
2026-01-26 cs.NI
Energy-Efficient UAV-Assisted Mobile Edge Computing: Resource Allocation and Trajectory Optimization
在本文中，我们研究无人机（UAV）辅助移动边缘计算（MEC）的目标是优化计算卸载与最小的无人机能耗。在所考虑的场景中，无人机扮演空中微云的角色，收集和处理地面用户卸载的计算任务。在满足用户服务需求的前提下，通过联合优化无人机轨迹、用户发射功率和计算负载分配，实现无人机能量效率最大化。该优化问题对应于非凸分式规划，采用Dinkelbach算法和逐次凸逼近（SCA）技术进行求解，并将问题分解为多个子问题进行分布式并行求解.为了应对的情况下，当用户的移动性知识是有限的，我们采用了空间分布估计技术来预测地面用户的位置，使所提出的方法仍然可以应用。仿真结果验证了该方法的有效性，以最大限度地提高无人机的能源效率。
2020-07-29 cs.NI cs.SY eess.SP
Energy-Efficient Resource Allocation in a Multi-UAV-Aided NOMA Network
研究了在多无人机（UAV）辅助下为用户设备提供增强型移动宽带（eMBB）服务的网络中的资源分配问题。不同于现有的网络资源分配方法，我们研究了一个联合的非正交用户关联，子信道分配和功率控制问题。该问题的目标是在用户设备服务质量、无人机网络容量和功耗约束下，最大化网络能量效率。我们制定的能源效率最大化问题作为一个具有挑战性的混合整数非凸规划问题。为了缓解这个问题，我们首先将原问题分解为两个子问题，即整数非线性用户关联和子信道分配子问题和非凸功率控制子问题。然后，我们设计了一个两阶段的近似策略来处理非线性的用户关联和子信道分配子问题，并利用一个连续的凸近似方法来解决非凸的功率控制子问题。基于导出的结果，我们开发了一个迭代算法，证明收敛，以减轻原来的问题。仿真结果表明，我们提出的框架可以提高能源效率相比，几个基准算法。
2020-12-31 cs.NI
Distributed Trajectory Planning and Resource Allocation for Dynamic Multi-UAV Collaborative Computing
Beijing University of Posts and Telecommunications（北京邮电大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Kyung Hee University（庆熙大学）
本文针对动态参与的多无人机协同计算场景，构建分布式MEC框架，基于斯塔克尔伯格博弈联合优化轨迹与资源，提出分层MADRL算法，仿真显示其能提升无人机效率、降低移动终端开销且适配不同网络规模。
2026-08-25 cs.NI
Joint 3D Deployment and Resource Allocation for UAV-assisted Integrated Communication and Localization
针对应急场景无人机辅助通信定位一体化网络，提出基于可行部署区域刻画并结合GS与BCD的三维位置、带宽和功率联合优化方法，在保持近基准速率的同时降低89.3% CPU时间。
2023-06-06 cs.NI
Plasticity-Enhanced Multi-Agent Mixture of Experts for Dynamic Objective Adaptation in UAVs-Assisted Emergency Communication Networks
Kitami Institute of Technology（北见工业大学）；University of Electro-Communications（电气通信大学）；Anhui University of Technology（安徽工业大学）
本文提出PE-MAMoE模型，通过增强塑性机制提升无人机在动态目标适应中的性能，实验显示其在用户容量、碰撞减少等方面有显著提升。
2026-04-10 cs.LG cs.MA cs.NI
Joint Resource Allocation and Trajectory Design for Resilient Multi-UAV Communication Networks
本文针对多无人机网络链路失效问题，提出基于现代投资组合理论的联合资源分配与轨迹设计方法，通过交替优化和逐次凸逼近算法在总速率与用户速率波动之间取得平衡，并实现弹性需求。
2024-01-21 cs.NI
PRIME: Plasticity Recovery in Multi-Agent Environments for UAV-Assisted Emergency Communication Networks
Department of Information and Communication Engineering, Kitami Institute of Technology, Japan（信息与通信工程系，函馆技术学院，日本）；Graduate School of Informatics and Engineering, University of Electro-Communications, Japan（信息与工程研究生院，电子通信大学，日本）；School of Computer Science and Technology, Anhui University of Technology, China（计算机科学与技术学院，安徽理工大学，中国）
研究无人机辅助应急通信网络多智能体环境中因非平稳性致神经元休眠影响学习的问题，提出PRIME方法，扩展双向沉默神经元框架，聚合统计信息验证后干预，实验显示该方法提升回报并降低休眠神经元比例，明确扰动成本与沉默子空间维度有关。
2026-07-21 cs.LG cs.MA cs.NI
Mobile Edge Computing via a UAV-Mounted Cloudlet: Optimization of Bit Allocation and Path Planning
无人机（UAV）最近被认为是在具有有限基础设施或没有基础设施的无线系统中向移动用户（MU）提供增强覆盖或中继服务的手段。研究了一种基于无人机的移动云计算系统，该系统通过赋予移动无人机计算能力，为本地处理能力有限的MU提供计算卸载机会。该系统旨在最小化总的移动能量消耗，同时满足卸载的移动应用的服务质量要求。卸载通过移动设备和UAV之间的上行链路和下行链路通信来实现，所述上行链路和下行链路通信借助于频分双工（FDD）经由正交或非正交多址（NOMA）方案来进行。联合优化上行链路和下行链路通信的比特分配以及在UAV处的计算的问题，以及在延迟和UAV的能量预算约束下的微云的轨迹，通过利用连续凸近似（SCA）策略来制定和解决。数值结果表明，可以通过所提出的联合优化的比特分配和微云的轨迹相比，本地移动执行，以及部分优化方法，只设计的比特分配或微云的轨迹，可以累计显着的节能。
2017-05-18 cs.IT cs.NI math.IT
Energy-Efficient Resource Allocation in Multi-UAV-Assisted Two-Stage Edge Computing for Beyond 5G Networks
无人机辅助的多址边缘计算（MEC）已成为能量受限设备满足计算需求和严格延迟要求的一种有前途的解决方案。在这项工作中，我们研究了一个多无人机辅助的两阶段MEC系统中，计算密集型和延迟敏感的任务的移动设备（MD）的MEC使能的无人机和地面基站（TBS）上的MEC服务器连接的合作执行。具体地，UAV向移动设备提供计算和中继服务。在这方面，我们制定了一个联合任务卸载，通信和计算资源分配的问题，以尽量减少能源消耗的MD和无人机考虑有限的通信资源的上行链路传输，无人机的计算资源和可容忍的延迟的任务。该问题是一个NP难的混合整数非凸问题。因此，我们放宽通道分配变量从二进制连续值。然而，由于变量之间的耦合，该问题仍然是非凸的。为了解决制定的优化问题，我们采用块连续上限最小化（BSUM）方法，保证获得非凸目标函数的稳定点。本质上，非凸目标函数被分解成多个子问题，然后以逐块的方式求解。最后，进行了广泛的评估结果，以显示我们提出的框架的优越性能。
2020-11-24 cs.NI
RL-Based User Association and Resource Allocation for Multi-UAV enabled MEC
Northumbria University（诺森比亚大学）；Central South University（中南大学）；China University of Mining and Technology（中国矿业大学）；University of Glasgow（格拉斯哥大学）；University of Essex（埃塞克斯大学）
在本文中，多无人机（UAV）使能移动边缘计算（MEC），即，研究了无人机虚拟环境，其中多个无人机被部署为飞行MEC平台，为地面用户设备（UE）提供计算资源。与传统的固定位置MEC相比，UAV使能MEC（即，UAVE）在临时事件、紧急情况和按需服务的情况下特别有用，这是由于其高度灵活性、低成本和易于部署的特性。然而，UAVE的操作面临若干挑战，其中两个挑战是如何实现1）多个UE与UAV之间的关联和2）从UAV到UE的资源分配，同时最小化所有UE的能量消耗。为了解决这个问题，我们制定上述问题的混合整数非线性规划（MINLP），这是很难解决的一般情况下，特别是在大规模的情况下。然后，我们提出了一种基于强化学习（RL）的用户关联和资源分配（RLAA）算法来有效地解决这个问题。数值结果表明，在小规模情况下，该算法与穷举搜索算法相比具有最优性能;在大规模情况下，该算法与其他典型算法相比具有显著的性能增益.
2019-04-08 cs.AI cs.LG cs.NI
AdaptSky: A DRL Based Resource Allocation Framework in NOMA-UAV Networks
无人机（UAV）作为满足6 G无处不在的连接需求和提高地面网络弹性的候选者，最近引起了广泛的关注。非正交多址接入（NOMA）具有频谱利用率高、时延低等优点，是未来通信网络中一种很有潜力的接入技术。在本文中，我们提出了使用无人机作为移动基站（BS）服务多个用户使用NOMA和联合解决三维无人机的布局和资源分配问题。由于相应的优化问题是非凸的，我们依靠人工智能（AI）的最新进展，提出了AdaptSky，一个基于深度强化学习（DRL）的框架，以有效地解决它。据我们所知，AdaptSky是第一个使用亚6 GHz和毫米波毫米波频谱联合优化NOMA功率分配和3D-UAV布局的框架。此外，在NOMA-UAV网络中，AdaptSky首次将决斗网络（DN）架构集成到DRL技术中，以提高其学习能力。我们的研究结果表明，AdaptSky不仅表现出快速适应学习，在数据率和公平性方面优于最先进的基线方法，而且它的泛化能力非常好。AdaptSky源代码可在以下网站访问：https://github.com/Fouzibenfaid/AdaptSky
2023-01-01 cs.NI cs.SY eess.SY
Resource Allocation Based on Optimal Transport Theory in ISAC-Enabled Multi-UAV Networks
针对ISAC使能多无人机网络中的资源分配问题，本文提出基于最优传输理论的交替迭代算法AIBOT，联合优化小区关联与功率分配，在仿真中实现系统总速率提升近12%、定位CRB降低约29%。
2024-10-03 cs.NI cs.SY eess.SY
Mobile Cloud Computing with a UAV-Mounted Cloudlet: Optimal Bit Allocation for Communication and Computation
移动云计算通过将计算任务从移动设备卸载到远程处理器，缓解了计算密集型移动应用程序和电池受限的移动设备之间的紧张关系。本文考虑了一个移动云计算的情况下，“小云”处理器，提供卸载的机会，移动设备安装在无人机（UAV），以提高覆盖范围。针对移动台与无人机之间采用频分复用的时隙通信系统，对移动台在上行链路中向无人机发送的输入比特数、无人机处微云处理的输入比特数通过最大时延下的对偶分解，限制，目的是最小化移动能耗。数值结果揭示了一个优化的位分配，以使显着的能源节约相比，严格的延迟约束的本地移动执行的至关重要的。
2017-05-18 cs.IT cs.NI math.IT
Decentralized dynamic task allocation for UAVs with limited communication range
Artificial Intelligence Research Institute of the Spanish National Research Council (IIIA-CSIC)（西班牙国家研究委员会人工智能研究所（IIIA-CSIC））；University of Southern California（南加州大学）
我们提出了有限范围的在线路由问题（LORP），它涉及到一个团队的无人机（UAV）有限的通信范围，必须自主协调服务任务请求。我们首先展示了一种将这个动态问题转化为一系列分散任务分配问题的通用方法。然后，我们提出了两种解决方案，都是基于建模的分配任务作为一个马尔可夫随机场，随后评估决策的分散最大和算法。我们的第一个解决方案假设请求之间的独立性，而我们的第二个解决方案还考虑了UAV的工作负载。一项全面的实证评估表明，我们基于工作负载的解决方案在各种场景中始终优于当前最先进的方法，将平均服务时间降低了16%。在最好的情况下，我们的分散式解决方案和集中式技术之间没有差距。在最坏的情况下，我们设法将当前分散和集中技术之间的差距缩小25%。因此，我们的解决方案成为我们问题的选择方法。
2018-08-31 cs.AI cs.NI
Backhaul-Aware Optimization of UAV Base Station Location and Bandwidth Allocation for Profit Maximization
无人机基站（UAVBS）被设想为下一代无线通信网络（WCN）的一个组成部分，通过动态地将供应转向需求。现有技术的一个显著缺点是设计了一种WCN，其中面向服务的性能度量（例如，吞吐量）被优化，而不考虑不同的相关决策，例如联合地确定位置和分配资源。在这项研究中，我们解决无人机基站的位置和带宽分配问题一起优化网络的总利润。特别是，一个混合的非线性规划（MINLP）制定，其中一个单一的UAVBS和带宽分配给用户的位置是共同确定的。目标是在不超过回程和接入容量的情况下最大化总利润。假设从特定用户获得的利润是所提供的数据率水平的分段线性函数，其中较高的数据率水平将产生较高的利润。由于MINLP的高复杂性，我们提出了一个有效的启发式算法具有较低的计算复杂性。我们发现，当无人机基站的位置是确定的，资源分配问题可以减少到一个多维二进制背包问题（MBKP），它可以解决在伪多项式时间。为了利用这种结构，通过在搜索算法中求解几个MBKP来确定最优带宽分配。我们测试了我们的算法的性能与两个questistics和MINLP模型解决了商业求解器。我们的数值结果表明，该算法优于其他解决方案的方法，将是一个有前途的工具，以提高网络的总利润。
2020-02-05 cs.IT cs.NI math.IT
Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing
Technology Innovation Institute（技术创新研究院）；Trinity College Dublin（都柏林圣三一学院）
网络切片是一种评估良好的方法，能够在新兴的第五代新无线电中实现移动核心和无线电接入网络（RAN）的虚拟化。切片是至关重要的，当处理新兴的和多样化的垂直应用程序，需要异构的需求集。5G还设想无人机（UAV）成为蜂窝网络标准的关键元素，旨在将其用作空中基站，并利用其灵活快速的部署来增强无线网络性能。该工作提出了一种无人机辅助的5G网络，其中空中基站（UAV-BS）具有网络切片能力，旨在优化一组用户的服务水平协议（SLA）满意度。这些用户属于5G服务类型的三个异构类别，即增强型移动宽带（eMBB）、超可靠低延迟通信（URLLC）和大规模机器类型通信（mMTC）。介绍了在网络切片背景下用于UAV-BS的多代理和多决策深度强化学习的第一应用，旨在通过将无线电资源联合分配给切片和UAV-BS二维轨迹的细化来优化用户的SLA满意率。所提出的策略的性能已经过测试，并与基准算法进行了比较，在各种场景中，满意用户的比例更高（至少高出27%）。
2022-11-15 cs.LG cs.NI
Massive UAV-to-Ground Communication and its Stable Movement Control: A Mean-Field Approach
提出了一种大规模无人机（UAV）在城市灾难现场提供紧急蜂窝连接的实时运动控制算法。该算法在避免瞬时风动力条件下无人机间碰撞的同时，最小化了每架无人机单位下行速率的能耗。通过平均场博弈理论的群集方法，每个无人机的速度控制只需要自己的位置和信道状态。在3GPP无人机信道模型下，仿真结果验证了该算法在冲突数和每数据率能耗方面的性能。
2018-05-24 cs.IT cs.NI math.IT
UAV-Enabled Wireless-Powered Underground Communication Networks: A Novel Time Allocation Approach
本文提出无人机使能的无线供电地下通信网络系统，通过混合无线能量传输与时间分配优化，在满足吞吐量和数据卸载要求下最小化无人机能耗，实现可持续地下监测。
2025-07-19 cs.NI cs.SY eess.SY
Proactive and Resilient UAV Orchestration for QoS Driven Connectivity and Coverage of Ground Users
无人机（UAV）正被成功用于在诸如在偏远地区、紧急情况下扩展5G蜂窝网络的覆盖范围以及提高用户人口密集地区的服务质量等应用中提供通信服务。虽然在文献中已经提出了用于确保用户的服务质量（QoS）的优化放置解决方案，但是它们在高度移动、自主和多样化的网络场景中可能不是理想的。本文提出了一种主动和弹性的框架，用于无人机小小区的分布式和动态编排，以在网络中提供QoS差异化。UAV位置根据最终用户位置和服务需求定制，同时确保UAV保持本地化回程连接。仿真实验表明，在物理布局能够实现服务差异化的场景下，所提出的框架能够使无人机的稳定配置满足90%以上的用户QoS需求。
2022-09-09 cs.NI cs.SY eess.SY
