一个新的能源效率框架,用于无人机辅助网络,使用自适应式深度增强学习.
Koteeswaran Seerangan1, Malarvizhi Nandagopal2, Tamilmani Govindaraju3
1Department of CSE (AI&ML), S.A. Engineering College (Autonomous), Chennai, Tamil Nadu, 600077, India.
Scientific reports
|September 27, 2024
概括
本研究引入了具有新浪损失功能的自适应深度增强学习 (ADRL-NLF) 框架,以提高无人机网络的能源效率. ADRL-NLF框架优化了无人机3D轨迹,以提高无线覆盖率和网络寿命.
科学领域:
- 无线通信网络 无线通信网络
- 人工智能在网络中的作用
- 移动系统中的能源效率.
背景情况:
- 无人驾驶飞行器 (UAV) 网络由于电池限制而面临有限的寿命,因此需要提高空对地面传输的能源效率.
- 无人机提供灵活的部署和高机动性,使它们成为扩展物联网 (IoT) 覆盖范围和提高频谱效率的理想选择,特别是对于远程用户.
- 传统的无人机辅助效率方法需要优化,以克服能源消耗和网络功能方面的挑战.
研究的目的:
- 为无人机辅助网络设计一个创新的能源效率框架,利用强化学习机制.
- 通过提高无人机能源效率,优化对静态和移动地面用户的无线覆盖.
- 通过3D轨迹,干扰能量和用户数量的联合优化,最大限度地提高无人机网络的能源效率.
主要方法:
- 开发一种具有新损失函数 (ADRL-NLF) 的自适应深度强化学习框架.
- 优化无人机3D轨迹,考虑干扰期间的能源消耗和连接用户的数量.
- 使用混合能源谷和隐士 (HEVHC) 算法调整ADRL框架的参数.
主要成果:
- 拟议的ADRL-NLF框架表明,与传统方法相比,无人机网络的能源效率得到了提高.
- 3D轨道优化有效地减少干扰,并增强地面用户的无线覆盖.
- 实验观察证实了针对无人机网络提出的能源效率模型的有效性.
结论:
- ADRL-NLF框架在优化无人机辅助网络的能源效率方面取得了重大进展.
- 对无人机3D轨迹和资源配置的联合优化对于最大限度地提高网络性能和寿命至关重要.
- 该HEVHC算法有效调整ADRL参数,进一步增强拟议模型的功能.
