MEC中RIS辅助的无人机轨迹和计算策略联合优化

在B5G/6G网络中，尽管无人机(Unmanned Aerial Vehicle, UAV)可以作为移动边缘计算(Mobile Edge Computing, MEC)的服务器为地面终端(Ground Terminal, GT)提供通信和计算服务，但仍然面临着因为移动性而导致通信链路被周围障碍物阻挡的挑战。可重构智能表面(Reconfigurable Intelligent Surface, RIS)可以有效地辅助UAV改善与GT的通信链路质量，保证MEC的时延要求。提出了一种RIS辅助的UAV轨迹和计算策略联合优化方案，以最小化MEC的服务能耗为目标，联合优化UAV的三维轨迹、计算任务分发和缓存资源分配。利用连续凸逼近(Successive Convex Approximation, SCA)方法对原始的非凸联合优化问题进行了求解。仿真实验中，选取UAV轨迹固定和计算策略固定的方案为对比依据，验证了所提方案的有效性。结果表明，所提方案在能耗和数据传输速率上均有明显的性能提升。     

考虑信息年龄的无人机辅助智能交通系统计算卸载优化

该文考虑无人机(UAV)交通监测与移动边缘计算(MEC)技术结合的智能交通系统。为了保障系统中数据时效性并且降低系统能耗,提出计及信息年龄(AoI)的UAV计算卸载优化方法。首先,建立UAV辅助的MEC系统模型,允许MEC服务器缓存常用的应用程序并为UAV提供计算卸载,以支持UAV执行交通监测任务。通过联合优化UAV任务卸载决策、UAV上下行通信带宽分配以及被卸载任务的计算资源分配,最小化所有UAV与MEC服务器的总能耗,同时满足AoI与资源容量等约束条件。其次,系统能耗最小化问题是混合整数非凸优化问题,因此采用离散化和线性化手段,快速获得问题的近似最优解,并设计离散点生成算法来调节近似误差。最后,仿真结果表明,即使对于大型的非凸问题,所提方法也能够快速得到近似最优解,并且可以在不同的任务场景中满足AoI等约束条件,最大限度降低系统能耗。仿真结果验证了所提方法的有效性。     

基于智能反射面辅助的无人机中继系统安全通信方法

为了提高无人机中继系统的安全通信性能,解决无线信道受障碍物遮挡问题,该文提出一种基于智能反射面(IRS)辅助的无人机(UAV)中继系统安全通信方法。在所提方法中,通过联合优化UAV的位置、基站波束成形和IRS相移,最大化系统的最小保密速率。为了解决这个复杂的非凸优化问题,该文将原问题分解为UAV位置优化子问题、波束成形和IRS相移优化两个子问题。使用1阶泰勒展开处理优化问题中的非凸项,然后提出一种交替优化的算法进行求解。仿真结果表明该文提出的算法能提高系统的最小保密速率,并且具有良好的收敛性。     

智能反射面辅助的无人机无线携能通信网络吞吐量最大化算法研究

为了解决城市场景中无人机(UAV)与地面终端设备(GUs)间易受到障碍物阻挡的问题,该文提出一种基于智能反射面(IRS)辅助的UAV供能通信网络吞吐量最大化算法。首先,在满足能量因果、IRS相移、UAV移动性等约束条件下,建立了一个联合IRS相移设计、GU无线资源分配、UAV飞行轨迹设计的多变量耦合优化模型。其次,通过快坐标下降法(BCD)将原非凸问题转换为3个易于处理的子问题,并通过三角不等式、引入松弛变量、连续凸近似(SCA)等方法,对子问题进行转化求解。仿真结果表明,该文所提算法具有较好的收敛性,同时可有效提高系统总吞吐量。     

基于智能超表面的无人机移动边缘计算综述

当今移动通信和计算领域移动边缘计算(Mobile Edge Computing, MEC)已成为提高性能和用户体验的关键技术之一,利用智能超表面(Reconfigurable Intelligent Surface, RIS)和无人机(Unmanned Aerial Vehicle, UAV)技术辅助的MEC系统,在网络性能提升、时延降低、计算和通信资源分配优化以及适应性方面具有显著优势,引起了学术界和工业界的广泛关注。系统地讨论了RIS辅助的UAV MEC(RIS-assisted UAV MEC,RU-MEC)系统中的协作方式,梳理了RU-MEC系统在设计过程中需要考虑的关键问题以及可采取的解决方法,阐述了未来的研究方向,包括RIS和UAV技术的进一步创新、系统安全性和可靠性增强,以及在各种场景中的广泛应用。     

基于IRS的无人机安全通信能耗优化

为了提升系统有窃听者存在时的安全能耗效率,设计了一种基于智能反射面(Intelligent Reflecting Surface, IRS)的安全能耗优化算法。该算法以最大化系统安全能耗效率为目标求解无人机(Unmanned Aerial Vehicle, UAV)飞行轨迹、基站发射功率和IRS反射相位的联合优化问题。由于该联合优化问题是多变量耦合问题,将其解耦为单独优化无人机基站轨迹、IRS相位矩阵和基站发射功率的三个子问题,最后用连续凸逼近的方法进行求解。实验结果表明,对于反射单元数量为64的IRS,所提出的基于IRS的能耗优化算法相比传统安全速率优化算法能提升系统10%的安全能耗效率。而相比不使用IRS的优化算法,能提升系统300%的安全能耗效率,并且提升倍数还将随着IRS反射单元数量增加而增加。     

智能反射面辅助雷达通信双功能系统的多载波波形优化方法

雷达通信一体化是解决频谱资源拥挤问题的有效途径之一,而共享波形设计是同时实现雷达与通信功能的关键技术,该文旨在解决智能反射面(IRS)辅助雷达通信双功能(DRC)系统的多载波波形优化问题.首先,通过最大化传输功率、通信码字错误率(WEP)、旁瓣幅度与IRS反射系数约束下的雷达互信息(RMI),构建了双功能发射波形、IR...     

基于强化学习的智能超表面辅助无人机通信系统物理层安全算法

该文从物理层安全的角度出发研究了智能超表面(RIS)辅助的无人机(UAV) 3D轨迹优化。具体地说,当RIS辅助的UAV向地面用户进行无线传输时,通过联合优化RIS相移和UAV的3D轨迹来最大化物理层安全速率。然而,由于目标函数是非凸的,传统的优化技术很难直接求解。深度强化学习能够处理无线通信中动态复杂的优化问题,该文基于强化学习双深度Q网络(DDQN)设计一种联合优化RIS相移和无人机3D轨迹算法,最大化可实现的平均安全速率。仿真结果表明,所设计的RIS辅助UAV通信优化算法可以获得比固定飞行高度的连续凸逼近算法(SCA)、随机相移下的RIS算法和没有RIS的算法有更高的安全速率。     

基于DRL的无人机辅助边缘计算服务质量优化

针对无人机（Unmanned Aerial Vehicle, UAV）搭载移动边缘服务器为地面用户进行服务时的服务质量（Quality of Service, QoS）问题,提出了一种基于深度强化学习的优化方案,旨在优化UAV飞行轨迹和卸载方案以最大化UAV为用户服务时的QoS。首先,定义了任务延迟来表征任务新鲜度,在任务延迟的基础上提出了一种新的QoS评价指标;其次,将最大化QoS问题建模为一个无转移概率的马尔可夫决策过程,并定义了该过程的状态空间、动作空间和奖励函数;最后,UAV通过所提出的算法进行训练,优化任务卸载方案并寻找最优飞行轨迹为地面用户进行服务以提高QoS。仿真结果表明所提算法较于其他算法能有效提高UAV为地面用户服务过程中的QoS且提高任务新鲜度。      

无人机辅助无线传感网络的节能保密通信数据收集方法

无人机(Unmanned Aerial Vehicle, UAV)在保密无线传感网络(Wireless Sensor Network, WSN)中能作为移动数据搜集节点的同时延长传感网络的使用周期,窃听方(Eavesdropper, Eve)的存在使传感器和UAV之间的保密通信过程受到了严重威胁。因此,保密通信方不得不消耗更多资源来保证通信的保密性能。针对WSN中保密通信的资源受限问题,提出一种UAV辅助节能保密通信数据收集方法,通过联合优化UAV轨迹和传感器节点(Sensor Node, SN)的调度策略,最小化SN能耗的同时增加传感器的保密容量;通过基于块坐标下降法解决复杂混合整数的非凸优化问题;通过连续凸优化方法联合求解UAV轨迹优化问题和传感器调度优化问题。仿真结果表明,与现有方法相比,所提方法在节能和保密速率提高上具有显著的优越性。     

基于云边协同算力调度的高效边缘卸载研究

为了满足车载边缘计算网络(Vehicular Edge Computing,VEC)中低时延、高可靠、高传输速率等极致性能需求,亟需突破现有传统车联网中通信感知计算相互割裂的现状,基于云边端一体化与智能协同等算力网络技术设计一种高效的任务卸载策略成为解决方案。为此,提出一种云边协同智能驱动车载边缘算力网络架构,通过结合实时计算负载与网络状态条件,充分利用云中心、聚合服务器和MEC服务器的异构计算能力,权衡用户任务卸载策略,实现网络资源的全面协作和智能管理。考虑到计算型任务对时延和能耗的需求,将计算卸载策略建模为在通信与计算资源约束下的最小化长期系统成本的优化问题,并将其转化为马尔可夫决策过程(Markov Decision Process,MDP)。最后,鉴于车载网络的动态和随机特性,提出一种基于云边协同的深度Q网络(Cloud-Edge Collaborative Deep Q-Network,CEC-DQN)的高效计算卸载策略来解决MDP问题。仿真结果表明,与传统单点边缘服务器卸载或随机卸载算法相比,所提出的算法具有较高的性能提升,可有效解决多层次算力网络中节点算力分配不足、不均衡的问题。     

基于深度强化学习的多用户计算卸载优化模型和算法

在移动边缘计算(MEC)密集部署场景中,边缘服务器负载的不确定性容易造成边缘服务器过载,从而导致计算卸载过程中时延和能耗显著增加。针对该问题,该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首先,考虑时延和能耗的均衡优化建立效用函数,以最大化系统效用作为优化目标,将计算卸载问题转化为混合整数非线性规划问题。然后,针对该问题状态空间大、动作空间中离散和连续型变量共存,对DDPG深度强化学习算法进行离散化改进,基于此提出一种多用户计算卸载优化方法。最后,使用该方法求解非线性规划问题。仿真实验结果表明,与已有算法相比,所提方法能有效降低边缘服务器过载概率,并具有很好的稳定性。     

基于蜂窝网络的多无人机能量消耗最优化算法研究

在一些复杂时变环境中，地面基站（GBS）可能无法协助处理无人机的计算任务，为此研究了一种基于数字孪生（DT）技术的移动边缘计算（MEC）蜂窝网络。考虑到多无人机效率，引入多只配备MEC服务器的高空气球（HAB）协助，在此基础上提出一个所有无人机能量最小化问题，并给出一种多无人机轨迹优化和资源分配方案。应用双深度Q网络（DDQN）解决多无人机与多HAB之间的关联问题；采用连续凸逼近技术（SCA）和块坐标下降算法（BCD）对多无人机轨迹和计算资源进行联合优化。仿真实验验证了所提算法的可行性和有效性。实验结果表明，所提算法使系统能量消耗降低30%，明显优于对比算法。     

基于MADDPG的无人机辅助通信功率分配算法

针对多无人机(unmanned aerial vehicle, UAV)作为空中基站辅助通信的吞吐量和公平性问题,提出了一种基于多智能体深度确定性策略梯度算法(multi-agent deep deterministic policy gradient algorithms, MADDPG)的功率分配算法,该算法通过联合优化UAV基站的功率分配和用户接入以提高系统吞吐量和公平性。本文首先构建了UAV基站为地面建立通信服务的三维场景,然后通过联合功率、用户关联和UAV位置约束,构建了吞吐量和公平性最大化的问题模型。考虑到该问题的复杂性,本文将所构建的优化问题建模为马尔科夫决策过程(Markov decision process, MDP),通过引入深度确定性策略梯度算法(deep deterministic policy gradient algorithm, DDPG)解决该问题。仿真结果表明,本文提出的基于MADDPG的UAV基站功率分配算法与其他算法相比,可以有效地提升系统的吞吐量和用户的公平性,提高通信的服务质量。     

面向无线能量传输的三维无人机轨迹设计

在无人机(UAV)辅助的无线网络中,UAV轨迹设计可以有效地提升无线网络系统性能.然而,3维场景下的UAV轨迹设计问题因其高复杂性,目前仍是开放性研究问题,并缺少高性能的求解方案.该文针对具有一般性的无线能量传输(WPT)系统中UAV?3维轨迹设计问题,在凸空间下,基于间续悬飞(SHF)的最优轨迹结构,提出获得高性能3...     

MEC系统中基于多智能体深度增强学习的协作式任务卸载和资源分配

移动边缘计算(MEC)通过将计算任务卸载到MEC服务器上,在缓解智能移动设备计算负载的同时,可以降低服务时延。然而目前在MEC系统中,关于任务卸载和资源分配仍然存在以下问题：1)边缘节点间缺乏协作;2)计算任务到达与实际环境中动态变化的特征不匹配;3)协作式任务卸载和资源分配动态联合优化问题。为解决上述问题,文章在协作式MEC架构的基础上,提出了一种基于多智能体的深度确定性策略梯度算法(MADDPG)的任务卸载和资源分配算法,最小化系统中所有用户的长期平均成本。仿真结果表明,该算法可以有效降低系统的时延及能耗。     

IRS多分区辅助太赫兹多子阵列波束成形设计

在智能反射表面（IRS）辅助太赫兹（THz）通信系统中，为突破信道稀疏性对系统空间多路复用增益的限制，提出收发端采用宽间隔多子阵列混合波束成形架构，设计IRS多分区辅助THz多子阵列的传输方案。首先，基于频谱效率最大化原则，构建一个含有多变量耦合和非凸约束的非凸目标函数；然后，将优化问题解耦成2个易于求解的子问题，即IRS反射系数矩阵设计问题和收发端混合波束成形矩阵设计问题；最后，采用黎曼流形优化算法计算IRS反射系数矩阵，并通过数理推导得到混合波束成形矩阵的闭式解。仿真结果表明，与基准方案相比，所提方案可以获得更好的频谱效率。     

IRS辅助的NOMA无人机网络安全速率最大化算法

该文研究了智能反射面(IRS)辅助基于非正交多址接入(NOMA)技术的无人机(UAV)网络中的安全传输。为了使系统安全速率最大化，该文提出联合优化无人机位置、串行干扰消除解码顺序、IRS反射矩阵和UAV发射功率的资源优化问题。由于优化问题是一个混合整数非凸优化问题，该文提出一种基于块坐标下降的迭代算法，将原问题分解为3个子问题，采用基于惩罚、半正定松弛和连续凸逼近的方法求解子问题。仿真表明，所提算法的系统安全速率优于没有IRS辅助的NOMA方案和没有IRS辅助的正交多址方案。     

NOMA物联网下多UAV辅助MEC系统的资源分配

为解决偏远地区或突发灾害等场景中的物联网(Internet of Things, IoT)设备的任务计算问题,构建了一个非正交多址接入(Non-orthogonal Multiple Access, NOMA)-IoT(NOMA-IoT)下多无人机(Unmanned Aerial Vehicle, UAV)辅助的NOMA多址边缘计算(Multiple Access Edge Computing, MEC)系统。该系统中设备的计算能耗、卸载能耗和MEC服务器计算能耗直接受同信道干扰、计算资源和发射功率的影响,可通过联合优化卸载策略、计算资源和发射功率最小化系统加权总能耗。根据优化问题的非凸性和复杂性,提出了一种有效的迭代算法解决：首先,对固定卸载策略,计算资源和发射功率分配问题可通过连续凸逼近转化为可解的凸问题;其次,对固定计算资源和发射功率,利用联盟形成博弈解决卸载策略问题,以最小化IoT设备之间的同信道干扰。仿真结果表明,较OMA接入方式,NOMA接入方式减少本地计算能耗、卸载能耗及计算能耗约20%;较无卸载策略方法,包含卸载策略方法在减少系统加权总能耗方面效果较为明显。     

基于深度强化学习的无人机小区间干扰抑制技术研究

无人机(UAV)辅助蜂窝网络的空中基站工作在频谱高度拥挤的场景中,会造成严重空中小区间干扰(Inter-Cell Interference, ICI)而大大降低网络性能。为解决该问题,研究了基于深度强化学习的无人机辅助蜂窝网络小区间干扰抑制技术。首先建立了无人机辅助蜂窝网络中基于联合波束成形与功率控制(Joint Beamforming and Power Control, JBPC)的抗干扰优化模型。然后提出了基于置信区间上界(Upper Confidence Bound, UCB) Dueling深度Q网络(Deep Q Network, DQN)的深度强化学习求解算法,并利用该算法设计了联合波束成形和功率控制的ICI抑制技术。仿真结果表明,基于UCB Dueling DQN学习的JBPC干扰抑制技术的收敛性优于DQN和Dueling DQN算法,且能达到穷举法的最优容量,有利于提高无人机辅助蜂窝网络性能。