Intelligent Optimization of UAV Swarm-Assisted Emergency Communication Networks: Resource Allocation and Trajectory Planning

QIU, WEN

WEKO3

lat lon distance

[[sub_check.contents]]

[[sub_radio.contents]]

Field does not validate

[[sub_attr.contents]]　

インデックスツリー

アイテム

UAVスウォーム支援型緊急通信ネットワークの知的最適化：資源割当と軌道計画

https://doi.org/10.19000/0002000835

名前 / ファイル	ライセンス	アクション
甲228_QIU WEN.pdf (2.8 MB)

Item type

学位論文 / Thesis or Dissertation(1)

公開日

2025-04-30

タイトル

Intelligent Optimization of UAV Swarm-Assisted Emergency Communication Networks: Resource Allocation and Trajectory Planning

言語

タイトル

UAVスウォーム支援型緊急通信ネットワークの知的最適化：資源割当と軌道計画

言語

eng

資源タイプ

資源

http://purl.org/coar/resource_type/c_db06

タイプ

doctoral thesis

ID登録

10.19000/0002000835

ID登録タイプ

JaLC

アクセス権

open access

アクセス権URI

http://purl.org/coar/access_right/c_abf2

著者

QIU, WEN

内容記述

内容記述タイプ

Abstract

内容記述

Drones, with their flexible configuration, cost-effectiveness, and high mobility, have become increasingly feasible as aerial base stations in emergency communication scenarios due to decreasing costs and the miniaturization of communication and computing equipment. Particularly in cases of natural disasters and unexpected events, drones can rapidly enter affected areas to provide communication coverage, ensuring smooth communication between those in distress and rescue teams, significantly enhancing the efficiency of emergency responses. Compared to traditional base stations, drone-based aerial base stations offer greater deployment flexibility and coverage capabilities. Traditional base stations are often constrained by fixed locations and the integrity of infrastructure, which may be damaged or entirely nonfunctional in emergency situations. In contrast, drones can autonomously fly without ground support, quickly respond, and adjust their
altitude and position as needed to ensure signal coverage in complex terrains or communication blind spots. Current research on drone base stations primarily focuses on the joint optimization of deployment locations and resource allocation to improve network service performance. However, challenges remain in accurately simulating real post-disaster scenarios, as simulations often fail to reflect the complexities of such environments, thereby hindering realistic optimization of drone
trajectories. Moreover, traditional optimization methods can only optimize drone trajectories for specific scenarios and are inadequate for addressing trajectory optimization in dynamic environments.
In response to the aforementioned issues, this paper establishes a dynamic post-disaster scenario to improve network coverage and energy efficiency of drones by investigating the trajectory and resource allocation strategies of drone base stations. Additionally, within the context of vehicular networks, the paper designs an embedded multi-agent proximal policy optimization algorithm aimed at maximizing V2I link capacity and V2V link capacity while minimizing latency.
The main research content and innovations of this paper are as follows:
To address the trajectory optimization problem of drone base stations in dynamic scenarios, a mobile trajectory strategy for drone base stations is proposed to ensure coverage of ground mobile users, while also considering the issue of service fairness among users. The goal is to enhance the quality of service (QoS) for users. A scenario is designed where a fleet of drone base stations provides uplink services to multiple randomly moving ground users in an emergency communication setting, simulating a realistic post-disaster environment. In this scenario, a problem is formulated to maximize the coverage and service fairness for all ground users, jointly optimizing the 3D trajectories of the drone base stations and system fairness. However, the formulated optimization problem is non-convex, and to solve it, this paper proposes a deep
reinforcement learning algorithm based on artificial intelligence techniques. Extensive training and testing were conducted, with results demonstrating that the algorithm converges effectively across different drone scenarios. The generalization tests further indicate that the trained network can effectively guide drone movements under varying objective functions and scenarios with different levels of randomness.
To address the issue of limited energy in drones, this paper proposes an energy-efficient trajectory and resource allocation strategy for a fleet of drone base stations, aiming to enhance energy efficiency and extend service duration. This study builds on the previous research, first defining an energy consumption model for drones, which includes three components: communication energy consumption, flight energy consumption, and hovering energy consumption. An optimization problem is formulated to maximize communication coverage while minimizing energy consumption, with the objective of optimizing drone trajectories to achieve these goals while ensuring coverage for ground users. The formulated optimization problem remains non-convex, and to solve it, this paper introduces a deep reinforcement learning (DRL) algorithm based on
artificial intelligence techniques. Extensive simulations show that the proposed DRL algorithm outperforms three baseline methods. Additionally, experiments with different objective functions validate the effectiveness of the energy consumption minimization objective.
To address the uncertainty in communication resource allocation caused by the dynamic nature of vehicular networks, this paper proposes a deep reinforcement learning approach that utilizes shared resource blocks (RBs) between V2V and vehicle-to-infrastructure (V2I) communications. The objective is to minimize interference with V2I links while ensuring optimal vehicle-to-vehicle (V2V) performance. The study investigates a 5G cellular base station servicing multiple vehicles in a highway V2V unicast communication scenario. To select the optimal frequency bands and transmission power levels for each V2V link, the goal is to minimize interference with all V2I and other V2V links while preserving sufficient resources to meet latency constraints. This leads to the formulation of an optimization problem that seeks to maximize V2I link capacity,
V2V link capacity, and minimize latency simultaneously. To solve this non-convex optimization problem, we propose a multi-agent proximal policy optimization (MAPPO) algorithm based on deep reinforcement learning. To accelerate the training of the deep reinforcement learning network, we integrate an embedding module to simplify and compress the input dimensions. By employing our embedded-MAPPO (E-MAPPO) algorithm, agents collaboratively optimize their transmission strategies to efficiently share the spectrum with V2I links. Simulation results demonstrate that our approach significantly reduces interference to V2I links while meeting the strict latency and reliability requirements of V2V communication, outperforming baseline methods.

言語

内容記述

内容記述タイプ

Abstract

内容記述

ドローンは、柔軟な構成、費用対効果の高さ、高い機動性を備え、通信・計算機器の小型化とコスト低下により、緊急通信シナリオにおける空中基地局としての実現可能性が高まっています。特に自然災害や予期せぬ事態において、ドローンは被災地に迅速に進入して通信カバレッジを提供し、被災者と救助隊との円滑な通信を確保することで、緊急対応の効率を大幅に向上させることができます。従来の基地局と比較して、ドローンベースの空中基地局は、より高い展開の柔軟性とカバレッジ能力を提供します。従来の基地局は、固定位置とインフラの完全性に制約されており、緊急事態では損傷したり完全に機能しなくなったりする可能性があります。対照的に、ドローンは地上支援なしで自律飛行し、迅速に対応し、複雑な地形や通信の死角でも信号カバレッジを確保するために必要に応じて高度と位置を調整することができます。
　ドローン基地局に関する現在の研究は、主にネットワークサービスの性能を向上させるための展開位置とリソース割り当ての共同最適化に焦点を当てています。しかし、シミュレーションがこのような環境の複雑さを反映できないため、実際の災害後のシナリオを正確にシミュレーションすることには課題が残されており、これによりドローンの軌道の現実的な最適化が妨げられています。さらに、従来の最適化手法は特定のシナリオに対してのみドローンの軌道を最適化できるため、動的環境における軌道最適化に対応するには不十分です。
　上記の課題に対応するため、本論文では動的な災害後シナリオを確立し、ドローン基地局の軌道とリソース割り当て戦略を調査することで、ネットワークカバレッジとドローンのエネルギー効率を改善します。さらに、車両ネットワークの文脈において、V2Iリンク容量とV2Vリンク容量を最大化し、遅延を最小化することを目的とした組み込みマルチエージェント近接方策最適化アルゴリズムを設計しています。
　本論文の主な研究内容と革新点は以下の通りです：
　動的シナリオにおけるドローン基地局の軌道最適化問題に対処するため、地上の移動ユーザーのカバレッジを確保しつつ、ユーザー間のサービスの公平性も考慮したドローン基地局の移動軌道戦略を提案します。目標は、ユーザーのサービス品質（QoS）を向上させることです。緊急通信環境において、複数のドローン基地局が複数のランダムに移動する地上ユーザーにアップリンクサービスを提供するシナリオを設計し、現実的な災害後の環境をシミュレートしています。このシナリオでは、すべての地上ユーザーのカバレッジとサービスの公平性を最大化する問題を定式化し、ドローン基地局の3D軌道とシステムの公平性を共同で最適化します。しかし、定式化された最適化問題は非凸であり、これを解決するために、本論文では人工知能技術に基づく深層強化学習アルゴリズムを提案します。
　エネルギーが限られているドローンの課題に対処するため、本論文では、ドローン基地局群のエネルギー効率的な軌道とリソース割り当て戦略を提案し、エネルギー効率を向上させサービス時間を延長することを目指します。この研究は、先行研究を基に、まずドローンのエネルギー消費モデルを定義し、通信エネルギー消費、飛行エネルギー消費、ホバリングエネルギー消費の3つの要素を含みます。
　車両ネットワークの動的性質による通信リソース割り当ての不確実性に対処するため、本論文では、V2VとV2I（車両・インフラストラクチャー間）通信間で共有されるリソースブロック（RB）を活用する深層強化学習アプローチを提案します。目的は、V2Iリンクへの干渉を最小限に抑えながら、最適なV2V性能を確保することです。シミュレーション結果は、本アプローチがV2Iリンクへの干渉を大幅に低減しながら、V2V通信の厳格な遅延および信頼性要件を満たし、ベースライン手法を上回る性能を示すことを実証しています。

言語

bibliographic_information

発行日 2025-03

学位名

言語

学位名

博士(工学)

item_7_degree_grantor_61

学位授与機関識別子Scheme

kakenhi

学位授与機関識別子

10106

言語

学位授与機関名

北見工業大学

dissertation_number

学位授与番号

甲第228号

item_7_text_66

言語

研究科・専攻名

生産基盤工学専攻

学位授与年月日

2025-03-21

戻る

views

See details

	Views

Versions

Ver.1

2025-05-02 01:00:35.122301

Show All versions

Cite as

エクスポート

OAI-PMH

JPCOAR 2.0
JPCOAR 1.0
DublinCore
DDI

Other Formats

JSON
BIBTEX

インデックスリンク

インデックスツリー

アイテム

UAVスウォーム支援型緊急通信ネットワークの知的最適化：資源割当と軌道計画

× QIU, WEN

Versions

Share

Cite as

エクスポート