tuzsutТруды учебных заведений связиProceedings of Telecommunication Universities1813-324X2712-8830СПбГУТ10.31854/1813-324X-2025-11-2-32-40CTTRGRtuzsut-667Research ArticleЭЛЕКТРОНИКА, ФОТОНИКА, ПРИБОРОСТРОЕНИЕ И СВЯЗЬELECTRONICS, PHOTONICS, INSTRUMENTATION AND COMMUNICATIONSОптимизация распределения пользователей, мощности и расположения воздушной базовой станции на основе методов глубокого обучения с подкреплениемUser Association, Power Allocation, and Aerial Base Stations Placement in Hybrid Networks: A Deep Reinforcement Learning Approachhttps://orcid.org/0009-0006-0080-9477ЧанТ.З.TranT.D.

аспирант кафедры сетей связи и передачи данных Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

chan.tz@sut.ruhttps://orcid.org/0000-0003-4479-2479КучерявыйА. Е.KoucheryavyA. E.

доктор технических наук, профессор, заведующий кафедрой сетей связи и передачи данных Санкт-Петербургского государственного университета телекоммуникации им. проф. М. А. Бонч-Бруевича

akouch@sut.ruСанкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-БруевичаРоссияThe Bonch-Bruevich Saint Petersburg State University of TelecommunicationsRussian Federation2025070520251123240Copyright © Чан Т., Кучерявый А.Е., 20252025Чан Т., Кучерявый А.Е.Tran T., Koucheryavy A.E.This work is licensed under a Creative Commons Attribution 4.0 License.https://tuzs.sut.ru/jour/article/view/667Актуальность

Актуальность. С развитием информационных технологий и Интернета вещей возрастает спрос на более эффективные и гибкие мобильные сети. Будущие беспроводные системы должны обеспечивать не только высокую скорость и надежность соединения, но и быстрое восстановление связи в аварийных ситуациях. Наземные базовые станции (GBS, аббр. от англ. Ground Base Stations) обычно устанавливаются стационарно и ориентированы на длительное обслуживание, что ограничивает их эффективность при резком увеличении трафика или повреждении инфраструктуры. В таких условиях воздушные базовые станции (ВБС) становятся перспективным решением. Благодаря своей мобильности, доступной стоимости и возможности быстрого развертывания, они могут поддерживать работу наземных станций в условиях высокой плотности пользователей или в случае чрезвычайных ситуаций, когда GBS повреждены или уничтожены. Это делает их важным элементом сетей связи будущего.

Постановка задачи

Постановка задачи: разработка методов размещения ВБС в трехмерном пространстве и распределения пользователей и мощности среди последних с целью максимизации скорости передачи данных систем.

Цель работы

Цель работы: повышение скорости передачи данных систем с использованием ВБС для поддержки GBS за счет оптимального трехмерного положения ВБС, распределения пользователей между ВБС и GBS, а также распределения мощности среди пользователей.

Используемые методы

Используемые методы. Исследования проводились с применением динамического подхода, при котором радиус покрытия GBS постепенно сокращается, а также алгоритма глубокого обучения с подкреплением. Анализ полученных результатов показал высокую эффективность предложенного метода и позволил добиться значительного увеличения скорости передачи данных в рамках поставленной задачи.

Научная новизна предложенного решения заключается в том, что совместная оптимизация размещения ВБС и распределения мощности в условиях ограниченных ресурсов позволила выявить зависимость между радиусом покрытия GBS и высотой полета ВБС: при большем радиусе покрытия GBS высота полета ВБС будет ниже, и наоборот. Практическая значимость заключается в возможности разработки методики планирования сетей связи общего пользования с использованием ВБС для поддержки GBS в условиях ограниченных ресурсов. Это позволяет обеспечить высокую суммарную скорость передачи данных и повысить надежность функционирования сети.

Relevance

Relevance. With the development of information technologies and the Internet of Things, the demand for more efficient and flexible mobile networks is increasing. Future wireless systems must not only ensure high speed and reliability of connections but also enable quick recovery of communication in emergency situations. Ground base stations (GBS) are typically installed stationary and are designed for long-term service, which limits their efficiency during sudden increases in traffic or infrastructure damage. In such conditions, aerial base station (ABS) emerge as a promising solution. Due to their mobility, affordability, and the ability to deploy quickly, they can support the operation of ground stations in high user density conditions or in emergencies when GBS are damaged or destroyed. This makes them an essential element of future communication networks.

Problem Statement

Problem Statement. Development of methods for the placement of ABS in three-dimensional space and the distribution of users and power among users with the goal of maximizing the data transmission speed of the systems.

Goal of the work

Goal of the work. Increase the data transmission speed of systems using ABS to support GBS through optimal three-dimensional positioning of ABS, distribution of users between ABS and GBS, and power allocation among users.

Methods

Methods. The research was conducted using a dynamic approach, in which the coverage radius of the GBS is gradually reduced, along with the reinforcement learning algorithm. The analysis of the results showed the high effectiveness of the proposed method and allowed for a significant increase in data transmission speed within the framework of the task.

Scientific novelty

Scientific novelty. The scientific novelty of the proposed solution lies in the joint optimization of the placement of ABS and power allocation under resource constraints, which revealed a dependency between the coverage radius of GBS and the flight altitude of ABS. Specifically, as the coverage radius of GBS increases, the optimal flight altitude of ABS decreases, and vice versa.

Practical significance

Practical significance. The practical significance lies in the possibility of developing a methodology for planning public communication networks using ABS to support GBS under resource constraints. This approach makes it possible to ensure a high total data transmission rate and improve the reliability of network operation.

воздушная базовая станцияразмещениераспределение мощностираспределения пользователейGBSглубокое обучение с подкреплениемaerial base stationplacementpower allocationuser associationGBSdeep reinforcement learningReferencesЧан Т.З., Кучерявый А.Е. Оптимизация использования ресурсов воздушных базовых станций на основе методов искусственного интеллекта // Труды учебных заведений связи. 2025. Т. 11. № 1. С. 62‒68. DOI:10.31854/1813-324X-2025-11-1-62-68. EDN:RVENVCTran T.D., Koucheryavy A.E. Resource Optimization of Airborne Base Stations Using Artificial Intelligence Methods. Proceedings of Telecommunication Universities. 2025;11(1):62‒68. (in Russ.) DOI:10.31854/1813-324X-2025-11-1-62-68. EDN:RVENVCКузнецов К.А., Парамонов А.И., Мутханна А.С.А., Кучерявый А.Е. Модель и методы маршрутизации трафика в сети связи с использованием БПЛА // Труды учебных заведений связи. 2024. Т. 10. № 4. С. 62-72. DOI:10.31854/1813-324X-2024-10-4-62-72. EDN:VYMCTDKuznetsov K.A., Paramonov A.I., Muthanna A.S.A., Koucheryavy A.E. Model and Methods of Traffic Routing in a Communication Network Using UAVs. Proceedings of Telecommunication Universities. 2024;10(4):62‒72. (in Russ.) DOI:10.31854/1813-324X-2024-10-4-62-72. EDN:VYMCTDДунайцев Р.А., Бородин А.С., Кучерявый А.Е. Интегрированная сеть космос-воздух-земля-море как основа сетей связи шестого поколения // Электросвязь. 2022. № 10. С. 5‒8. DOI:10.34832/ELSV2022.35.10.001. EDN:QCGIPIDunaitsev R.A., Borodin A.S., Koucheryavy A.E. Space-Air-Ground-Sea Integrated Networking as a Basis For 6G Networks. Electrosvyaz. 2022;10:5‒8. (in Russ.) DOI:10.34832/ELSV2022.35.10.001. EDN:QCGIPIКучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. DOI:10.31854/2307-1303-2021-10-3-1-12. EDN:LHLYEMKoucheryavy A., Paramonov A., Makolkina A., Muthanna A. S. A., Vybornova A., Dunaytsev R., et al. 3 Dimension Multilayer Heterogenous Ultra Dense Networks. Telecom IT. 2022:10(3):1–12. (in Russ.) DOI:10.31854/2307-1303-2021-10-3-1-12. EDN:LHLYEMMozaffari M., Saad W., Bennis M., Debbah M. Unmanned Aerial Vehicle With Underlaid Device-to-Device Communications: Performance and Tradeoffs // IEEE Transactions on Wireless Communications. 2016. Vol. 15. Iss. 6. PP. 3949–3963. DOI:10.1109/TWC.2016.2531652Mozaffari M., Saad W., Bennis M., Debbah M. Unmanned Aerial Vehicle With Underlaid Device-to-Device Communications: Performance and Tradeoffs. IEEE Transactions on Wireless Communications. 2016;15(6):3949–3963. DOI:10.1109/TWC.2016.2531652Ali M.A., Jamalipour A. UAV placement and power allocation in uplink and downlink operations of cellular network // IEEE Transactions on Communications. 2020. Vol. 68. Iss. 7. PP. 4383‒4393. DOI:10.1109/TCOMM.2020.2983671. EDN:MEPFGQAli M.A., Jamalipour A. UAV placement and power allocation in uplink and downlink operations of cellular network. IEEE Transactions on Communications. 2020;68(7):4383‒4393. DOI:10.1109/TCOMM.2020.2983671. EDN:MEPFGQ3GPP TR 38.901. Study on channel model for frequencies from 0.5 to 100 GHz. 2018. URL: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3173 (Accessed 26.02.2025)3GPP TR 38.901. Study on channel model for frequencies from 0.5 to 100 GHz. 2018. URL: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3173 [Accessed 26.02.2025]Shannon C.E. A Mathematical Theory of Communication // The Bell System Technical Journal. 1948. Vol. 27. Iss. 3. PP. 379–423. DOI:10.1002/j.1538-7305.1948.tb01338.xShannon C.E. A Mathematical Theory of Communication. The Bell System Technical Journal. 1948;27(3):379–423. DOI:10.1002/j.1538-7305.1948.tb01338.xLiu C.H., Chen Z., Tang J., Xu J., Piao C. Energy-Efficient UAV Control for Effective and Fair Communication Coverage: A Deep Reinforcement Learning Approach // IEEE Journal on Selected Areas in Communications. 2018. Vol. 36. Iss. 9. PP. 2059–2070. DOI:10.1109/JSAC.2018.2864373Liu C.H., Chen Z., Tang J., Xu J., Piao C. Energy-Efficient UAV Control for Effective and Fair Communication Coverage: A Deep Reinforcement Learning Approach. IEEE Journal on Selected Areas in Communications. 2018;36(9):2059–2070. DOI:10.1109/JSAC.2018.2864373.Seid A.M., Boateng G.O., Anokye S., Kwantwi T., Sun G., Liu G. Collaborative Computation Offloading and Resource Al-location in Multi-UAV-Assisted IoT Networks: A Deep Reinforcement Learning Approach // IEEE Internet of Things Journal. 2021. Vol. 8. Iss. 15. PP. 12203‒12218. DOI:10.1109/JIOT.2021.3063188Seid A.M., Boateng G.O., Anokye S., Kwantwi T., Sun G., Liu G. Collaborative Computation Offloading and Resource Allocation in Multi-UAV-Assisted IoT Networks: A Deep Reinforcement Learning Approach. IEEE Internet of Things Journal. 2021;8(15):12203‒12218. DOI:10.1109/JIOT.2021.3063188Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., et al. Hassabis D. Human-level control through deep reinforcement learning // Nature. 2015. Vol. 518. PP. 529‒533. DOI:10.1038/nature14236Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., et al. Hassabis D. Human-level control through deep reinforcement learning. Nature. 2015;518:529‒533. DOI:10.1038/nature14236Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., et al. Continuous control with deep reinforcement learning // arXiv preprint arXiv:1509.02971. 2015. DOI:10.48550/arXiv.1509.02971Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., et al. Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971. 2015. DOI:10.48550/arXiv.1509.02971

The authors declare that there are no conflicts of interest present.