Оптимизация использования ресурсов воздушных базовых станций на основе методов искусственного интеллекта

В отдаленных областях и районах стихийных бедствий беспилотные летательные аппараты (БПЛА) могут выступать в качестве базовых станций, обеспечивающих беспроводную связь с наземными пользователями. Благодаря своей высокой мобильности, низкой стоимости, а также быстрому развертыванию и поиску, БПЛА могут изменять свое местоположение в трехмерном пространстве, улучшая беспроводное соединение и повышая скорость передачи данных. В этой статье исследуются проблемы развертывания воздушных базовых станций (ABS, аббр. от англ. Aerial Base Station) в трехмерном пространстве и распределения мощности в целях максимизации скорости передачи данных в системе. Для решения этих проблем предложено использовать алгоритм Q-learning, относящийся к методам обучения с подкреплением. Используя БПЛА в качестве агента, алгоритм позволяет ABS исследовать пространство состояний на основе политики ϵ-greedy (эпсилон жадный алгоритм) для определения местоположения в трехмерном пространстве и распределения мощности. Результаты моделирования показывают, что предложенный алгоритм превосходит известные методы размещения ABS в трехмерном пространстве и распределения мощности. Целью настоящей статьи является исследование эффективности применения современных методов искусственного интеллекта для оптимизации использования ресурсов воздушных базовых станций сетей связи общего пользования.

Сущность предлагаемого решения состоит в применении современных методов искусственного интеллекта, а именно: метода обучения Q-learning и эпсилон-жадного алгоритма ϵ-greedy для обеспечения совместной оптимизации размещения ABS и распределения мощности для максимизации скорости передачи данных. Система имеет реализацию в виде программы моделирования. Эксперименты при моделировании показали, что использование метода обучения с подкреплением Q-learning и эпсилон-жадного алгоритма e-greedy для совместной оптимизации обеспечивает более высокую общую скорость передачи данных в системе по сравнению с оптимизацией только местоположения или распределения мощности.

Научная новизна предложенного решения состоит в том, что совместная оптимизация размещения ABS и распределения мощности позволила, в отличие от известных результатов, выявить, что высота полета БПЛА с установленной на нем базовой станцией при оптимизации только местоположения будет выше, чем высота полета БПЛА при совместной оптимизации местоположения и распределения мощности.

Практическая значимость заключается в возможности разработки методики планирования сетей связи общего пользования при использовании ABS для получения более высокой общей скорости передачи данных на соответствующем фрагменте сети.

1. Ding G., Wu Q., Zhang L., Lin Y., Tsiftsis T.A., Yao Y.D. An amateur drone surveillance system based on the cognitive Internet of Things // IEEE Communications Magazine. 2018. Vol. 56. Iss.1. PP. 29‒35. DOI:10.1109/MCOM.2017.1700452. EDN:YBEOMH

2. Rose K., Eldridge S., Chapin L. The internet of things: An overview // The internet society (ISOC). 2015. Vol. 80(15). PP. 1‒53.

3. Zhao N., Lu W., Sheng M., Chen Y., Tang J., Yu F.R., et al. UAV-Assisted Emergency Networks in Disasters // IEEE Wireless Communications. 2019. Vol. 26. Iss. 1. PP. 45‒51. DOI:10.1109/MWC.2018.1800160

4. Li B., Fei Z., Zhang Y. UAV communications for 5G and beyond: Recent advances and future trends // IEEE Internet of Things Journal. 2018. Vol. 6. Iss. 2. PP. 2241‒2263. DOI:10.1109/JIOT.2018.2887086. EDN:UPZMGQ

5. 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.x

6. Sutton R.S. Reinforcement learning: An introduction. The MIT Press, 2018.

7. Jaakkola T., Jordan M., Singh S. Convergence of Stochastic Iterative Dynamic Programming Algorithms // Advances in Neural Information Processing Systems 6 (NIPS 1993). 1993.