💻 computer science

A Polynomial-Decay and Pinhole-Imaging Whale Optimization Algorithm for UAV Relay Communication Deployment

Dieses Papier schlägt PWOA vor, einen neuartigen Whale Optimization Algorithm, der durch eine Good Nodes Set-Initialisierung, einen Polynomial-Decay-Konvergenzplan und einen Pinhole-Imaging-Opposition-Based-Learning-Mechanismus verbessert wurde, um das nicht-konvexe, beschränkte Problem der gemeinsamen Optimierung von UAV-Relaisposition, Flughöhe, Leistung und Bandbreite effektiv zu lösen, indem er bestehende Algorithmen in Bezug auf Lösungsqualität, Stabilität und Konvergenzgeschwindigkeit übertrifft.

Ursprüngliche Autoren: Zhenhong Peng, Junhao Wei, Baili Lu, Yanxiao Li, Yifu Zhao, Haochen Li, Dexing Yao, Xu Yang, Yapeng Wang

Veröffentlicht 2026-06-12

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zhenhong Peng, Junhao Wei, Baili Lu, Yanxiao Li, Yifu Zhao, Haochen Li, Dexing Yao, Xu Yang, Yapeng Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen temporären WLAN-Turm in der Luft mithilfe einer Drohne (eines UAV) einzurichten, um zwei Personen am Boden die Kommunikation zu ermöglichen. Dabei geht es nicht nur darum, die Drohne in die Mitte zu fliegen; Sie müssen genau herausfinden, wo sie fliegen soll (links/rechts, vorwärts/rückwärts), wie hoch sie fliegen soll, wie stark ihr Signal sein sollte und wie breit der Kanal sein muss.

Das Problem ist, dass es zu viele Regeln gibt. Die Drohne darf nicht zu tief fliegen (Sicherheit), nicht zu hoch (Energie) und darf nicht zu viel Leistung verbrauchen. Wenn man die Mathematik falsch berechnet, bricht die Verbindung ab. Die perfekten Einstellungen zu finden, ist wie der Versuch, den tiefsten Punkt in einem riesigen, nebligen Ozean voller verborgener Unterwasserhügel und -täler zu finden. Wenn man einfach nur zufällig rät, bleibt man vielleicht in einer flachen Pfütze („lokales Optimum“) stecken, während der echte tiefe Ozean nur wenige Meilen entfernt liegt.

Dieses Papier stellt eine neue Methode namens PWOA (Polynomial-decay and Pinhole-imaging Whale Optimization Algorithm) vor, um dieses Rätsel zu lösen. Sie basiert darauf, wie Buckelwale jagen, aber die Autoren haben drei „Superkräfte“ hinzugefügt, um den Wal intelligenter zu machen und zu verhindern, dass er stecken bleibt.

So funktioniert PWOA, erklärt mit einfachen Analogien:

1. Die Startlinie: „Good Nodes Set“ (Das intelligente Gitter)

Das Problem: Normalerweise, wenn man eine Suche startet, streut man seine „Wale“ (Suchagenten) zufällig aus. Stellen Sie sich vor, Sie werfen blindfolded 30 Dartpfeile auf eine Zielscheibe. Sie könnten am Ende 10 Pfeile in einer Ecke landen haben und in den restlichen Bereichen gar keinen. Dies lässt riesige Gebiete unentdeckt.
Die Lösung: PWOA verwendet ein „Good Nodes Set“. Anstatt die Dartpfeile blind zu werfen, legt es sie zuerst in einem perfekten, gleichmäßig beabstandeten Gitter aus und gibt ihnen dann ein winziges, zufälliges Wackeln.
Die Analogie: Denken Sie an das Pflanzen eines Gartens. Anstatt Samen wahllos zu verstreuen (wo sie sich vielleicht häufen), pflanzen Sie sie in ordentlichen, gleichmäßig beabstandeten Reihen an. Dies stellt sicher, dass von Anfang an jeder Teil des Gartens überprüft wird.

2. Die Suchstrategie: „Polynomial Decay“ (Das Verlangsamen)

Das Problem: Standardmäßige Wal-Algorithmen beginnen mit wilder Exploration, gehen aber zu schnell in die „Abschlussphase“ (Exploitation) über. Es ist wie ein Detektiv, der die erste Hälfte des Tages überall sucht, sich dann aber entscheidet, nur noch unter dem Sofa zu suchen, weil er glaubt, dass der Verdächtige dort ist.
Die Lösung: PWOA ändert die Geschwindigkeit, mit der die Wale aufhören zu explorieren und anfangen zu fokussieren. Es nutzt einen „Polynomial-Zeitplan“.
Die Analogie: Stellen Sie sich ein Auto vor, das auf ein Ziel zufährt. Ein normaler Algorithmus tritt die Hälfte des Weges auf die Bremse. PWOA fährt die ersten 70 % der Reise mit voller Geschwindigkeit (exploriert die ganze Karte) und dann wird es sanft langsamer, um das endgültige Ziel sorgfältig zu untersuchen. Dies stellt sicher, dass sie nicht den besten Ort verpassen, nur weil sie zu früh faul geworden sind.

3. Der Fluchtplan: „Pinhole Imaging“ (Der Spiegeltrick)

Das Problem: Manchmal geraten die Wale selbst mit einem guten Plan in ein „lokales Optimum“ – ein kleines Tal, das wie der tiefste Punkt aussieht, aber nicht der wahre ist. Sie kreisen darum herum und denken, sie seien fertig.
Die Lösung: PWOA besitzt einen „Stagnations-Zähler“. Wenn der beste Wal sich für 15 Schritte nicht verbessert hat, löst der Algorithmus eine Notfallflucht aus. Er nutzt „Pinhole-Imaging Opposition-Based Learning“.
Die Analogie: Stellen Sie sich vor, der beste Wal steht vor einer winzigen Lochkamera (Pinhole Camera). Der Algorithmus nimmt das „Spiegelbild“ der Position des Wals durch dieses Loch auf.

Am Anfang: Der Spiegel ist weit entfernt, was einen riesigen Sprung an einen völlig anderen Teil der Karte erzeugt (ein langer Sprung, um einer Falle zu entkommen).
Später: Der Spiegel ist nah, was einen kleinen, vorsichtigen Sprung erzeugt, um die unmittelbare Umgebung zu prüfen.
Wenn dieser „Spiegel-Wal“ einen besseren Ort findet, ersetzt er den alten Anführer. Es ist wie die Aussage: „Wenn wir uns nicht bewegen, lass uns das Problem aus dem entgegengesetzten Winkel betrachten.“

Die Ergebnisse

Die Autoren haben diesen neuen „Super-Wal“ gegen drei andere Methoden (Standard WOA, SCA und IPSO) im Drohnen-Problem 30 Mal getestet.

Bessere Genauigkeit: PWOA fand häufiger die beste Lösung als alle anderen.
Zuverlässiger: Es wurde nicht nur einmal durch Glück gut, sondern lieferte jedes einzelne Mal gute Ergebnisse (niedrige „Standardabweichung“).
Schneller: Es fand die Lösung schneller als die anderen.

Kurz gesagt, PWOA ist eine intelligentere, diszipliniertere Version des Wal-Algorithmus. Es verteilt sich zu Beginn besser, exploriert länger, bevor es fokussiert, und besitzt einen cleveren Spiegeltrick, um zu entkommen, wenn es stecken bleibt. Dies macht es viel besser darin, genau zu bestimmen, wohin und wie eine Drohne fliegen muss, um die bestmögliche Internetverbindung zu gewährleisten.

Technisches Resümee: Ein Polynomial-Decay- und Pinhole-Imaging Whale Optimization Algorithm für den Einsatz von UAV-Relaiskommunikation

Problemstellung
Die vorliegende Arbeit befasst sich mit der gemeinsamen Optimierung des Einsatzes von unbemannten Luftfahrzeugen (UAV) als Relaisstationen, eine kritische Aufgabe zur Bereitstellung flexibler, bedarfsorientierter drahtloser Abdeckung in Szenarien wie der Katastrophenhilfe und der taktischen Kommunikation. Das Ziel ist die gleichzeitige Bestimmung der 3D-Position des UAV (horizontale Koordinaten $x, y$ und Höhe $h$ ), der Sendeleistung ( $p_{tx}$ ) und der Bandbreite ( $B$ ). Dies stellt ein nicht-konvexes, stark beschränktes Black-Box-Optimierungsproblem dar. Der Einsatz muss fünf spezifische Ungleichheitsbedingungen erfüllen: minimale Shannon-Kapazität, Sichtlinien-Freiheit in Bezug auf die Flughöhe, ein Leistungs-Bandbreiten-Budget sowie horizontale Reichweitenbeschränkungen für zwei Bodenknoten. Das Ziel ist die Minimierung einer Service-Kostenfunktion (die Leistung, Höhe und Bandbreite berücksichtigt) bei gleichzeitiger Maximierung der Kapazität unter Einhaltung der Beschränkungen, was typischerweise über eine quadratische Straffunktion gehandhabt wird.

Methodik: Der PWOA-Algorithmus
Die Autoren schlagen den Polynomial-decay and Pinhole-imaging Whale Optimization Algorithm (PWOA) vor. Anstatt einer losen Akkumulation von Varianten ist PWOA als rollengekoppelter Optimierer konzipiert, bei dem spezifische Operatoren unterschiedliche Ausfallmodi des Standard-Whale-Optimization-Algorithms (WOA) adressieren. Die Methodik integriert drei komplementäre Verbesserungen:

Good Nodes Set (GNS) Initialisierung:
Um die durch zufällige Initialisierung verursachte ungleichmäßige Abdeckung und Klumpenbildung – besonders problematisch in engen zulässigen Regionen – entgegenzuwirken, führen die Autoren eine deterministische GNS-Initialisierung ein. Diese Methode verteilt die Ausgangspopulation gleichmäßig über den Suchraum mit einem geringfügigen Jitter, um die Diversität zu bewahren. Dies gewährleistet im Vergleich zur pseudozufälligen Stichprobenziehung bessere Raumfüllungseigenschaften und bietet somit einen ausgewogeneren Startpunkt für den Schwarm.
Polynomiale nichtlineare Abnahme des Konvergenzfaktors ( $a$ ):
Der Standard-WOA verwendet eine lineare Abnahme für den Konvergenzfaktor $a$ , was oft zu einer verfrühten Ausbeutung (Exploitation) führt. PWOA ersetzt dies durch ein polynomiales nichtlineares Schema ( $a(t)$ ), bei dem der Exponent $\mu > 1$ ist. Dieses Design verlängert die Explorationsphase (indem größere $|A|$ -Werte beibehalten werden) in der ersten Hälfte der Iterationen und verschärft die Exploitationsphase (schnelle Abnahme von $a$ ) in der zweiten Hälfte. Diese adaptive Zeitplanung richtet das Suchverhalten an der Landschaft des Problems aus und verzögert den Übergang zur lokalen Suche, bis eine ausreichende globale Exploration stattgefunden hat.
Stagnations-ausgelöster Pinhole-Imaging Opposition-Based Learning (POBL) mit Elite-Lokalsuche:
Um lokale Optima zu verlassen, ohne die Suche unnötig zu stören, verwendet PWOA einen bedingten Erholungsmechanismus, der nur ausgelöst wird, wenn der globale Bestwert stagniert (einen Schwellenwert von $\sigma_{max} = 15$ überschreitet).

Elite Gaussian Local Search: In jeder Iteration wird eine Lokalsuche um den aktuellen Leader ( $X^*$ ) unter Verwendung eines schrumpfenden Gaußschen Schritts durchgeführt.
Pinhole-Imaging POBL: Bei Stagnation wird eine Pinhole-Imaging-Transformation auf den Leader angewendet. Das Zentrum des Suchraums fungiert als „Pinhole“ (Blende), welches den Leader reflektiert, um eine Kandidatenlösung zu erzeugen. Der Vergrößerungsfaktor $k(t)$ ist adaptiv: Er ist in frühen Iterationen klein, um aggressive Langstreckensprünge zur Flucht aus lokalen Minima zu ermöglichen, und groß in späteren Iterationen, um Kandidaten näher an das Zentrum des Suchraums abzubilden und so eine kontrollierte Diversifizierung zu erreichen. Der resultierende Kandidat wird in das schlechteste Individuum der Population injiziert, um die Stagnation zu durchbrechen.

Zentrale Beiträge
Die Arbeit skizziert drei primäre Beiträge:

Problemformulierung: Ein rigoroses fünfdimensionales Modell für den Einsatz von UAV-Relais unter Berücksichtigung von fünf Ungleichheitsbeschränkungen und einer quadratischen Straffunktion.
Algorithmusdesign: Die Entwicklung von PWOA, das durch die Kombination von GNS-Initialisierung, polynomialer nichtlinearer Abnahme und einem stagnations-ausgelösten POBL-Operator mit Elite-Gaussian-Lokalsuche eine einzigartige Rollenkopplung erreicht.
Empirische Validierung: Eine umfassende Evaluierung gegenüber drei Baselines (Standard-WOA, Sine Cosine Algorithm (SCA) und ein verbesserter Particle Swarm Optimization (IPSO)) über 30 unabhängige Durchläufe.

Experimentelle Ergebnisse
Die Experimente wurden mit einer Populationsgröße ( $N$ ) von 30 und maximal 500 Iterationen durchgeführt. Die Ergebnisse zeigen, dass PWOA alle Baselines über alle Metriken hinweg übertrifft:

Genauigkeit und Zuverlässigkeit: PWOA erreichte gleichzeitig die niedrigsten Werte für Best, Worst, Mean und Standardabweichung (Std).
Leistungsgewinne: Im Vergleich zu den Baselines reduzierte PWOA den mittleren Fitnesswert (Mean) um 1,4 % (gegenüber SCA), 2,9 % (gegenüber WOA) und 18,5 % (gegenüber IPSO). Es reduzierte die Standardabweichung um 15–87 %, was auf eine signifikant höhere Stabilität und Zuverlässigkeit hindeutet.
Konvergenzgeschwindigkeit: PWOA zeigte die schnellste durchschnittliche Konvergenz, fiel bereits innerhalb der ersten 30 Iterationen unter die WOA-Kurve und behielt für den Rest des Durchlaufs die niedrigste Fitness bei. Im Gegensatz dazu zeigte SCA eine anfängliche Stagnation, und IPSO war aufgrund seiner Operatoren, die den Schwarm frühzeitig zu weit aus der zulässigen Region drängten, am langsamsten.

Bedeutung und Behauptungen
Das Paper behauptet, dass PWOA einen bedeutenden Fortschritt für die Schwarmintelligenz beim UAV-Einsatz darstellt, indem es die spezifischen Einschränkungen von Standard-Metaheuristiken in beschränkten, nicht-konvexen Umgebungen adressiert. Die Autoren betonen, dass der Erfolg des Algorithmus auf seiner „Coverage–Transition–Recovery“-Kette beruht: GNS gewährleistet die anfängliche Abdeckung, der polynomiale Decay steuert den Übergang zwischen Exploration und Exploitation, und der stagnations-ausgelöste POBL bietet einen gezielten Erholungsmechanismus für feststeckende Leader.

Die Bedeutung der Arbeit liegt in ihrer Anwendbarkeit auf „One-Shot- oder Limited-Data“-Relais-Einsatzszenarien, in denen die Zielfunktion direkt auswertbar, aber schwer zu konvexifizieren oder zu differenzieren ist, wodurch modellgestützte oder lernbasierte Ansätze weniger geeignet sind. Das Paper schließt mit dem Hinweis, dass zukünftige Arbeiten diesen Ansatz auf den kooperativen Einsatz mehrerer UAVs und Closed-Loop-Szenarien mit Online-Kanalschätzung ausweiten werden.

1. Die Startlinie: „Good Nodes Set“ (Das intelligente Gitter)

2. Die Suchstrategie: „Polynomial Decay“ (Das Verlangsamen)

3. Der Fluchtplan: „Pinhole Imaging“ (Der Spiegeltrick)

Die Ergebnisse

Mehr davon