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

Resumen Técnico: Un Algoritmo de Optimización de Ballenas con Decaimiento Polinómico e Imagen de Pinhole para el Despliegue de Comunicaciones de Relevo de UAV

Planteamiento del Problema
El artículo aborda la optimización conjunta del despliegue de relevos de Vehículos Aéreos No Tripulados (UAV), una tarea crítica para proporcionar cobertura inalámbrica flexible y bajo demanda en escenarios como la recuperación de desastres y las comunicaciones tácticas. El objetivo es determinar simultáneamente la posición 3D del UAV (coordenadas horizontales $x, y$ y altitud $h$), la potencia de transmisión ($p_{tx}$) y el ancho de banda ($B$). Esto constituye un problema de optimización de caja negra, no convexo y fuertemente restringido. El despliegue debe satisfacer cinco restricciones de desigualdad específicas: capacidad mínima de Shannon, despeje de línea de vista relativo a la altitud, un presupuesto de potencia-ancho de banda y límites de rango horizontal para dos nodos terrestres. El objetivo es minimizar una función de costo de servicio (que contabiliza la potencia, la altitud y el ancho de banda) mientras se maximiza la capacidad y se cumplen las restricciones, lo cual se maneja típicamente mediante una función de penalización cuadrática.

Metodología: El Algoritmo PWOA
Los autores proponen el Algoritmo de Optimización de Ballenas con Decaimiento Polinómico e Imagen de Pinhole (PWOA). En lugar de ser una acumulación laxa de variantes, el PWOA está diseñado como un optimizador de acoplamiento de roles donde operadores específicos abordan distintos modos de fallo del Algoritmo de Optimización de Ballenas estándar. La metodología integra tres mejoras complementarias:

1. Inicialización de Conjunto de Buenos Nodos (GNS):
   Para contrarrestar la cobertura desigual y el agrupamiento causados por la inicialización aleatoria —particularmente problemáticos en regiones factibles estrechas—, los autores introducen una inicialización GNS determinista. Este método distribuye la población inicial de manera uniforme en el espacio de búsqueda con un pequeño jitter para preservar la diversidad. Esto asegura mejores propiedades de llenado de espacio en comparación con el muestreo pseudoaleatorio, proporcionando un punto de partida más equilibrado para el enjambre.

2. Decaimiento No Lineal Polinómico del Factor de Convergencia ($a$):
   El WOA estándar utiliza un decaimiento lineal para el factor de convergencia $a$, lo que a menudo fuerza una explotación prematura. El PWOA reemplaza esto con un esquema de decaimiento no lineal polinómico ($a(t)$) donde el exponente $\mu > 1$. Este diseño prolonga la fase de exploración (manteniendo valores de $|A|$ más grandes) durante la primera mitad de las iteraciones y agudiza la fase de explotación (disminuyendo rápidamente $a$) en la segunda mitad. Esta programación adaptativa alinea el comportamiento de búsqueda con el paisaje del problema, retrasando la transición hacia la búsqueda local hasta que se haya realizado una exploración global suficiente.

3. Aprendizaje de Oposición Basado en Imagen de Pinhole (POBL) Activado por Estancamiento con Búsqueda Local de Élite:
   Para escapar de los óptimos locales sin interrumpir la búsqueda innecesariamente, el PWOA emplea un mecanismo de recuperación condicional activado solo cuando la mejor puntuación global se estanca (superando un umbral $\sigma_{max} = 15$).

   • Búsqueda Local Gaussiana de Élite: En cada iteración, se realiza una búsqueda local alrededor del líder actual ($X^*$) utilizando un paso Gaussiano decreciente.
   • POBL de Imagen de Pinhole: Tras el estancamiento, se aplica una transformación de imagen de pinhole al líder. El centro del espacio de búsqueda actúa como un "pinhole", reflejando al líder para generar una solución candidata. El factor de magnificación $k(t)$ es adaptativo: es pequeño en las iteraciones tempranas para permitir saltos de largo alcance agresivos para escapar de los mínimos locales, y grande en las iteraciones tardías para mapear los candidatos más cerca del centroide del espacio de búsqueda para una diversificación controlada. El candidato resultante se inyecta en el individuo más débil de la población para romper el estancamiento.

Contribuciones Clave
El artículo describe tres contribuciones primarias:

1. Formulación del Problema: Un modelo riguroso de despliegue de relevo de UAV de cinco dimensiones que incorpora cinco restricciones de desigualdad y una función de penalización cuadrática.
2. Diseño del Algoritmo: El desarrollo de PWOA, que combina de manera única la inicialización GNS, el decaimiento no lineal polinómico y un operador POBL activado por estancamiento con búsqueda local Gaussiana de élite.
3. Validación Empírica: Una evaluación exhaustiva frente a tres líneas base (WOA estándar, Algoritmo de Seno y Coseno (SCA) e IPSO Mejorado) a través de 30 ejecuciones independientes.

Resultos Experimentales
Los experimentos se realizaron con un tamaño de población ($N$) de 30 y un máximo de 500 iteraciones. Los resultados demuestran que el PWOA supera a todas las líneas base en todas las métricas:

• Precisión y Fiabilidad: El PWOA logró los valores más bajos de Mejor, Peor, Media y Desviación Estándar (Std) simultáneamente.
• Ganancias de Rendimiento: En comparación con las líneas base, el PWOA redujo la Media de la aptitud (fitness) en un 1.4% (vs. SCA), 2.9% (vs. WOA) y 18.5% (vs. IPSO). Redujo la Desviación Estándar entre un 15% y un 87%, indicando una estabilidad y fiabilidad significativamente mayores.
• Velocidad de Convergencia: El PWOA exhibió la convergencia promedio más rápida, cayendo por debajo de la curva de WOA dentro de las primeras 30 iteraciones y manteniendo la aptitud más baja durante el resto de la ejecución. En contraste, el SCA mostró un estancamiento inicial, y el IPSO fue el más lento debido a que sus operadores empujaban el enjambre demasiado lejos de la región factible al principio.

Significancia y Pretensiones
El artículo afirma que el PWOA representa un avance significativo en la inteligencia de enjambres para el despliegue de UAV al abordar las limitaciones específicas de las metaheurísticas estándar en entornos no convexos y restringidos. Los autores enfatizan que el éxito del algoritmo proviene de su cadena de "cobertura–transición–recuperación": el GNS asegura la cobertura inicial, el decaimiento polinómico gestiona la transición exploración-explotación, y el POBL activado por estancamiento proporciona un mecanismo de recuperación dirigido para los líderes atrapados.

La significancia del trabajo radica en su aplicabilidad a escenarios de despliegue de relevo de "un solo paso o datos limitados" donde la función objetivo es directamente evaluable pero difícil de convexificar o diferenciar, lo que hace que los enfoques basados en modelos o aprendizaje sean menos adecuados. El artículo concluye que el PWOA es un optimizador de acoplamiento de roles robusto que equilibra eficazmente la búsqueda global y el refinamiento local, ofreciendo una alternativa superior a las variantes existentes de WOA y otros algoritmos de enjambre para tareas complejas de despliegue de UAV. Se señala como trabajo futuro la extensión de este enfoque al despliegue cooperativo de múltiples UAV y a escenarios de bucle cerrado con estimación de canal en línea.