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

Sintesi Tecnica: Un Algoritmo di Ottimizzazione delle Balene con Decadimento Polinomiale e Imaging a Pinhole per il Dispiegamento di Relay UAV

Definizione del Problema
Il documento affronta l'ottimizzazione congiunta del dispiegamento di relay tramite Veicoli Aerei non Pilotati (UAV), un compito critico per fornire copertura wireless flessibile e su richiesta in scenari come il recupero in caso di disastri e le comunicazioni tattiche. L'obiettivo è determinare simultaneamente la posizione 3D dell'UAV (coordinate orizzontali $x, y$ e altitudine $h$), la potenza di trasmissione ($p_{tx}$) e la larghezza di banda ($B$). Ciò costituisce un problema di ottimizzazione black-box, non convesso e pesantemente vincolato. Il dispiegamento deve soddisfare cinque specifici vincoli di disuguaglianza: capacità minima di Shannon, spazio libero della linea di vista rispetto all'altitudine, un budget di potenza-larghezza di banda e limiti di portata orizzontale per due nodi terrestri. L'obiettivo è minimizzare una funzione di costo del servizio (che tiene conto di potenza, altitudine e larghezza di banda) massimizzando al contempo la capacità e rispettando i vincoli, solitamente gestiti tramite una funzione di penalità quadratica.

Metodologia: L'Algoritmo PWOA
Gli autori propongono l'Algoritmo di Ottimizzazione delle Balene con Decadimento Polinomiale e Imaging a Pinhole (PWOA). Piuttosto che un'accumulazione sciolta di varianti, il PWOA è progettato come un ottimizzatore a ruoli accoppiati in cui operatori specifici affrontano distinti modi di fallimento dell'algoritmo standard di Ottimizzazione delle Balene (WOA). La metodologia integra tre miglioramenti complementari:

1. Inizializzazione GNS (Good Nodes Set):
   Per contrastare la copertura non uniforme e l'addensamento causati dall'inizializzazione casuale — particolarmente problematici nelle regioni ammissibili strette — gli autori introducono un'inizializzazione deterministica GNS. Questo metodo distribuisce la popolazione iniziale uniformemente nello spazio di ricerca con un piccolo jitter per preservare la diversità. Ciò garantisce migliori proprietà di riempimento dello spazio rispetto al campionamento pseudo-casuale, fornendo un punto di partenza più bilanciato per lo sciame.

2. Decadimento Non Lineare Polinomiale del Fattore di Convergenza ($a$):
   Lo standard WOA utilizza un decadimento lineare per il fattore di convergenza $a$, che spesso forza una prematura esplorazione (exploitation). Il PWOA sostituisce questo approccio con un programma di decadimento non lineare polinomiale ($a(t)$) dove l'esponente $\mu > 1$. Questo design prolunga la fase di esplorazione (retaining larger $|A|$ values) durante la prima metà delle iterazioni e affila la fase di sfruttamento (diminuendo rapidamente $a$) nella seconda metà. Questa programmazione adattiva allinea il comportamento di ricerca con il panorama del problema, ritardando la transizione alla ricerca locale finché non è avvenuta una sufficiente esplorazione globale.

3. POBL (Pinhole-Imaging Opposition-Based Learning) con Ricerca Locale Elite innescata da Stagnazione:
   Per sfuggire agli ottimi locali senza interrompere inutilmente la ricerca, il PWOA impiega un meccanismo di recupero condizionale attivato solo quando il punteggio del miglior globale stagna (superando una soglia $\sigma_{max} = 15$).

   • Ricerca Locale Gaussiana Elite: Ad ogni iterazione, viene eseguita una ricerca locale attorno al leader corrente ($X^*$) utilizzando un passo Gaussiano decrescente.
   • Pinhole-Imaging POBL: In caso di stagnazione, viene applicata una trasformazione di imaging a pinhole al leader. Il centro dello spazio di ricerca agisce come un "pinhole", riflettendo il leader per generare una soluzione candidata. Il fattore di ingrandimento $k(t)$ è adattivo: è piccolo nelle prime iterazioni per consentire salti aggressivi a lungo raggio per sfuggire ai minimi locali, ed è grande nelle iterazioni successive per mappare i candidati più vicino al centro dello spazio di ricerca per una diversificazione controllata. Il candidato risultante viene iniettato nel peggior individuo della popolazione per rompere la stagnazione.

Contributi Chiave
Il documento delinea tre contributi primari:

1. Formulazione del Probleio: Un rigoroso modello di dispiegamento di relay UAV a cinque dimensioni che incorpora cinque vincoli di disuguaglianza e una funzione di penalità quadratica.
2. Design dell'Algoritmo: Lo sviluppo di PWOA, che combina unicamente l'inizializzazione GNS, il decadimento non lineare polinomiale e un operatore POBL innescato dalla stagnazione con ricerca locale Gaussiana elite.
3. Validazione Empirica: Una valutazione completa rispetto a tre baseline (WOA standard, Sine Cosine Algorithm (SCA) e un Improved Particle Swarm Optimization (IPSO)) su 30 esecuzioni indipendenti.

Risultati Sperimentali
Gli esperimenti sono stati condotti con una dimensione della popolazione ($N$) di 30 e un massimo di 500 iterazioni. I risultati dimostrano che il PWOA supera tutte le baseline in tutte le metriche:

• Accuratezza e Affidabilità: Il PWOA ha ottenuto contemporaneamente i valori più bassi di Best, Worst, Mean e Deviazione Standard (Std).
• Guadagni di Performance: Rispetto alle baseline, il PWOA ha ridotto la Fitness Media del 1,4% (vs SCA), del 2,9% (vs WOA) e del 18,5% (vs IPSO). Ha ridotto la Deviazione Standard del 15–87%, indicando una stabilità e affidabilità significativamente superiori.
• Velocità di Convergenza: Il PWOA ha mostrato la convergenza media più rapida, scendendo sotto la curva del WOA entro le prime 30 iterazioni e mantenendo la fitness più bassa per il resto della corsa. Al contrario, l'SCA ha mostrato una stagnazione iniziale e l'IPSO è stato il più lento a causa dei suoi operatori che spingevano lo sciame troppo lontano dalla regione ammissibile nelle fasi iniziali.

Significatività e Rivendicazioni
Il documento sostiene che il PWOA rappresenti un avanzamento significativo nell'intelligenza collettiva (swarm intelligence) per il dispiegamento di UAV, affrontando le limitazioni specifiche degli standard meta-euristici in ambienti vincolati e non convessi. Gli autori sottolineano che il successo dell'algoritmo deriva dalla sua catena "copertura–transizione–recupero": il GNS garantisce la copertura iniziale, il decadimento polinomiale gestisce la transizione esplorazione-sfruttamento e il POBL innescato dalla stagnazione fornisce un meccanismo di recupero mirato per i leader intrappolati.

La significatività del lavoro risiede nella sua applicabilità a scenari di dispiegamento di relay "one-shot o con dati limitati" dove la funzione obiettivo è direttamente valutabile ma difficile da convessificare o differenziare, rendendo meno adatti gli approcci basati su modelli o sull'apprendimento. Il documento conclude che il PWOA è un ottimizzatore a ruoli accoppiati robusto che bilancia efficacemente la ricerca globale e il raffinamento locale, offrendo un'alternativa superiore alle esistenti varianti di WOA e ad altri algoritmi di sciame per compiti complessi di dispiegamento UAV. Il lavoro futuro è indicato nell'estensione di questo approccio al dispiegamento cooperativo multi-UAV e a scenari a ciclo chiuso con stima del canale online.