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

Technische Samenvatting: Een met polynoomverval en pinhole-imaging verfijnd Whale Optimization Algoritme voor de inzet van UAV-relays

Probleemstelling
Het artikel behandelt de gezamenlijke optimalisatie van de inzet van Unmanned Aerial Vehicle (UAV) relays, een cruciale taak voor het bieden van flexibele, on-demand draadloze dekking in scenario's zoals rampenbestrijding en tactische communicatie. Het doel is om simultaan de 3D-positie van de UAV (horizontale coördinaten $x, y$ en hoogte $h$), het zendvermogen ($p_{tx}$) en de bandbreedte ($B$) te bepalen. Dit vormt een niet-convexe, sterk geconstraineerde black-box optimalisatieprobleem. De inzet moet voldoen aan vijf specifieke ongelijkheidsrestricties: minimale Shannon-capaciteit, line-of-sight vrijheid met betrekking tot de hoogte, een vermogens-bandbreedtebudget, en horizontale bereiklimieten voor twee grondnodes. Het doel is om een servicekostenfunctie te minimaliseren (rekening houdend met vermogen, hoogte en bandbreedte) terwijl de capaciteit wordt gemaximaliseerd en aan restricties wordt voldaan, wat doorgaans wordt afgehandeld via een kwadratische straffunctie.

Methodologie: Het PWOA-algoritme
De auteurs stellen het Polynomial-decay and Pinhole-imaging Whale Optimization Algorithm (PWOA) voor. In plaats van een losse opeenhoping van varianten, is PWOA ontworpen als een rolgekoppelde optimizer waarbij specifieke operatoren verschillende faalmodi van het standaard Whale Optimization Algorithm (WOA) aanpakken. De methodologie integreert drie complementaire verbeteringen:

1. Good Nodes Set (GNS) Initialisatie:
   Om de ongelijke dekking en clustering tegen te gaan die worden veroorzaakt door willekeurige initialisatie — wat bijzonder problematisch is in nauwe haalbare regio's — introduceren de auteurs een deterministische GNS-initialisatie. Deze methode verspreidt de initiële populatie uniform over de zoekruimte met een kleine jitter om diversiteit te behouden. Dit zorgt voor betere ruimtevullende eigenschappen vergeleken met pseudo-willekeurige bemonstering, wat een meer gebalanceerd startpunt biedt voor de zwerm.

2. Polynoom Niet-lineair Verval van de Convergentiefactor ($a$):
   Het standaard WOA gebruikt een lineair verval voor de convergentiefactor $a$, wat vaak voortijdige exploitatie afdwingt. PWOA vervangt dit door een polynoom niet-lineair schema ($a(t)$) waarbij de exponent $\mu > 1$ is. Dit ontwerp verlengt de exploratiefase (het behouden van grotere $|A|$-waarden) tijdens de eerste helft van de iteraties en verscherpt de exploitatiefase (snelle afname van $a$) in de tweede helft. Deze adaptieve planning stemt het zoekgedrag af op het landschap van het probleem, waardoor de overgang naar lokale zoekopdrachten wordt uitgesteld totdat voldoende globale exploratie heeft plaatsgevonden.

3. Stagnatie-getriggerde Pinhole-Imaging Opposition-Based Learning (POBL) met Elite Lokale Zoekopdracht:
   Om lokale optima te ontsnappen zonder de zoektocht onnodig te verstoren, gebruikt PWOA een conditioneel herstelmechanisme dat alleen wordt geactiveerd wanneer de globale beste score stagneert (een drempelwaarde $\sigma_{max} = 15$ overschrijdt).

   • Elite Gaussian Lokale Zoekopdracht: Bij elke iteratie wordt een lokale zoekopdracht uitgevoerd rond de huidige leider ($X^*$) met een krimpende Gaussische stap.
   • Pinhole-Imaging POBL: Bij stagnatie wordt een pinhole-imaging transformatie toegepast op de leider. Het centrum van de zoekruimte fungeert als een "pinhole", die de leider reflecteert om een kandidaat-oplossing te genereren. De vergrotingsfactor $k(t)$ is adaptief: deze is klein in de vroege iteraties om agressieve lange-afstandssprongen toe te staan voor het ontsnappen aan lokale minima, en groot in latere iteraties om kandidaten dichter bij het zwaartepunt van de zoekruimte te mappen voor gecontroleerde diversificatie. De resulterende kandidaat wordt geïnjecteerd in het slechtste individu in de populatie om stagnatie te doorbreken.

Belangrijkste Bijdragen
Het artikel schetst drie primaire bijdragen:

1. Probleemformulering: Een rigoureuze vijfdimensionale geconstraineerde UAV-relay inzetmodellen die vijf ongelijkheidsrestricties en een kwadratische straffunctie incorporeert.
2. Algoritmeontwerp: De ontwikkeling van PWOA, die uniek de GNS-initialisatie, polynoom niet-lineair verval en een stagnatie-getriggerde POBL-operator met elite Gaussian lokale zoekopdracht combineert.
3. Empirische Validatie: Een uitgebreide evaluatie tegen drie baselines (standaard WOA, Sine Cosine Algorithm (SCA), en een Improved Particle Swarm Optimization (IPSO)) over 30 onafhankelijke runs.

Experimentele Resultaten
De experimenten werden uitgevoerd met een populatiegrootte ($N$) van 30 en een maximum van 500 iteraties. De resultaten tonen aan dat PWOA alle baselines overtreft op alle metrieken:

• Nauwkeurigheid en Betrouwbaarheid: PWOA behaalde gelijktijdig de laagste Best, Worst, Mean en Standaarddeviatie (Std) waarden.
• Prestatiewinst: Vergeleken met de baselines verminderde PWOA de Mean fitness met 1,4% (vs. SCA), 2,9% (vs. WOA) en 18,5% (vs. IPSO). Het verminderde de Standaarddeviatie met 15–87%, wat wijst op aanzienlijk hogere stabiliteit en betrouwbaarheid.
• Convergentiesnelheid: PWOA vertoonde de snelste gemiddelde convergentie, waarbij het binnen de eerste 30 iteraties onder de WOA-curve zakte en de rest van de run de laagste fitness behield. In contrast vertoonde SCA een initiële stagnatie, en was IPSO de traagste vanwege operatoren die de zwerm in een vroeg stadium te ver van de haalbare regio duwden.

Betekenis en Claims
Het artikel claimt dat PWOA een significante vooruitgang vormt in swarm intelligence voor UAV-inzet door de specifieke beperkingen van standaard meta-heuristieken in geconstraineerde, niet-convexe omgevingen aan te pakken. De auteurs benadrukken dat het succes van het algoritme voortkomt uit zijn "coverage–transition–recovery" keten: GNS zorgt voor initiële dekking, polynoom verval beheert de exploratie-exploitatie transitie, en de stagnatie-getriggerde POBL biedt een gerichte herstelmechanisme voor vastgelopen leiders.

De betekenis van het werk ligt in de toepasbaarheid op "one-shot of limited-data" relay inzetscenario's waar de objectieve functie direct evalueerbaar is maar moeilijk te convexificeren of te differentiëren is, waardoor modelgestuurde of leergestuurde benaderingen minder geschikt zijn. Het artikel concludeert dat PWOA een robuuste, rolgekoppelde optimizer is die effectief de balans vindt tussen globale zoekopdracht en lokale verfijning, en een superieur alternatief biedt voor bestaande WOA-varianten en andere swarm algoritmen voor complexe UAV-inzettaken. Toekomstig werk wordt genoteerd om deze aanpak uit te breiden naar multi-UAV coöperatieve inzet en closed-loop scenario's met online kanaalschatting.