Joint Optimization of Multi-UAV Deployment and 3D Positioning in Traffic-Aware Aerial Networks

Resumo Técnico: Otimização Conjunta de Implantação de Multi-UAV e Posicionamento 3D em Redes Aéreas Sensíveis ao Tráfego

Definição do Problema
O artigo aborda o desafio crítico de implantar múltiplos Veículos Aéreos Não Tripulados (UAVs) em redes aéreas dinâmicas e sensíveis ao tráfego. Embora os UAVs ofereçam implantação sob demanda e conectividade de Linha de Visada (LoS) confiável, posicioná-los de forma eficaz em tempo real para atender às demandas de tráfego não uniformes e variáveis no tempo continua sendo difícil. Os métodos existentes frequentemente dependem de distribuições estáticas de usuários, números fixos de UAVs ou estágios de otimização separados que falham em minimizar conjuntamente o número de UAVs implantados e maximizar o rendimento (throughput) da rede. O problema central é formulado como um problema de Programação Não Linear de Inteiros Mistos (MINLP): determinar simultaneamente o número mínimo de UAVs ativos, suas coordenadas 3D ideais e a associação de Equipamentos de Usuário (UEs) terrestres a esses UAVs, sujeitos a requisitos de taxa de dados, restrições de largura de banda e modelos de probabilidade de LoS. Os autores observam que este problema é NP-difícil, tornando as soluções ótimas computacionalmente intratáveis para cenários de grande escala.

Metodologia: O Algoritmo EMTAD
Para resolver este problema de otimização, os autores propõem o algoritmo Efficient Multi-UAV Traffic-Aware Deployment (EMTAD). Este framework opera em dois estágios primários:

1. Agrupamento Espacial via Interseção de Cobertura:

   • O algoritmo primeiro calcula uma distância máxima permitida ($d^{MAX}_{ik}$) entre um UE e um UAV. Esta distância é derivada da demanda de tráfego específica do usuário, da largura de banda alocada e do modelo de canal probabilístico LoS/NLoS (baseado no modelo de Al-Hourani para ambientes urbanos).
   • Com base nesta distância, uma "esfera de cobertura" é definida ao redor de cada UE.
   • O algoritmo calcula as interseções espaciais dessas esferas para identificar regiões 3D candidatas ($s_p$) onde um único UAV pode servir simultaneamente múltiplos UEs enquanto satisfaz suas restrições individuais de tráfego.
   • Em seguida, identifica o menor subconjunto dessas zonas de interseção necessário para cobrir todos os UEs, agrupando efetivamente os usuários com base na proximidade e compatibilidade de tráfego para minimizar o número total de UAVs necessários.

2. Otimização de Posicionamento 3D via Otimização por Enxame de Partículas (PSO):

   • Uma vez estabelecidas as zonas de interseção candidatas, um metaheurístico baseado em PSO é empregado para determinar as coordenadas 3D precisas ($P_k$) para cada UAV dentro de sua zona atribuída.
   • A função de aptidão (fitness) do PSO visa maximizar o número de UEs atendidos por UAV (respeitando os limites de largura de banda), garantindo ao mesmo tempo que a taxa de dados alcançável atenda à demanda do usuário e priorizando posições com alta probabilidade de LoS.
   • O algoritmo reduz iterativamente o número de UAVs ($K_{max}$) para encontrar a configuração de implantação mais eficiente.

Principais Contribuições
O artigo descreve três principais contribuições:

1. Posicionamento em Tempo Real Sensível ao Tráfego: Uma estratégia que ajusta dinamicamente o posicionamento dos UAVs com base nas localizações dos usuários em tempo real e na distribuição espacial do tráfego, em vez de padrões estáticos.
2. Framework de Otimização Integrado: Uma abordagem unificada que minimiza conjuntamente o número de UAVs implantados, determina as associações ideais UE-UAV e considera restrições práticas, como capacidade de largura de banda e propagação de LoS.
3. Algoritmo Escalável: Uma solução heurística projetada para ambientes de rede heterogêneos e dinâmicos que equilibra a eficiência de recursos com o desempenho geral da rede.

Avaliação de Desempenho e Resultados
Os autores avaliaram o EMTAD usando scripts Python e o simulador de rede ns-3, comparando-o com duas linhas de base de última geração: uma abordagem de altitude fixa e uma abordagem de número fixo de UEs por UAV. A avaliação cobriu três cenários:

• Cenário A (Tráfego Variável): Com um número fixo de UEs (20) e tamanho do local (100m x 100m), o EMTAD demonstrou desempenho superior em throughput agregado em comparação com as linhas de base, particularmente quando demandas de tráfego mais altas exigiam mais UAVs.
• Cenário B (Tamanho do Local Variável): Em locais maiores (até 500m x 500m), o EMTAD alcançou throughput comparável ou melhor com menos UAVs. Por exemplo, em uma área de 500m x 500m, o EMTAD implantou três UAVs para atender às demandas, enquanto a abordagem de referência com dois UAVs falhou em satisfazer os requisitos.
• Cenário C (Contagem de UE Variável): À medida que o número de UEs aumentava (até 60), o EMTAD conseguiu cobrir todos os usuários e atender às demandas de tráfego usando no máximo dois UAVs. Em contraste, a abordagem de referência exigiu até seis UAVs para o mesmo cenário sem oferecer melhorias significativas de throughput.

Significância e Alegações
O artigo afirma que o EMTAD melhora significamente o desempenho da rede enquanto reduz o overhead de implantação. Ao minimizar o número de UAVs necessários em ambientes dinâmicos, o framework garante a utilização eficiente de recursos e a redução dos custos operacionais. Os autores enfatizam que sua abordagem melhora a cobertura de LoS, equilibra a carga da rede e melhora a eficiência espectral em comparação com estratégias estáticas convencionais. O trabalho baseia-se em pesquisas anteriores sobre posicionamento de UAV único, mas estende-o para abordar as complexidades da otimização de múltiplos UAVs e associação dinâmica de usuários. O trabalho futuro é identificado como a extensão do framework para suportar a mobilidade de UAVs, operações conscientes de energia e integração com inteligência de borda nativa de 6G.