Genetic Algorithms and Reinforcement Learning Approaches for Joint Placement, Power Control, and Activation of Flying Base Stations
本文评估了用于飞行基站三维部署、功率控制及激活的遗传算法与基于近端策略优化（PPO）的强化学习方法，结果表明，虽然遗传算法在干扰受限场景下实现了更高的用户连通性，但强化学习方法在功率效率和干扰降低方面表现更为优越。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个电波拥挤的城市，地面上的基站正难以应对日益增长的需求。有时，由于节庆活动导致的人流激增、破坏基础设施的自然灾害，或者仅仅是信号覆盖较差的偏远山谷，都会造成网络空白。为了填补这些空白，工程师们正将目光投向天空。他们提议使用配备了移动通信设备的无人机（即无人驾驶飞行器）作为“飞行基站”。这些飞行站可以悬停在人群上方或地形复杂的区域，向地面的人们发射信号。由于它们处于高空，通常与下方的用户拥有清晰、无遮挡的视距，这与受限于地面的基站相比是一个显著的优势。然而，仅仅将无人机投入天空是不够的。无人机必须被放置在完全正确的位置，处于完全正确的高度，并且必须以所需的精确功率水平进行广播。如果飞得太高，信号会变弱；如果飞得太低，会被建筑物阻挡。如果广播音量太大，会干扰其他信号；如果太小，则无人能连接。此外，无人机的电池容量有限，无法永远停留。挑战在于如何找到完美的组合：在哪里放置无人机、飞多高、广播多大声，以及是否开启它，同时还要确保不会干扰现有的网络。
在最近的一项研究中，开罗美国大学的研究人员通过测试两种不同的解决方式，着手处理了这个复杂的难题。他们构建了一个大规模且真实的无线网络计算机模拟系统，其中包含了传统的地面基站和若干架飞行中的无人机。该模拟系统非常先进，能够模拟无线电波在城市中实际传播的过程——包括在建筑物间反射以及随距离增加而衰减，而非仅仅使用简单的、理想化的数学模型。其目标是在尽可能让更多人连接到网络的同时，将无人机消耗的总能量降至最低。为了寻找最佳解决方案，团队让两种截然不同的方法展开了对决。第一种方法是“遗传算法”，这是一种受生物进化启发的方法。它的工作原理是创建一个庞大的可能解群体，对其进行测试，然后通过许多代的混合与变异，观察它们是否变得更好。第二种方法是“强化学习”，这是一种人工智能类型，其中的计算机代理通过试错来学习，通过获得正面奖励和惩罚来学习，从而逐渐建立起在任何给定情况下采取行动的策略。
研究人员通过各种场景运行了这两种方法，包括改变城市规模、地面基站数量以及可用无人机的数量。他们还测试了两个不同的目标：一个只关注尽可能连接更多的人，另一个则试图在连接性和节能之间取得平衡。结果揭示了这两种方法行为之间清晰且令人惊讶的区别。遗传算法被证明是更具侵略性的探索者。它始终能找到连接更多人的方法，尤其是在信号相互干扰的拥挤或复杂环境中。它通过主动移动无人机到新位置、调整高度，以及有时同时开启多架无人机以覆盖更广的区域来实现这一点。在涉及两个地面基站和两架无人机的最严苛测试案例中，这种方法连接的用户比基于学习的方法多了近 24%。它愿意投入更多功率来实现这一目标，将网络视为一个可以根据用户需求进行重塑的动态系统。
相比之下，强化学习代理采取了一条更为谨慎的路径。它学会了变得保守，通常选择依赖现有的地面基站，而不是冒险去管理复杂的多个无人机。当研究人员对过度使用功率设置惩罚时，学习型代理会对整个方案做出反应，甚至直接关闭了一架无人机，让地面基站承担主要工作。虽然这节省了能量并减少了干扰，但也意味着更少的人能够实现连接。学习型代理似乎比起遗传算法那种高风险、高回报的策略，更倾向于选择稳定、可预测的方案。即使有两架无人机可用，它也极少开启两架，并且倾向于将无人机保持在安全但未必是最优的覆盖位置。
这项研究并未声称其中一种方法在所有情况下都具有绝对优势，而是指出选择取决于网络运营商最看重什么。如果首要任务是确保人群中的每一个人都能获得信号，那么采用进化式、试错式的遗传算法是更好的工具。它擅长寻找复杂的、非显而易见的无人机排列方式，以实现覆盖最大化。然而，如果首要任务是节省电池寿命并保持系统的简单与稳定，那么基于学习的方法则更为有效，即便这意味着某些用户可能会失去连接。研究人员指出，他们的发现是基于模拟实验的，模拟是测试想法、在构建真实硬件前进行验证的强大工具，但他们也承认，现实世界中移动的人群和不可预测的天气可能会改变结果。最终，这项工作为工程师们提供了一个清晰的指南：你无法用单一的策略同时实现最大连接量和最低能耗。你必须决定你是想要一个大胆、具有适应性的探索者网络，还是一个谨慎、高效的守护者网络，然后选择与之性格相匹配的算法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。