Оптимизация распределения пользователей, мощности и расположения воздушной базовой станции на основе методов глубокого обучения с подкреплением
- Авторы: Чан Т.З1, Кучерявый А.Е.1
-
Учреждения:
- Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича
- Выпуск: Том 11, № 2 (2025)
- Страницы: 32-40
- Раздел: ЭЛЕКТРОНИКА, ФОТОНИКА, ПРИБОРОСТРОЕНИЕ И СВЯЗЬ
- URL: https://journals.rcsi.science/1813-324X/article/view/293565
- DOI: https://doi.org/10.31854/1813-324X-2025-11-2-32-40
- EDN: https://elibrary.ru/CTTRGR
- ID: 293565
Цитировать
Полный текст
Аннотация
Актуальность. С развитием информационных технологий и Интернета вещей возрастает спрос на более эффективные и гибкие мобильные сети. Будущие беспроводные системы должны обеспечивать не только высокую скорость и надежность соединения, но и быстрое восстановление связи в аварийных ситуациях. Наземные базовые станции (GBS, аббр. от англ. Ground Base Stations) обычно устанавливаются стационарно и ориентированы на длительное обслуживание, что ограничивает их эффективность при резком увеличении трафика или повреждении инфраструктуры. В таких условиях воздушные базовые станции (ВБС) становятся перспективным решением. Благодаря своей мобильности, доступной стоимости и возможности быстрого развертывания, они могут поддерживать работу наземных станций в условиях высокой плотности пользователей или в случае чрезвычайных ситуаций, когда GBS повреждены или уничтожены. Это делает их важным элементом сетей связи будущего.Постановка задачи: разработка методов размещения ВБС в трехмерном пространстве и распределения пользователей и мощности среди последних с целью максимизации скорости передачи данных систем. Цель работы: повышение скорости передачи данных систем с использованием ВБС для поддержки GBS за счет оптимального трехмерного положения ВБС, распределения пользователей между ВБС и GBS, а также распределения мощности среди пользователей.Используемые методы. Исследования проводились с применением динамического подхода, при котором радиус покрытия GBS постепенно сокращается, а также алгоритма глубокого обучения с подкреплением. Анализ полученных результатов показал высокую эффективность предложенного метода и позволил добиться значительного увеличения скорости передачи данных в рамках поставленной задачи. Научная новизна предложенного решения заключается в том, что совместная оптимизация размещения ВБС и распределения мощности в условиях ограниченных ресурсов позволила выявить зависимость между радиусом покрытия GBS и высотой полета ВБС: при большем радиусе покрытия GBS высота полета ВБС будет ниже, и наоборот. Практическая значимость заключается в возможности разработки методики планирования сетей связи общего пользования с использованием ВБС для поддержки GBS в условиях ограниченных ресурсов. Это позволяет обеспечить высокую суммарную скорость передачи данных и повысить надежность функционирования сети.
Об авторах
Т. З Чан
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича
Email: chan.tz@sut.ru
А. Е. Кучерявый
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича
Email: akouch@sut.ru
Список литературы
- Чан Т.З., Кучерявый А.Е. Оптимизация использования ресурсов воздушных базовых станций на основе методов искусственного интеллекта // Труды учебных заведений связи. 2025. Т. 11. № 1. С. 62‒68. doi: 10.31854/1813-324X-2025-11-1-62-68. EDN:RVENVC
- Кузнецов К.А., Парамонов А.И., Мутханна А.С.А., Кучерявый А.Е. Модель и методы маршрутизации трафика в сети связи с использованием БПЛА // Труды учебных заведений связи. 2024. Т. 10. № 4. С. 62-72. doi: 10.31854/1813-324X-2024-10-4-62-72. EDN:VYMCTD
- Дунайцев Р.А., Бородин А.С., Кучерявый А.Е. Интегрированная сеть космос-воздух-земля-море как основа сетей связи шестого поколения // Электросвязь. 2022. № 10. С. 5‒8. doi: 10.34832/ELSV2022.35.10.001. EDN:QCGIPI
- Кучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. doi: 10.31854/2307-1303-2021-10-3-1-12. EDN:LHLYEM
- Mozaffari M., Saad W., Bennis M., Debbah M. Unmanned Aerial Vehicle With Underlaid Device-to-Device Communications: Performance and Tradeoffs // IEEE Transactions on Wireless Communications. 2016. Vol. 15. Iss. 6. PP. 3949–3963. doi: 10.1109/TWC.2016.2531652
- Ali M.A., Jamalipour A. UAV placement and power allocation in uplink and downlink operations of cellular network // IEEE Transactions on Communications. 2020. Vol. 68. Iss. 7. PP. 4383‒4393. doi: 10.1109/TCOMM.2020.2983671. EDN:MEPFGQ
- GPP TR 38.901. Study on channel model for frequencies from 0.5 to 100 GHz. 2018. URL: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3173 (Accessed 26.02.2025)
- Shannon C.E. A Mathematical Theory of Communication // The Bell System Technical Journal. 1948. Vol. 27. Iss. 3. PP. 379–423. doi: 10.1002/j.1538-7305.1948.tb01338.x
- Liu C.H., Chen Z., Tang J., Xu J., Piao C. Energy-Efficient UAV Control for Effective and Fair Communication Coverage: A Deep Reinforcement Learning Approach // IEEE Journal on Selected Areas in Communications. 2018. Vol. 36. Iss. 9. PP. 2059–2070. doi: 10.1109/JSAC.2018.2864373
- Seid A.M., Boateng G.O., Anokye S., Kwantwi T., Sun G., Liu G. Collaborative Computation Offloading and Resource Al-location in Multi-UAV-Assisted IoT Networks: A Deep Reinforcement Learning Approach // IEEE Internet of Things Journal. 2021. Vol. 8. Iss. 15. PP. 12203‒12218. doi: 10.1109/JIOT.2021.3063188
- Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., et al. Hassabis D. Human-level control through deep reinforcement learning // Nature. 2015. Vol. 518. PP. 529‒533. doi: 10.1038/nature14236
- Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., et al. Continuous control with deep reinforcement learning // arXiv preprint arXiv:1509.02971. 2015. doi: 10.48550/arXiv.1509.02971
Дополнительные файлы

