通过多目标优化方法实现安全且节能的无人驾驶飞行器辅助可见光通信

《Engineering Applications of Artificial Intelligence》：Secure and energy-efficient unmanned aerial vehicle-enabled visible light communication via a multi-objective optimization approach

本文研究无人机辅助可见光通信系统中多目标优化问题，提出基于混沌初始化和交叉变异算子的多目标进化算法MOEA/D-CICM，通过协同优化无人机位置和传输功率，实现接收端光强均匀性、最小化窃听信息量和无人机能耗的平衡，并验证算法在动态不确定环境下的鲁棒性和可扩展性。

　　本文围绕利用无人机（UAV）辅助可见光通信（VLC）系统中的通信服务问题展开研究，重点探讨了在存在窃听者的情况下，如何通过优化无人机的部署位置和传输功率，实现接收面的光功率均匀分布、降低窃听者获取的信息量以及减少无人机的能耗。研究的核心在于构建一个多目标优化模型，并提出一种基于分解的多目标进化算法（MOEA/D-CICM），以解决该模型中的复杂性和非线性问题。以下将对本文内容进行详细解读。

可见光通信作为一种新兴的短距离无线通信技术，其原理是利用光信号进行信息传输，主要依赖于发光二极管（LED）和光电探测器（PD）等设备。由于其无需额外的基础设施，仅需利用现有照明设备即可实现通信，因此在教室、图书馆、智能房间等场景中具有广泛的应用前景。然而，VLC信号的广播特性使得其容易受到未经授权的用户窃听，特别是在公共环境中，这一问题尤为突出。为了提高系统的安全性，研究者们提出了多种技术手段，如上层加密、物理层安全（PLS）等。

在物理层安全方面，研究者们通常利用信道特性来干扰窃听者的接收能力，而不依赖于加密技术。例如，通过在发送端引入人工噪声（AN），或者采用波束成形技术，可以有效降低窃听者获取信息的可能性。此外，智能反射表面（IRS）等新兴技术也被用于增强VLC系统的安全性。这些技术的核心思想是利用信道的不均匀性，使得合法用户的信号强度高于窃听者，从而实现信息的安全传输。

然而，传统的VLC系统多采用固定安装的LED光源，这在一定程度上限制了系统的灵活性和扩展性。随着无人机技术的发展，越来越多的研究开始关注如何利用无人机作为移动的通信节点，以增强VLC系统的性能和安全性。无人机能够灵活地调整高度和位置，从而优化光信号的覆盖范围和传输质量。此外，无人机的部署还可以实现对多个接收点的覆盖，提高通信的公平性和效率。

在本文的研究中，作者提出了一种多目标优化策略，用于解决无人机辅助VLC系统中的多个关键问题。首先，需要确保接收面上的光功率分布均匀，以避免某些区域通信质量较差，从而影响整体的网络性能。其次，需要降低窃听者获取信息的可能性，提高系统的安全性。最后，还需减少无人机的能耗，以延长其工作时间并提高通信的可持续性。这三个目标之间存在一定的权衡关系，例如，为了提高安全性，可能需要增加无人机的传输功率或调整其位置，这会增加能耗；而为了减少能耗，可能需要降低传输功率，这又会影响通信质量。

为了解决上述多目标优化问题，作者提出了一种基于分解的多目标进化算法（MOEA/D-CICM）。该算法在传统MOEA/D的基础上进行了改进，引入了混沌初始化技术和交叉变异操作，以提升算法的收敛速度和优化能力。混沌初始化技术能够生成更接近最优解的初始解，从而加快算法的收敛过程；交叉变异操作则有助于算法在搜索空间中更好地探索和利用资源，避免陷入局部最优解。

在算法设计中，作者首先对问题进行了建模，明确了系统的参数和变量，包括无人机的部署位置、传输功率、接收点的分布以及窃听者的信道状态信息（CSI）。然后，通过建立多目标优化模型，将上述三个目标（光功率均匀性、窃听信息量最小化、能耗最小化）统一起来，形成一个综合的优化问题。该模型的复杂性和非线性使得传统的优化方法难以有效求解，因此需要借助进化算法来寻找最优解。

为了验证所提算法的有效性，作者进行了大量的仿真实验。实验结果表明，MOEA/D-CICM算法在多个方面表现出色，包括收敛速度、鲁棒性、适应性和可扩展性。在不同的接收点分布、无人机高度变化、VLC信道不确定性、无人机位置动态变化以及系统规模变化等情况下，该算法均能保持良好的性能，确保接收面的光功率均匀分布，同时有效降低窃听者获取信息的可能性，并减少无人机的能耗。

此外，作者还讨论了在实际通信环境中，如何合理假设窃听者的CSI已知。虽然在现实世界中，获取精确的CSI对于被动窃听者来说确实具有挑战性，但在某些特定场景下，如室内静态环境，通过合理的部署和信号设计，可以实现对窃听者的有效干扰。例如，在室内环境中，无人机的运动轨迹和高度相对固定，窃听者的信道状态可能更容易被预测和控制。因此，假设窃听者的CSI已知在某些情况下是合理的，有助于优化算法的设计和实现。

本文的研究成果对于无人机辅助可见光通信系统的实际应用具有重要意义。首先，通过优化无人机的部署位置和传输功率，可以实现更均匀的光信号覆盖，提高通信的公平性和效率。其次，通过引入物理层安全技术，可以有效降低信息被窃听的风险，提高系统的安全性。最后，通过减少无人机的能耗，可以延长其工作时间，提高系统的可持续性。这些技术的综合应用，使得无人机辅助VLC系统在动态和不确定的环境中具备更高的实用价值。

在实际应用中，无人机辅助VLC系统可以用于多种场景，如智能城市中的物联网数据收集、交通监控、应急通信等。特别是在需要高安全性和低能耗的场景中，该系统的优势更加明显。例如，在交通监控中，无人机可以搭载LED光源，通过可见光通信技术将监控数据实时传输到地面接收点，同时避免数据被窃听。在应急通信中，无人机可以作为移动通信节点，快速建立通信链路，提高通信的可靠性和安全性。

然而，无人机辅助VLC系统也面临一些挑战。首先，由于光信号的传播特性，无人机的高度和位置对通信质量有重要影响。因此，在实际部署中，需要合理选择无人机的高度和位置，以确保通信的稳定性和高效性。其次，VLC信道的不确定性可能会导致通信质量波动，影响系统的可靠性。因此，需要设计鲁棒的算法，以应对信道变化带来的影响。此外，无人机的能耗问题也需要得到充分关注，特别是在长时间运行或大规模部署的情况下，如何优化无人机的能耗成为研究的重点。

本文提出的MOEA/D-CICM算法在解决上述问题方面表现出色。通过引入混沌初始化技术，该算法能够更快地收敛到近似最优解，提高优化效率。同时，交叉变异操作有助于算法在搜索空间中更全面地探索，避免陷入局部最优。实验结果表明，该算法在不同场景下均能保持良好的性能，确保接收面的光功率均匀分布，同时有效降低窃听者获取信息的可能性，并减少无人机的能耗。

此外，本文还讨论了算法的可扩展性。在大规模部署的情况下，如何保持算法的高效性和稳定性是一个关键问题。实验结果显示，MOEA/D-CICM算法在不同规模的系统中均能保持良好的性能，表明其具有较强的适应能力。这对于实际应用中可能面临的复杂环境和大规模部署需求具有重要意义。

综上所述，本文通过构建多目标优化模型，并提出一种基于分解的多目标进化算法（MOEA/D-CICM），有效解决了无人机辅助可见光通信系统中的多个关键问题。该算法在提高通信质量、增强系统安全性和降低能耗方面表现出色，具有较强的实用价值。未来的研究可以进一步探索该算法在不同应用场景中的优化效果，以及如何结合其他先进技术（如人工智能、深度学习）来提升系统的性能和智能化水平。