FLARE：用于下一代无人机网络资源效率提升的飞行学习代理

《IEEE Networking Letters》：FLARE: Flying Learning Agents for Resource Efficiency in Next-Gen UAV Networks

针对6G及未来无线网络中动态环境下无人机资源分配难题，提出FLARE框架，通过混合强化学习（MADDPG+DQN）优化UAV位置、高度、发射功率及带宽分配，采用动态聚类实现用户与无人机的优化部署，仿真显示服务用户数提升73.45%。

　　

摘要：

本文针对6G及未来无线网络领域中的一个关键挑战进行了探讨，即如何联合优化空中智能平台（尤其是无人驾驶飞行器UAV）在高度动态的环境中与移动地面用户设备（UE）共存时的功率和带宽资源分配。我们提出了FLARE（Flying Learning Agents for Resource Efficiency）这一基于学习的空中智能框架，该框架能够实时联合优化UAV的定位、高度、发射功率和带宽分配。为适应UE的移动性，我们采用了基于轮廓的K-Means聚类算法，实现用户和UAV的动态分组，并将它们部署在聚类中心以提升服务效率。该问题被建模为一个多智能体控制任务，其中带宽被离散化为资源块，而功率被视为连续变量。为了解决这一问题，我们提出的FLARE框架采用了混合强化学习策略，结合了多智能体深度确定性策略梯度（MADDPG）和深度Q网络（DQN）来提升学习效率。仿真结果表明，该方法显著提升了用户覆盖范围，在5 Mbps的数据速率限制下，服务用户数量增加了73.45%，优于MADDPG基线算法。