单发射器布局中基于L2距离的平衡功率与覆盖优化的热图与评分图学习方法

《Computer Communications》：Learning coverage- and power-optimal transmitter placement from city maps: A comparative study of direct and indirect neural approaches

　　

研究人员比较了两种根本不同的学习公式用于单发射器布局。评估使用第2.6节定义的度量，所有方法均针对第2.4节建立的基准性能界限进行测量。第一种公式是间接的：给定城市地图，模型预测与目标最优发射器相关的接收功率无线电地图，然后通过对该预测地图应用argmax恢复发射器位置。第二种公式是直接的：给定相同的城市地图，模型预测每个可行发射器位置的目标值，因此发射器选择成为对预测评分景观的搜索。在当前的单发射器设置中，两种公式都是可训练的，因为在固定学习传播模型下的穷举评估为目标无线电地图（间接目标）和全每位置目标地图（直接目标）提供了真值标签。基于热图（间接）的模型在第4节开发，训练用于预测由目标最优发射器布局引起的接收功率无线电地图，之后最终坐标通过在预测地图上逐像素argmax获得。该系列研究了两类模型：产生每个城市地图单一预测的确定性判别网络，以及其随机推理支持为每个城市地图抽取多个样本并在所选准则下从中选择的扩散模型。评分图（直接）模型在第5节开发，训练用于预测每个可行发射器位置的功率或覆盖评分。该公式由He和Zheng引入用于单目标平均功率优化；本文将其扩展到双目标，并针对间接热图公式进行系统评估。发射器选择要么通过对预测评分图进行argmax，要么通过使用SAIPP-Net在单或多目标准则下评估前K短名单进行。生成式AI工具（ChatGPT、Claude Sonnet和Claude Opus）用于协助本研究部分代码实现。所有此类输出在使用前均由作者严格审查、测试和修改。以下章节介绍每种方法的架构、训练设置和结果。

研究背景方面，单发射器布局在城市无线通信网络中至关重要，需在接收功率（power）与覆盖（coverage）双目标间取得平衡。现有方法多聚焦单一目标优化，难以兼顾两者，且传统穷举评估计算成本高。论文发表于《Computer Communications》，旨在比较间接热图与直接评分图两类学习公式，解决双目标平衡优化问题，通过L2度量区分平衡与非平衡解，提升布局性能。

关键技术方法包括：1）间接热图公式，用UNet架构扩散模型（DDPM框架，T=1000扩散步，线性β调度）与判别模型（DeepXL、PMNet、DC-Net、SIP2Net）预测接收功率无线电地图，经argmax得位置；2）直接评分图公式，预测每位置功率/覆盖评分，用argmax或SAIPP-Net前K短名单选择；3）多样本选择策略（single、best_power、best_coverage、best_l2），扩散模型抽N∈{1,5,10,20,50,100}样本；4）损失函数配置（L2 Only、DA-cGAN Stage 2、Hybrid L2+MSGSIM、SIP2Net），含像素级（L2、L1）、结构相似（SSIM、MS-SSIM）、梯度（TV、GDL、MS-GSIM）、Focal及坐标损失；5）训练目标为功率最优与覆盖最优接收功率无线电地图，测试集为16,753张城市地图。

研究结果如下：

3. Methods：研究人员比较间接与直接公式，间接预测无线电地图后argmax，直接预测每位置评分后搜索。扩散模型分功率与覆盖训练，判别模型含四种架构，损失函数含五类配置，训练用AdamW与余弦退火调度，数据增强为随机翻转旋转。

4. Heatmap-based (indirect) approaches：

• •
  4.1. Diffusion model：用DDPM框架UNet去噪网络，城市地图与噪声热图拼接输入，训练预测高斯噪声Ldiffusion=Et,?∥???θ(xt,t,B)∥2，推理用DDIM采样50步，多样本N经批量处理加速，选择策略含single、best_power、best_coverage、best_l2（dn=(100?Cn)2+(100?Pn)2）。
• •
  4.2. Discriminative models：评测DeepXL（UNet对称编解码）、PMNet（ResNet编解码+ASPP瓶颈）、DC-Net（UNet+AOT块）、SIP2Net（ResNet+ACNet卷积），共享AdamW学习率0.01、权重衰减10?5、batch size16、200轮训练。
• •
  4.3. Loss functions：含像素级（L2：LL2=HW1∑i=1H∑j=1W(H^[i,j]?Hgt[i,j])2；L1：LL1=HW1∑i=1H∑j=1W∣H^[i,j]?Hgt[i,j]∣）、结构相似（SSIM：LSSIM=1?SSIM(H^,Hgt)；MS-SSIM：LMS-SSIM=1?MS-SSIM(H^,Hgt)）、梯度（TV：LTV=HW1∑i=1H?1∑j=1W?1(∣H^[i+1,j]?H^[i,j]∣+∣H^[i,j+1]?H^[i,j]∣)；GDL：LGDL=HW1∑i,j(∣?xH^[i,j]??xHgt[i,j]∣+∣?yH^[i,j]??yHgt[i,j]∣)；MS-GSIM：LMS-GSIM=1?MS-GSIM(H^,Hgt)）、Focal（LFocal=HW1∑i,j?(1?pij)γlog(pij)，pij=1?∣H^[i,j]?Hgt[i,j]∣）、坐标损失（Lcoord=(xpred?xgt)2+(ypred?ygt)2），配置含L2 Only、DA-cGAN Stage 2、Hybrid L2+MSGSIM、SIP2Net、L2+Coordinate（负结果）。
• •
  4.4. Training heatmap types：目标为功率（功率最优接收功率地图）、覆盖（覆盖最优接收功率地图）、高斯功率/覆盖（σ=3像素，仅判别基线），接收功率地图优于高斯与目标回归，二进制覆盖地图难收敛。
• •
  4.5. Results：
  • •
    4.5.1. Power optimization results：扩散模型N=100best_power达99.97±0.12%功率、94.89±6.10%覆盖，dˉ=5.11，判别DC-Net DA-cGAN Stage 2达99.47±1.26%功率、94.04±6.83%覆盖，dˉ=5.98，多采样提升单目标，判别快于扩散。
  • •
    4.5.2. Coverage optimization results：扩散N=100best_coverage达99.76±0.49%覆盖、87.01±10.68%功率，dˉ=12.99，判别DC-Net DA-cGAN Stage 2达97.65±3.34%覆盖、87.10±11.20%功率，dˉ=13.11，覆盖优化平衡性差，功率侧候选更优。

5. Score-map (direct) models（原文未详述结果，按结构总结）：训练预测功率/覆盖评分图，扩展He和Zheng单目标公式至双目标，选argmax或SAIPP-Net前K短名单，对比间接公式。

讨论与结论：研究人员保留L2准则为主平衡度量，因其锐化区分平衡与非平衡解。扩散多样本best_l2选N=100覆盖训练达dˉ=3.10（97.67±2.89%覆盖、97.95±3.13%功率）。功率优化近平衡（功率最优覆盖约94.5%），覆盖优化远离平衡（覆盖最优功率约87%），故平衡选依赖功率侧候选。判别模型实时性强（~0.03s/地图），扩散多采样提质量但耗时（20.84s/N=100）。接收功率地图优于高斯与二进制目标，L2+Coordinate损失冲突降级。L2度量比调和均值（harmonic mean）更适平衡评估，（99,91）与（94,94）例示L2选平衡（94,94），调和均值选高平均（99,91）。结论为间接热图与直接评分图公式中，L2基多样本选择提升平衡性能，扩散与判别各适时效需求，双目标优化需L2区分平衡性，研究为城市通信布局提供学习框架。