基于图神经网络的资源优化技术：用于配备可旋转定向天线的固定翼无人机网络

《IEEE Open Journal of Vehicular Technology》：Graph Neural Network Enabled Resource Optimization for Tethered UAV Networks With Rotatable Directional Antennas

　　

摘要：

可旋转定向天线最近作为传统数字波束成形架构的低复杂度替代方案出现在无人机辅助的无线通信系统中。特别是，配备了可旋转定向天线的固定翼无人机能够在保持相对静止位置的同时提供自适应的定向传输，使其适用于需要稳定空中通信平台和持续回程连接的应用。然而，在多固定翼无人机通信系统中，天线方向、用户关联和发射功率分配的联合优化是一个高度耦合且非凸的问题，因为天线方向直接影响到定向信道增益，从而又进而影响用户关联和资源分配决策。此外，传统的迭代优化框架在大规模动态无线网络中可能会导致较高的计算复杂性和收敛延迟。为了解决这些挑战，本文提出了一种基于图神经网络的多固定翼无人机通信系统资源优化框架，该框架采用了可旋转定向天线。所考虑的无人机-用户通信系统被建模为一个二分图，其中无人机和用户之间的空间交互通过迭代图消息传递操作来捕获。所提出的框架通过端到端可微分优化联合学习天线方向、用户关联和发射功率分配。此外，还推导出了与天线方向变量、关联系数和功率分配变量相关的可微分训练过程和梯度传播方法。仿真结果表明，与固定天线系统和基于近端策略优化的框架相比，所提出的框架在可实现的总速率和中断概率方面表现更好，同时保持了高效的可扩展性...

显示更多