面向无人机辅助毫米波以用户为中心多无人机接入网络的收益最大化导向接入策略

《Pervasive and Mobile Computing》：Revenue-maximization-oriented access strategy for UAV-assisted mmWave user-centric multi-UAV access networks

　　

摘要
无人机 (UAV) 辅助毫米波 (mmWave) 接入网络能够在密集且动态的用户设备 (UE) 环境中提供灵活的无线服务配置。为了满足密集且动态 UE 环境的灵活接入要求，本文考虑了一种无人机辅助毫米波以用户为中心的多无人机接入网络，其中每个 UE 可以由多个无人机接入点提供服务，而不受固定小区边界的限制。在此类网络中，面向收益的接入控制具有挑战性，因为用户设备关联、子信道分配和发射功率控制与服务质量、资源定价、剩余干扰和无人机运行成本相互耦合。本文研究了所考虑的无人机辅助毫米波以用户为中心的多无人机接入网络的面向收益最大化的联合接入与资源分配问题。通过联合考虑服务质量 (QoS) 分级服务收益、子信道成本、发射功率成本、活动无人机运行成本和剩余同频干扰，构建了一个收益感知效用模型。为了获得有效解，将所建立的混合整数、非凸且非线性规划问题分解为三个子问题，即用户设备关联、子信道分配和功率控制。因此，开发了一种面向收益最大化的接入策略 (RMOAS)，该策略集成了基于循环匹配的用户设备关联、基于匈牙利匹配的子信道分配和基于内点法的功率控制。在 20 个独立随机种子上的仿真表明，RMOAS 实现了比启发式和基于学习的基线更高的运营商效用。在主要场景中，在 95% 置信水平下，RMOAS 实现了 3645.91 ± 28.83 的平均效用，优于深度确定性策略梯度 (DDPG)、免疫优化接入策略 (IOAS)、多对一匹配接入策略 (MMAS)、最近距离匹配接入策略 (NMAS) 和随机分配接入策略 (RAAS)。消融结果进一步证明了用户设备关联、子信道分配和功率控制组件的单独贡献。

引言
无线数据流量的快速增长和服务异构性增加了对灵活接入网络的需求。在临时热点、应急通信、大型活动和基础设施受限区域，地面基站可能不足以向密集 UE 提供稳定和高码率服务。因此，无人机 (UAV) 辅助通信已成为一种有前景的解决方案，因为无人机可以作为空中接入点灵活部署，以补充地面基础设施并在需求变化的环境中提高服务覆盖 [1]。关于无人机辅助网络的近期研究也表明，接入决策与无人机部署、用户关联、轨迹设计和无线资源分配紧密耦合 [2]。同时，毫米波通信可以提供大带宽和高传输速率，使其适用于对容量要求高的无人机辅助接入场景。

为了满足密集且动态 UE 环境的灵活接入要求，本文考虑了一种无人机辅助毫米波以用户为中心的多无人机接入网络。在考虑的接入层模型中，每个 UE 可以关联到多个无人机接入点，每个无人机可以在关联配额、子信道和功率约束下服务多个 UE。该模型捕获了不依赖固定小区边界的以用户为中心的多接入，而优化则聚焦于无人机 -UE 关联和无线资源分配。与传统单关联接入模型相比，这种多对多接入结构提供了更大的灵活性，但也引入了接入决策、资源使用和服务效用之间更强的耦合。

面向收益的接入控制对于无人机辅助毫米波服务配置很重要。在实际部署中，运营商需要在平衡服务质量、资源成本、干扰和无人机运行成本的同时分配有限的无线资源。关于天地一体化网络的近期研究表明，频谱定价和发射功率定价可以显著影响资源分配决策 [3]。在无人机放置、功率选择和干扰管理约束下，也研究了利润感知的多无人机服务配置 [4]。如果接入策略仅追求可达速率，高资源成本链路可能会降低运营商效用。反之，如果策略仅专注于降低成本，服务质量 (QoS) 满意度可能会下降。因此，用户设备关联、子信道分配和功率控制需要在收益感知目标下联合优化。

除了无线资源支出外，服务价值通常与服务质量等级、数据速率保证或服务等级协议相关。无人机接入激活还引入了运行成本，在收益感知的资源管理中不应忽略。近期低空经济和无人机物联网研究进一步指出，无人机部署和资源分配应共同考虑服务需求、资源消耗和能效 [5]，[6]。这些观察结果促使构建一个效用模型，共同表征服务质量分级服务收益、无线资源成本、活动无人机运行成本和剩余同频干扰。

由此产生的联合优化问题难以求解，因为不同的决策变量紧密耦合。用户设备关联决策是组合性的，因为每个 UE 可以关联到多个无人机，每个无人机可以服务多个 UE。子信道分配取决于关联结果，并影响可达速率和资源成本。功率控制是连续的，并与剩余同频干扰相互作用。在基于无人机的无线网络中，也观察到了用户关联、计算卸载、资源分配和无人机轨迹控制之间的类似耦合 [7]。分层空中计算研究也表明，在空气服务系统中，卸载决策、用户关联和资源分配高度耦合 [8]。这些二元和连续决策变量使原始问题成为一个混合整数、非凸和非线性规划问题。

为了解决这个问题，本文提出了一种面向收益最大化的接入策略，称为 RMOAS。RMOAS 遵循收益感知分解框架，将原始问题分解为用户设备关联、子信道分配和功率控制子问题。用户设备关联组件根据服务质量和效用贡献构建多对多无人机 -UE 接入关系。子信道分配组件通过在获得的关联矩阵下最小化收益 - 成本指标来分配无线信道。功率控制组件在满足服务质量和功率约束的同时，在固定的关联和子信道分配下细化发射功率分配。通过这种协调分解，RMOAS 在统一的运营商效用目标下优化接入和资源分配。主要贡献总结如下：
• 为无人机辅助毫米波以用户为中心的多无人机接入网络建立了一个面向收益最大化的联合接入与资源分配问题。考虑到的模型捕获了接入层的多对多无人机 -UE 服务关联，其中每个 UE 可以在关联配额、子信道和功率约束下由多个无人机接入点提供服务。
• 开发了一个收益感知效用模型，通过联合考虑服务质量分级服务收益、子信道成本、发射功率成本、活动无人机运行成本和剩余同频干扰。此公式通过在一个统一的运营商效用目标中显式耦合服务价值、资源支出和无人机接入激活成本，扩展了传统的速率或覆盖驱动的资源分配。
• 开发了一种称为 RMOAS 的收益感知分解框架，以解决耦合的混合整数、非凸和非线性问题。而不是将用户设备关联、子信道分配和功率控制视为独立任务，RMOAS 在相同的效用目标下协调多对多关联构建、效用引导的子信道分配和连续发射功率细化。
• 通过复杂度分析和仿真评估了 RMOAS 的算法性质和实证有效性。实验在 20 个独立随机种子上将 RMOAS 与启发式和基于学习的基线进行比较，报告 95% 置信区间，并包括消融研究以量化主要组件的贡献。

本文其余部分组织如下。第 2 节回顾相关研究。第 3 节提出系统模型和问题公式。第 4 节描述所提出的 RMOAS。第 5 节报告仿真结果。第 6 节总结本文并概述未来工作。

章节片段
现状
与本工作相关的现有研究主要涵盖无人机辅助和以用户为中心的接入网络、收益感知的无线资源分配以及基于学习的资源分配。它们为灵活的空中接入、以用户为中心的多接入、定价感知优化和数据驱动的资源管理提供了重要基础。表 1 总结了代表性研究，并强调了本工作与现有研究在收益感知优化、无人机系统模型和问题公式方面的差异。

系统模型和问题公式
所考虑的无人机辅助毫米波以用户为中心的多无人机接入网络如图 1 所示。系统由无人机接入点、地面 UE 和多个正交子信道组成。图中的地面基站提供基础设施支持和场景上下文，而本文专注于优化无人机和 UE 之间的无人机辅助接入链路。模型定义在一个调度周期内，在此期间无人机和 UE 位置被视为固定且已知。优化变量

RMOAS 概述
本节提出了面向收益最大化的接入策略，称为 RMOAS。RMOAS 遵循第 3 节中的分解问题结构，其中 P1、P2 和 P3 分别对应用户设备关联、子信道分配和功率控制。这三个决策块在相同的运营商效用目标下协调，而不是作为独立任务进行优化。
如图 2 所示，RMOAS 由基于循环匹配的用户设备关联 (CMUA)、匈牙利
仿真设置
仿真在 Python 3.10 中进行。除非另有说明，主要场景包含 V=10 架无人机、E=100 个 UE，以及每架无人机上的 C=10 个子信道。无人机和 UE 随机分布在直径为 500 米的圆形区域内。每种实验设置在 20 个随机种子上独立重复。报告的数值结果表示为均值 ± 95% 置信区间。主要实验设置总结在表 3 中。
使用了以下基线算法

结论与未来工作
本文研究了无人机辅助毫米波以用户为中心的多无人机接入网络中面向收益的接入控制。主要发现是，当用户设备关联、子信道分配或功率控制单独优化时，运营商效用的提升可能有限，因为服务收益、无线资源成本、无人机激活成本、剩余干扰和 QoS 满意度是共同耦合的。为了解决这种耦合，RMOAS 协调多对多无人机 -UE 关联，

CRediT 作者贡献声明
张继哲：写作 – 审阅与编辑，可视化，数据管理。马中宇：写作 – 审阅与编辑，经费获取，形式分析。彭林如：验证，监督，软件，形式分析。常浩：资源，项目管理，方法论。濮健兵：写作 – 初稿，验证，方法论。李旭涛：可视化，监督，方法论。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作部分由国家自然科学基金 (Grant No. 62261050)、甘肃省重点研发计划基金 (Grant No. 23YFGA0079)、甘肃省“飞天学者”支持计划 (Grant No. 2024FTQN-020)、甘肃省自然科学基金 (Grant No. 25JRRA093)、甘肃省基础研究计划 (Grant No. 26JRZA066)、甘肃省重大专项 (Grant No. 25ZDGA009) 和甘肃省高校青年博士支持计划资助。
张继哲目前是西北师范大学软件工程博士研究生候选人。他获得了甘肃农业大学硕士学位和吉林工商学院计算机科学与技术学士学位。他的研究兴趣包括计算智能和网络优化。
张继哲 | 马中宇 | 彭林如 | 常浩 | 濮健兵 | 李旭涛