UAV协助下非正交多址接入使能的数据采集系统中能效优化机制

doi:10.11772/j.issn.1001-9081.2023040482

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (4): 1209-1218.DOI: 10.11772/j.issn.1001-9081.2023040482

• 网络与通信 • 上一篇

UAV协助下非正交多址接入使能的数据采集系统中能效优化机制

唐睿¹^,²(), 岳士博², 张睿智³, 刘川¹, 庞川林²

^1.西华师范大学电子信息工程学院, 四川南充 637002
^2.成都理工大学计算机与网络安全学院, 成都 610059
^3.电子科技大学信息与通信工程学院, 成都 611731

收稿日期:2023-04-25 修回日期:2023-07-12 接受日期:2023-07-14 发布日期:2023-12-04 出版日期:2024-04-10
通讯作者: 唐睿
作者简介:唐睿（1988—），男，甘肃兰州人，副教授，博士，CCF会员，主要研究方向：无线通信系统MAC层设计 allanxjtu@163.com
岳士博（2000—），男，四川巴中人，硕士研究生，CCF学生会员，主要研究方向：无人机通信系统资源分配
张睿智（1999—），男，山东济宁人，博士研究生，主要研究方向：泛化优化算法及应用
刘川（1991—），男，四川南充人，讲师，硕士，主要研究方向：无线通信系统PHY层设计
庞川林（1997—），男，四川南充人，硕士研究生，主要研究方向：深度强化学习算法及应用。
基金资助:
国家自然科学基金资助项目(62301450);四川省科技厅自然科学基金资助项目(24NSFSC5070);四川省科技厅区域创新合作项目(22QYCX0002);成都理工大学基本科研业务费资金资助项目(10912?KYQD2019_08164)

Energy efficiency optimization mechanism for UAV-assisted and non-orthogonal multiple access-enabled data collection system

Rui TANG¹^,²(), Shibo YUE², Ruizhi ZHANG³, Chuan LIU¹, Chuanlin PANG²

^1.School of Electronic Information Engineering，China West Normal University，Nanchong Sichuan 637002，China
^2.College of Computer Science and Cyber Security，Chengdu University of Technology，Chengdu Sichuan 610059，China
^3.School of Information and Communication Engineering，University of Electronic Science and Technology of China，Chengdu Sichuan 611731，China

Received:2023-04-25 Revised:2023-07-12 Accepted:2023-07-14 Online:2023-12-04 Published:2024-04-10
Contact: Rui TANG
About author:TANG Rui， born in 1988， Ph. D.， associate professor. His research interests include MAC layer design in radio communication systems.
YUE Shibo， born in 2000， M. S. candidate. His research interests include resource allocation in unmanned aerial vehicular communication systems.
ZHANG Ruizhi， born in 1999， Ph. D. candidate. His research interests include generalized optimization algorithms and their applications.
LIU Chuan， born in 1991， M. S.， lecturer. His research interests include PHY layer design in radio communication systems.
PANG Chuanlin， born in 1997， M. S. candidate. His research interests include deep reinforcement learning algorithms and their applications.
Supported by:
National Natural Science Foundation of China(62301450);Sichuan Provincial Natural Science Foundation(24NSFSC5070);Sichuan Provincial Regional Innovation Cooperation Project(22QYCX0002);Fundamental Research Funds of Chengdu University of Technology(10912-KYQD2019_08164)

摘要/Abstract

摘要：

无人机（UAV）协助下非正交多址接入（NOMA）使能的数据采集系统，考虑了地空概率信道模型和服务质量约束，并联合优化UAV三维布局设计和传感器功率分配最大化所有传感器的总能效。针对原混合整数非凸规划问题，提出了一种基于凸优化理论、深度学习理论和哈里斯鹰优化（HHO）算法的能效优化机制。在任意给定的UAV三维布局下，首先将功率分配子问题等价转化为凸优化问题；其次基于最优的功率分配方案，采用深度神经网络（DNN）构建从传感器位置到UAV三维布局的映射，并利用HHO算法离线训练最佳映射对应的模型参数。训练后的机制仅需执行少量代数运算并求解单个凸优化问题。仿真实验结果表明，在传感器数为12的情况下，相较于基于粒子群算法的遍历搜索机制，所提机制在仅损失约4.73%的总能效的情况下将运算时间降低了5个数量级。

关键词: 无人机通信, 非正交多址接入, 能效, 资源分配, 凸优化, 深度学习, 哈里斯鹰优化算法

Abstract:

In the Unmanned Aerial Vehicle （UAV）-assisted and Non-Orthogonal Multiple Access （NOMA）-enabled data collection system， the total energy efficiency of all sensors is maximized by jointly optimizing the three-dimensional placement design of the UAVs and the power allocation of sensors under the ground-air probabilistic channel model and the quality-of-service requirements. To solve the original mixed-integer non-convex programming problem， an energy efficiency optimization mechanism was proposed based on convex optimization theory， deep learning theory and Harris Hawk Optimization （HHO） algorithm. Under any given three-dimensional placement of the UAVs， first， the power allocation sub-problem was equivalently transformed into a convex optimization problem. Then， based on the optimal power allocation strategy， the Deep Neural Network （DNN） was applied to construct the mapping from the positions of the sensors to the three-dimensional placement of the UAVs， and the HHO algorithm was further utilized to train the model parameters corresponding to the optimal mapping offline. The trained mechanism only involved several algebraic operations and needed to solve a single convex optimization problem. Simulation experimental results show that compared with the travesal search mechanism based on particle swarm optimization algorithm， the proposed mechanism reduces the average operation time by 5 orders of magnitude while sacrificing only about 4.73% total energy efficiency in the case of 12 sensors.

Key words: Unmanned Aerial Vehicle (UAV) communication, Non-Orthogonal Multiple Access (NOMA), energy efficiency, resource allocation, convex optimization, deep learning, Harris Hawk Optimization (HHO) algorithm

中图分类号:

TP393

唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 计算机应用, 2024, 44(4): 1209-1218.

Rui TANG, Shibo YUE, Ruizhi ZHANG, Chuan LIU, Chuanlin PANG. Energy efficiency optimization mechanism for UAV-assisted and non-orthogonal multiple access-enabled data collection system[J]. Journal of Computer Applications, 2024, 44(4): 1209-1218.

图/表 10

图1 UAV协助下NOMA使能的数据采集系统

Fig. 1 UAV-assisted and NOMA-enabled data collection system

图2 各网络节点的内部结构

Fig. 2 Inner structure of each network node

图3 逃逸能量的迭代曲线

Fig. 3 Iterative curve of escaping energy

图4 全连接前馈DNN中神经元结构

Fig. 4 Neuron structure in fully-connected feed-forward DNN

图5 本文能效优化机制的流程

Fig. 5 Flow of proposed energy efficiency optimization mechanism

表1 系统模型和能效优化机制中的参数设置

Tab. 1 Setting of parameters in system model and energy efficiency optimization mechanism

模型	参数	设置值
系统模型^［8-11］	地表链路信道模型中参数 $ρ 0$	-50 dB
	地表信道模型中路径损耗因子 $α$	3
	地表信道模型中小尺度衰落分布	瑞利分布
	地空信道模型中视距、非视距概率参数 $ξ$	9.167 7
	地空信道模型中视距、非视距概率参数 $δ$	0.158 1
	地空信道模型中路径损耗因子 $ε$	2
	地空信道视距传播下额外路径损耗均值 $ζ L$	1 dB
	地空信道视距传播下额外路径损耗均值 $ζ N L$	20 dB
	基站侧加性高斯白噪声功率	-113 dBm
	总电路功率开销 $P c i r$	18 dBm
	传感器侧最大发射功率 $P m a x$	23 dBm
	UAV基站的最低飞行高度 $h m i n$	60 m
	UAV基站的最高飞行高度 $h m a x$	100 m
DNN^{［12，15，18］}	DNN的隐含层数	3
	每个隐含层中神经元数	128/64/32
	隐含层的神经元中激活函数	ReLU
	输出层的神经元中激活函数	sigmoid
HHO^［22-23］	种群数 $S$	20
	最大迭代次数 $T$	200
	随机生成的传感器拓扑数 $N$	200
	LF函数的参数 $β$	1.5

表1 系统模型和能效优化机制中的参数设置

Tab. 1 Setting of parameters in system model and energy efficiency optimization mechanism

模型	参数	设置值
系统模型^［8-11］	地表链路信道模型中参数 $ρ 0$	-50 dB
	地表信道模型中路径损耗因子 $α$	3
	地表信道模型中小尺度衰落分布	瑞利分布
	地空信道模型中视距、非视距概率参数 $ξ$	9.167 7
	地空信道模型中视距、非视距概率参数 $δ$	0.158 1
	地空信道模型中路径损耗因子 $ε$	2
	地空信道视距传播下额外路径损耗均值 $ζ L$	1 dB
	地空信道视距传播下额外路径损耗均值 $ζ N L$	20 dB
	基站侧加性高斯白噪声功率	-113 dBm
	总电路功率开销 $P c i r$	18 dBm
	传感器侧最大发射功率 $P m a x$	23 dBm
	UAV基站的最低飞行高度 $h m i n$	60 m
	UAV基站的最高飞行高度 $h m a x$	100 m
DNN^{［12，15，18］}	DNN的隐含层数	3
	每个隐含层中神经元数	128/64/32
	隐含层的神经元中激活函数	ReLU
	输出层的神经元中激活函数	sigmoid
HHO^［22-23］	种群数 $S$	20
	最大迭代次数 $T$	200
	随机生成的传感器拓扑数 $N$	200
	LF函数的参数 $β$	1.5

图6 本文训练机制的收敛性（rcell=100 m）

Fig. 6 Convergence of proposed training mechanism（rcell=100 m）

图7 各机制能效随传感器数的变化（rcell=100 m）

Fig. 7 Energy efficiency changing with sensor number for different mechanisms（rcell=100 m）

表2 不同机制运算时间随传感器数的变化

Tab. 2 Computing time changing with sensor number for different mechanisms

传感器数K	运算时间/s
传感器数K	对比机制1	对比机制2	对比机制3	对比机制4	对比机制5	对比机制6	本文机制
4	0.155	0.156	0.242	3 370	0.102	0.513	0.258
6	0.132	0.158	0.275	3 317	0.114	0.522	0.282
8	0.134	0.136	0.301	3 363	0.121	0.516	0.296
10	0.167	0.172	0.283	3 390	0.123	0.535	0.277
12	0.149	0.186	0.292	3 604	0.124	0.537	0.288

图8 不同机制能效随小区半径的变化（K=12）

Fig. 8 Energy efficiency changing with cell radius for different comparison mechanisms （K=12）

参考文献 30

1	WEI Z， ZHU M， ZHANG N， et al. UAV assisted data collection for internet of things： a survey［J］. IEEE Internet of Things Journal， 2022， 9（17）： 15460-15483. 10.1109/jiot.2022.3176903
2	XU Y， GUI G， GACANIN H， et al. A survey on resource allocation for 5G heterogeneous networks： current research， future trends and challenges［J］. IEEE Communications Surveys & Tutorials， 2021， 23（2）： 668-695. 10.1109/comst.2021.3059896
3	ZHAN C， ZENG Y， ZHANG R. Energy-efficient data collection in UAV enabled wireless sensor network［J］. IEEE Wireless Communications Letters， 2018， 7（3）： 328-331. 10.1109/lwc.2017.2776922
4	王岱巍，徐高潮，李龙.无人机辅助的移动边缘计算中的任务分配策略［J］.计算机应用，2021，41（10）： 2928-2936. 10.11772/j.issn.1001-9081.2020121917
	WANG D W， XU G C， LI L. Task allocation strategy in unmanned aerial vehicle-assisted mobile edge computing［J］. Journal of Computer Applications， 2021， 41（10）： 2928-2936. 10.11772/j.issn.1001-9081.2020121917
5	ZHAN C， ZENG Y. Completion time minimization for multi-UAV-enabled data collection［J］. IEEE Transactions on Wireless Communications， 2019， 18（10）： 4859-4872. 10.1109/twc.2019.2930190
6	WANG Z， LIU R， LIU Q， et al. Energy-efficient data collection and device positioning in UAV-assisted IoT［J］. IEEE Internet of Things Journal， 2020， 7（2）： 1122-1139. 10.1109/jiot.2019.2952364
7	FU S， TANG Y， WU Y， et al. Energy-efficient UAV-enabled data collection via wireless charging： a reinforcement learning approach ［J］. IEEE Internet of Things Journal， 2021， 8（12）： 10209-10219. 10.1109/jiot.2021.3051370
8	CHEN W， ZHAO S， ZHANG R， et al. UAV-assisted data collection with nonorthogonal multiple access［J］. IEEE Internet of Things Journal， 2021， 8（1）： 501-511. 10.1109/jiot.2020.3005271
9	MU X， LIU Y， GUO L， et al. Energy-constrained UAV data collection systems： NOMA and OMA［J］. IEEE Transactions on Vehicular Technology， 2021， 70（7）： 6898-6912. 10.1109/tvt.2021.3086556
10	JIANG M， LI Y， ZHANG Q， et al. Joint position and time allocation optimization of UAV enabled time allocation optimization networks［J］. IEEE Transactions on Communications， 2019， 67（5）： 3806-3816. 10.1109/tcomm.2019.2896973
11	WANG W， ZHAO N， CHEN L， et al. UAV-assisted time-efficient data collection via uplink NOMA［J］. IEEE Transactions on Communications， 2021， 69（11）： 7851-7863. 10.1109/tcomm.2021.3106134
12	TANG R， ZHANG R， XU Y， et al. Energy-efficient optimization algorithm in NOMA-based UAV-assisted data collection systems［J］. IEEE Wireless Communications Letters， 2023， 12（1）： 158-162. 10.1109/lwc.2022.3219675
13	DAI L， WANG B， YUAN Y， et al. Non-orthogonal multiple access for 5G： solutions， challenges， opportunities， and future research trends［J］. IEEE Communications Magazine， 2015， 53（9）： 74-81. 10.1109/mcom.2015.7263349
14	MARAQA O， RAJASEKARAN A S， AL-AHMADI S， et al. A survey of rate-optimal power domain NOMA with enabling technologies of future wireless networks［J］. IEEE Communications Surveys & Tutorials， 2020， 22（4）： 2192-2235. 10.1109/comst.2020.3013514
15	TANG R， ZHANG R， XIA Y， et al. Joint mode selection and power allocation for NOMA systems with D2D communication［C］// Proceedings of the 2021 IEEE/CIC International Conference on Communications in China. Piscataway： IEEE， 2021： 606-611. 10.1109/iccc52777.2021.9580380
16	HERBERT S， WASSELL I， T-H LOH， et al. Characterizing the spectral properties and time variation of the in-vehicle wireless communication channel［J］. IEEE Transactions on Communications， 2014， 62（7）： 2390-2399. 10.1109/TCOMM.2014.2328635
17	AL-HOURANI A， KANDEEPAN S， LARDNER S. Optimal LAP altitude for maximum coverage［J］. IEEE Wireless Communications Letters， 2014， 3（6）： 569-572. 10.1109/lwc.2014.2342736
18	ZHANG R， TANG R， XU Y， et al. Resource allocation for UAV-assisted NOMA systems with dual connectivity［J］. IEEE Wireless Communications Letters， 2023， 12（2）： 341-345. 10.1109/lwc.2022.3226265
19	ZAPPONE A， JORSWIECK E. Energy efficiency in wireless networks via fractional programming theory［J］. Foundations and Trends in Communications and Information Theory， 2015， 11（3/4）： 185-396. 10.1561/0100000088
20	TANG R， CHENG J， CAO Z. Energy-efficient power allocation for cooperative NOMA systems with IBFD-enabled two-way cognitive transmission［J］. IEEE Communications Letters， 2019， 23（6）： 1101-1104. 10.1109/lcomm.2019.2913424
21	XU X， CHEN Q， MU X， et al. Graph-embedded multi-agent learning for smart reconfigurable THz MIMO-NOMA networks［J］. IEEE Journal on Selected Areas in Communications， 2022， 40（1）： 259-275. 10.1109/jsac.2021.3126079
22	HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris hawks optimization： algorithm and applications［J］. Future Generation Computer Systems， 2019， 97： 849-872. 10.1016/j.future.2019.02.028
23	郑洁锋，占红武，黄巍，等. Lévy Flight的发展和智能优化算法中的应用综述［J］.计算机科学，2021，48（2）：190-206. 10.11896/jsjkx.200500142
	ZHENG J F， ZHAN H W， HUANG W， et al. Development of Lévy Flight and its application in intelligent optimization algorithm［J］. Computer Science， 2021， 48（2）： 190-206. 10.11896/jsjkx.200500142
24	邱锡鹏.神经网络与深度学习［M］.北京：机械工业出版社， 2020： 81-104. 10.1016/b978-0-12-818803-3.00030-1
	QIU X P. Neural Networks and Deep Learning［M］. Beijing： China Machine Press， 2020： 81-104. 10.1016/b978-0-12-818803-3.00030-1
25	O’SHEA T， HOYDIS J. An introduction to deep learning for the physical layer［J］. IEEE Transactions on Cognitive Communications and Networking， 2017， 3（4）： 563-575. 10.1109/tccn.2017.2758370
26	LIU X， WANG J， ZHAO N， et al. Placement and power allocation for NOMA-UAV networks［J］. IEEE Wireless Communications Letters， 2019， 8（3）： 965-968. 10.1109/lwc.2019.2904034
27	LIU R， LI M， YU G， et al. User association for millimeter-wave networks： a machine learning approach［J］. IEEE Transactions on Communications， 2020， 68（7）： 4162-4174. 10.1109/tcomm.2020.2983036
28	唐睿，何祖涵，张睿智，等.D2D-NOMA系统中混合离线-在线资源分配机制［J］.信息与控制，2023， 52（5）： 574-587.
	TANG R， HE Z H， ZHANG R Z， et al. Hybrid offline-online resource allocation mechanism for D2D-NOMA systems［J］. Information and Control， 2023， 52（5）： 574-587.
29	WU Q， XU J， ZENG Y， et al. A comprehensive overview on 5G-and-beyond networks with UAVs： from communications to sensing and intelligence［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（10）： 2912-2945. 10.1109/jsac.2021.3088681
30	马礼智，唐睿，张睿智，等.基于无线能量传输的物联网数据采集系统中资源分配机制的设计［J］.信息与控制， 2023， 52（2）： 220-234. 10.13976/j.cnki.xk.2023.2034
	MA L Z， TANG R， ZHANG R Z， et al. Design of resource allocation mechanisms for wireless power transfer-based internet-of-things data collection system［J］. Information and Control， 2023， 52（2）： 220-234. 10.13976/j.cnki.xk.2023.2034

[1]	罗华亮, 李全忠, 张旗. 融合信息通信和空中计算的认知无线网络鲁棒资源分配优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1195-1202.
[2]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[3]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[4]	毛志鹏, 仇润鹤. 解码转发全双工能量收集最大的多认知中继网络能效谱效权衡[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1202-1208.
[5]	蔡美玉, 朱润哲, 吴飞, 张开昱, 李家乐. 基于注意力机制和多粒度特征融合的跨视角匹配模型[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 901-908.
[6]	唐瑶瑶, 朱叶晨, 刘仰川, 高欣. CT图像环形伪影去除方法研究现状及展望[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 890-900.
[7]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[8]	秦鑫彤, 宋政育, 侯天为, 王飞越, 孙昕, 黎伟. 基于自适应p持续的移动自组网信道接入和资源分配算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 863-868.
[9]	董炜娜, 刘佳, 潘晓中, 陈立峰, 孙文权. 基于编码-解码网络的大容量鲁棒图像隐写方案[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 772-779.
[10]	赵奎, 仇慧琪, 李旭, 徐知非. 结合注意力和多路径融合的实时肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 945-952.
[11]	李雨秋, 侯利萍, 薛健, 吕科, 王泳. 基于内容解译的遥感图像推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 722-731.
[12]	刘祥, 华蓓, 林飞, 魏宏原. 面向深度学习应用的组件式开发框架的设计实现[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 526-535.
[13]	荆智文, 张屿佳, 孙伯廷, 郭浩. 二阶段孪生图卷积神经网络推荐算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 469-476.
[14]	邱华禄, 蔺素珍, 王彦博, 刘峰, 李大威. 基于复卷积双域级联网络的欠采样磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 580-587.
[15]	张家伟, 高冠东, 肖珂, 宋胜尊. 基于改进分层注意网络和TextCNN联合建模的暴力犯罪分级算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 403-410.

UAV协助下非正交多址接入使能的数据采集系统中能效优化机制

Energy efficiency optimization mechanism for UAV-assisted and non-orthogonal multiple access-enabled data collection system

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 30

相关文章 15

编辑推荐

Metrics