論文の概要: Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays

• arxiv url: http://arxiv.org/abs/2308.01511v1
• Date: Thu, 3 Aug 2023 02:49:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 15:27:36.581025
• Title: Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays
• Title（参考訳）: 仮想アンテナアレイを用いたUAVSwarm支援IoTの多目的最適化
• Authors: Jiahui Li, Geng Sun, Lingjie Duan, Qingqing Wu
• Abstract要約: 無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
• 参考スコア（独自算出の注目度）: 55.736718475856726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicle (UAV) network is a promising technology for assisting Internet-of-Things (IoT), where a UAV can use its limited service coverage to harvest and disseminate data from IoT devices with low transmission abilities. The existing UAV-assisted data harvesting and dissemination schemes largely require UAVs to frequently fly between the IoTs and access points, resulting in extra energy and time costs. To reduce both energy and time costs, a key way is to enhance the transmission performance of IoT and UAVs. In this work, we introduce collaborative beamforming into IoTs and UAVs simultaneously to achieve energy and time-efficient data harvesting and dissemination from multiple IoT clusters to remote base stations (BSs). Except for reducing these costs, another non-ignorable threat lies in the existence of the potential eavesdroppers, whereas the handling of eavesdroppers often increases the energy and time costs, resulting in a conflict with the minimization of the costs. Moreover, the importance of these goals may vary relatively in different applications. Thus, we formulate a multi-objective optimization problem (MOP) to simultaneously minimize the mission completion time, signal strength towards the eavesdropper, and total energy cost of the UAVs. We prove that the formulated MOP is an NP-hard, mixed-variable optimization, and large-scale optimization problem. Thus, we propose a swarm intelligence-based algorithm to find a set of candidate solutions with different trade-offs which can meet various requirements in a low computational complexity. We also show that swarm intelligence methods need to enhance solution initialization, solution update, and algorithm parameter update phases when dealing with mixed-variable optimization and large-scale problems. Simulation results demonstrate the proposed algorithm outperforms state-of-the-art swarm intelligence algorithms.
• Abstract（参考訳）: 無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術であり、UAVはその限られたサービスカバレッジを使用して、送信能力の低いIoTデバイスからデータを収集および拡散することができる。 既存のUAV支援データ収集および拡散方式では、UAVがIoTとアクセスポイントの間を頻繁に飛行する必要があるため、余分なエネルギーと時間的コストがかかる。 エネルギーと時間の両方のコストを削減するために、重要な方法はIoTとUAVの伝送性能を高めることである。 本研究では,複数のIoTクラスタから遠隔基地局(BS)へのエネルギー・時間効率のデータ収集・拡散を実現するために,IoTとUAVに協調ビームフォーミングを導入する。 これらのコストの削減を除けば、もうひとつの無視できない脅威は潜在的な盗聴者の存在であり、盗聴者の取り扱いはエネルギーと時間コストを増加させ、その結果、コストの最小化と衝突する。 さらに、これらの目標の重要性は、異なるアプリケーションで比較的異なるかもしれない。 したがって,多目的最適化問題(MOP)を定式化し,ミッション完了時間,盗聴者への信号強度,UAVの総エネルギーコストを同時に最小化する。 定式化 MOP はNPハード,混合変数最適化,大規模最適化問題であることを示す。 そこで本稿では,異なるトレードオフを持つ候補解の集合を,低計算量で様々な要件を満たすことのできる群知能に基づくアルゴリズムを提案する。 また,swarm intelligence手法は,混合変数最適化や大規模問題を扱う際に,解初期化,解更新,アルゴリズムパラメータ更新フェーズを強化する必要があることを示した。 シミュレーションの結果,提案アルゴリズムは最先端のSwarmインテリジェンスアルゴリズムよりも優れていた。

関連論文リスト

• AoI-Sensitive Data Forwarding with Distributed Beamforming in UAV-Assisted IoT [32.6091251316091]
  本稿では,IoT(Internet of Things, モノのインターネット)における年齢フォワード情報(AoI)の分散ビームフォーミングに基づくUAV支援システムを提案する。 そこで我々は,この問題を解決するため,DRLに基づくアルゴリズムを提案し,安定性を向上し,収束を加速する。
  論文  参考訳（メタデータ） (2025-02-13T07:48:36Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• When UAV Meets Federated Learning: Latency Minimization via Joint Trajectory Design and Resource Allocation [47.20867891501245]
  フェデレートラーニング(FL)は、無線ネットワーク上で機械学習モデルをトレーニングするための重要なソリューションとして登場した。 本研究では,無人航空機(UAV)を移動FLサーバとして展開し,FLの訓練プロセスを強化する,革新的なアプローチを提案する。 全体としてのトレーニング効率を改善するために,帯域割り当て,演算周波数,UAVとIoTデバイスの両方の送信電力,UAVの軌道を最適化して遅延問題を定式化する。
  論文  参考訳（メタデータ） (2024-12-10T11:39:27Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization [16.265792031520945]
  フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。 FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。 この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
  論文  参考訳（メタデータ） (2023-08-31T17:50:54Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。