基于强化学习的RIS辅助认知无人机系统资源联合优化方法

    公开(公告)号:CN119997213A

    公开(公告)日:2025-05-13

    申请号:CN202510097750.3

    申请日:2025-01-22

    Applicant: 海南大学

    Abstract: 针对认知无人机与地面移动次用户通信场景,本申请提供了一种基于强化学习的智能反射面(RIS)辅助认知无人机(CUAV)系统资源联合优化方法。RIS‑CUAV系统包括RIS辅助认知无人机网络传输的认知无线通信系统模型、感知模型、传输模型和信道模型。基于该系统,通过联合优化频谱感知持续时间、无人机3D轨迹和RIS相位,建立了RIS‑CUAV系统传输速率最大化数学模型。而后针对该数学模型求解,构建了一种基于双深度q‑网络的深度强化学习框架。所提方法能够实时调整RIS相移、频谱感知持续时间和无人机3D轨迹来适应动态环境条件,同时仿真结果表明,所提方法能够显著提高RIS‑CUAV系统的传输速率。

    基于轨迹和波束成形联合优化的IRS辅助UAV隐蔽通信方法

    公开(公告)号:CN119921812A

    公开(公告)日:2025-05-02

    申请号:CN202510100722.2

    申请日:2025-01-22

    Applicant: 海南大学

    Abstract: 本申请提供了一种有限块长的智能反射面(IRS)辅助多天线无人机隐蔽通信(UAVCC)方法,其中通过利用IRS能够增强移动多天线无人机的隐蔽传输能力,和削弱监视者的探测能力。通过联合优化多天线无人机的轨迹和发射波束成形以及IRS的相移矩阵,建立了无人机的隐蔽传输速率最大化数学模型。为了解决这一非凸问题,将其分解为三个子问题。首先,采用半定松弛方法求解了无人机的轨迹和IRS的相移矩阵两个子问题。其次,应用逐次凸逼近方法,将非凸多天线无人机的发射波束成形优化子问题转化为凸子问题。最后提出了一种有效的块坐标下降结构来获得原问题的次优解。在此基础上,进一步,提出了一种低复杂度惩罚的梯度投影对偶分解法,能够有效减少算法复杂度。数值结果表明了该算法在有限块长IRS‑UAVCC中的有效性和优越性。

Patent Agency Ranking