Key points are not available for this paper at this time.
Wir betrachten die Uplink-Übertragung zwischen einer Multi-Antennen-Bodenstation und einem unbemannten Fluggerät (UAV) Schwarm. Die UAVs werden als intelligente Agenten angenommen, die ihre optimale dreidimensionale (3-D) Bereitstellung erkunden können, um die Kanal-Kapazität des Multiple Input Multiple Output (MIMO) Systems zu maximieren. Insbesondere, unter Berücksichtigung der Einschränkungen jedes UAVs beim Zugriff auf die globalen Informationen des Netzwerks, konzentrieren wir uns auf eine dezentrale Kontrollstrategie, indem wir beachten, dass jedes UAV im Schwarm nur die lokalen Informationen nutzen kann, um die optimale 3-D-Bereitstellung zu erreichen. In diesem Fall kann das Optimierungsproblem in mehrere Optimierungsunterprobleme in Bezug auf die Rangfunktion unterteilt werden. Aufgrund der nicht-konvexen Natur der Rangfunktion und der Tatsache, dass die Optimierungsunterprobleme gekoppelt sind, ist das ursprüngliche Problem NP-schwer und kann daher nicht mit Standard-Convex-Optimierungs-Tools gelöst werden. Interessanterweise können wir die Beschränkungsbedingung jedes Unterproblems entspannen und das Optimierungsproblem durch ein formuliertes Spiel zur Maximierung der UAV-Kanal-Kapazität lösen. Wir analysieren ein solches Spiel gemäß der gestalteten Belohnungsfunktion und der potenziellen Funktion. Danach diskutieren wir die Existenz des reinen Nash-Gleichgewichts im Spiel. Um das beste Nash-Gleichgewicht des MIMO-Systems zu erreichen, entwickeln wir einen dezentralen Lernalgorithmus, nämlich das dezentrale UAV-Kanal-Kapazitätslernen. Die Details des Algorithmus werden bereitgestellt, und danach werden die Konvergenz, die Wirksamkeit und die rechnerische Komplexität analysiert. Darüber hinaus geben wir einige aufschlussreiche Bemerkungen auf der Grundlage der Beweise und der theoretischen Analyse. Außerdem zeigen umfangreiche Simulationen, dass der entwickelte Lernalgorithmus eine hohe MIMO-Kanal-Kapazität durch die Optimierung der 3-D-UAV-Schwarm-Bereitstellung mit den lokalen Informationen erreichen kann.
Gao et al. (Montag) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: