توصيفگر ها :
پهپاد , اينترنت اشيا , شبكه نسل ششم , آنيل شبيه سازي شده , يادگيري تقويتي
چكيده فارسي :
در سال‌هاي اخير استفاده از پهپاد‌ها (UAVs)، به دليل داشتن ويژگي‌هايي از جمله استقرار سريع، مقياس‌پذيري و مقرون به صرفه بودن توجه زيادي را به خود جلب كرده است.
در اينترنت اشياء (IoT) با افزايش حجم درخواست‌هاي حساس به تاخير، محاسبات مبتني بر مه به عنوان يك راه حل مناسب براي اين چالش و مكملي براي محاسبات ابري مطرح و مورد توجه قرار گرفته است. محاسبات مبتني بر مه يك ساختار توزيع شده را ارائه مي‌دهد كه در آن سرويس‌هاي محاسبات ابري از جمله پردازش و ذخيره سازي داده‌ها، تا لبه‌ي شبكه توسعه داده شده‌اند و تا حد امكان به دستگاه‌هاي پاياني نزديك شده‌اند. گاهي استقرار گره‌هاي پردازشي محاسبات مه در نزديكي دستگاه‌هاي پاياني كار دشواري است كه مي‌توان با استفاده از پهپاد‌ها تا حد زيادي به رفع اين چالش‌ها كمك كرد. همچنين در شبكه‌هاي بي سيم نسل ششم (6G)، تأمين پوشش ارتباطي در برخي مناطق با مشكلات و هزينه‌هاي زيادي روبرو است؛ زيرا نصب ايستگاه‌هاي پايه (BS) در اين مناطق داراي چالش‌هاي فني و اقتصادي است. علاوه بر اين، در شرايطي ناهمواري‌هاي سطح زمين باعث مي‌شود كه كيفيت سيگنال‌هاي بي سيم كاهش يابد. امكان پرواز در ارتفاعات اين امكان را به پهپاد‌ها مي‌دهد تا ارتباطاتي با خط ديد مستقيم برقرار كنند در نتيجه مي‌توان از آن‌ها در شبكه‌هاي ارتباطي به عنوان ايستگاه پايه هوايي استفاده كرد.
استفاده از پهپاد‌ها به دليل محدوديت انرژي و منابع با چالش‌هايي همراه است. استفاده بهينه از منابع نيازمند تصميم‌گيري‌هاي مناسب و هوشمند مي‌باشد. در اين تحقيق تصميم‌گيري در مورد نحوه تخصيص كانال‌هاي ارتباطي و تعيين مسير پهپاد با هدف بيشينه سازي نرخ تخصيص داده شده به كاربران به طور منصفانه انجام مي‌شود. همچنين پهپاد براي ارائه كيفيت سرويس (QoS) بهتر، دو نوع سرويس حداكثر ممكن گذر دهي (BE) و سرويس تضمين حداقل گذردهي (RT) به كاربران ارائه مي‌كند. از آنجايي كه اندازه فضاي جستجو براي اين مسئله در روش جستجوي فضاي كامل نمايي است، در اين تحقيق دو روش با پيچيدگي زماني كمتر پيشنهاد مي‌شوند؛ هر چند ممكن است به جواب بهينه نرسند: روش آنيل شبيه‌سازي‌شده (SA) كه يك روش ابتكاري محسوب مي‌شود و روش يادگيري تقويتي (SA) كه يكي از رويكرد‌هاي يادگيري ماشين است. نتايج نشان مي‌دهد روش آنيل شبيه‌سازي‌شده عملكرد بهتري داشته است اين روش به طور ميانگين 0/035 نسبت به روش يادگيري تقويتي بهتر عمل كرده است؛ اما براي حل مسئله زمان زيادي لازم دارد و روش يادگيري تقويتي نسبت به آن 8.0/099 سريع‌تر است.
چكيده انگليسي :
In recent years, the use of unmanned aerial vehicles (UAVs) has attracted a lot of attention due to their features such as fast deployment, scalability, and cost-effectiveness. In the Internet of Things (IoT), with the increase of delay sensitive requests, fog computing has emerged as a complement for cloud computing. Fog computing provides a distributed structure in which cloud computing services such as processing and storage of data are extended to the edge of the network close to the end devices. Deploying fog computing nodes near the end devices can be difficult in some circumstances, but can be addressed using UAVs. Moreover, in the sixth generation (6G) wireless networks, with the aim of ubiquitous connectivity, installing base stations (BSs) in some areas has technical and economic challenges. In addition, terrain conditions may reduce the quality of wireless signals, and therefore, limit the coverage. When used as aerial base stations, the UAVs can establish line-of-sight links, and thereby, extend the coverage to distant or hard-to-reach users.
The use of UAVs is accompanied by challenges due to the limitation of energy and resources. Optimal use of resources requires intelligent decision making. In this research, the decision making process involves allocating communication channels and designing the trajectory of the UAV with the aim of maximizing the fair bit rate allocation to users. Also, we consider two types of users: the best effort (BE) users and the real time (RT) users. A quality of service (QoS) aware channel allocation and trajectory design is formulated as a non-linear integer programming problem. Accordingly, we propose two sub-optimal, but efficient, methods; a simulated annealing (SA) based method and a reinforcement learning (RL) based method. The numerical results show that the performance of the SA surpasses that of the RL by %35 but it takes much more time to solve the problems. In particular, the execution of the RL is, on average, %99.8 faster than the SA method.
