【论文阅读】Stable Communications in Green Unmanned Aerial Relaying Systems

论文基本信息

《Stable Communications in Green Unmanned Aerial Relaying Systems》
《绿色无人机中继系统中的稳定通信》

IEEE INTERNET OF THINGS JOURNAL, VOL. 10, NO. 19, 1 OCTOBER 2023 16675

摘要

绿色无人机中继（UAR）系统，以太阳能无人机（uav）为特色，提供敏捷和灵活的通信服务，最近因其广泛的应用而获得了极大的关注。尽管如此，由于无线信道条件和太阳能供应的基本动态，维持系统的稳定性是实际绿色UAR系统的一个关键问题，因为这两个因素的波动会显著影响通信性能。为了解决这一问题，本文提出了一种具有动态太阳能供应和无线信道条件的UAR系统中稳定通信的方案设计。具体来说，我们首先提出了一个优化问题，称为OFL，以控制功率分配和流量数据速率分配，以最小化长期时间平均能源消耗，同时确保所需的数据速率和系统的稳定性。考虑到求解OFL需要完整的关于太阳能电源和无线信道条件的先验信息，这很难获得，然后我们探索李亚普诺夫理论，将OFL转换为一个在线优化问题，称为ONL。为了找到ONL的解决方案，我们随后设计了一个分布式算法，使每个无人机能够在局部做出自己的决策，从而减少了每个无人机的计算开销。特别地，我们证明了使用所设计的算法可以保证稳定性。大量的仿真结果表明了该方案的性能。

OFL就是offline，ONL就是online。

1.引言

过去十年见证了无线通信技术的快速发展，以及对无处不在、高质量、高数据速率的通信服务的需求，这些服务可以在任何时候访问[1]、[2]、[3]、[4]、[5]。然而，确保移动用户（mu）在一些实际场景中，如临时热点、灾区和复杂地形中获得无处不在的通信仍然具有挑战性。例如，基础设施，如地面通信系统和电力系统，可能在地震或火灾事件中被破坏，因此无法提供及时的通信服务。

为了解决这一问题，无人机（uav）辅助无线通信被认为是一种很有前途的解决方案，以提高当前地面无线通信系统的弹性。无人机具有高度的移动性和成本效益，使其成为灵活和快速提供无线连接的理想选择。更具体地说，多架配备了收发器的无人机可以形成一个无人机中继（UAR）系统，以补充地面无线通信系统[9]。一旦需要，该系统可以快速部署到特定区域，提供来自天空[10]、[11]、[12]、[13]、[14]的临时、按需通信服务。

然而，无人机的飞行时间在实际的UAR系统中是至关重要的，因为它们依赖于来自板载电池的有限能量。通过无线连接传输数据，并保持无人机的推进力，可能会迅速耗尽它们所携带的电池能量，从而迫使它们降落在地面上进行充电。这可能会导致通信中断，从而导致通信不稳定。为了缓解这一问题，Xu等人[15]提出了一种基于功率控制的解决方案来降低多无人机通信系统的能耗。然而，这种解决方案只能节省少量的能量，而且通信不稳定的问题仍然存在。因此，急需扩大无人机的飞行时间。

实现这一目标的一个有希望的方法是利用太阳能为无人机[16]，[17]，[18]，[19]提供动力。HAPS移动太阳滑翔机[16]是这个解决方案的一个实际例子，因为它显示了保持20小时的太阳能无人机在空中飞行，同时支持与Loon的LTE通信。受这个项目的启发，一些先前的研究[20]，[21]，[22]已经探索了太阳能无人机在无线通信中的使用。例如，Dwivedi等人[20]提出通过优化太阳能无人机的态度来最小化能源消耗。Sek坎德等人[22]开发了一个统计模型来建模收集的太阳能，并基于开发的统计模型设计了一个通信方案。另一方面，其他一些研究人员进一步考虑了UAR系统中的高效通信。例如，Seng等人[21]研究了太阳能UAR中的能量感知通信体系Song等人[23]试图通过联合考虑无人机的飞行速度、加速度、航向角和地面用户的传输功率，在太阳能无人机通信系统中实现能源效率最大化。

这些以前的工作忽略了收获的太阳能的自然动态和无线信道条件。相反，他们将系统统计数据（例如，太阳能供应和无线信道条件）视为已知的参数[20]、[21]、[22]、[23]。然而，在有太阳能供应的实际UAR系统中，收集的太阳能量通常是动态的，原因如下。首先，收集的太阳能量高度依赖于自然动态的天气条件；其次，天空中的无人机通常由于风或气流而摇摆不定。除了动态的太阳能供应外，无线信道条件由于环境因素（如无人机的运动和天气条件），也会影响无人机在空中悬停的状态。1当收集的太阳能不足时，动态的太阳能供应和无线通道条件可能导致电池中储能的过度使用。因此，可能会出现不稳定的通信性能。为了解决这一问题，必须设计一个稳定的通信方案，仔细考虑动态太阳能供应和无线信道条件。

在本文中，我们研究了具有动态太阳能供应和无线信道条件的UAR系统中的稳定通信问题。为了处理稳定的通信问题，我们建议在最小数据速率、传输功率和系统稳定性的约束下，最小化长期的时间平均能耗。具体来说，我们首先将在每个节点上接收到的数据和在UAR系统中收集的太阳能量建模为随机过程。然后，我们提出了一个离线有限队列感知能量成本最小化问题，称为OFL，它共同控制传输功率分配和流量。由于OFL是一个时间耦合的随机优化问题，只能通过应用关于太阳能供应和无线信道条件的完整统计信息来解决，我们随后探索李亚普诺夫理论，将OFL重新表述为一个在线有限队列感知的能量成本最小化问题，称为ONL。随后，为了解决ONL问题，我们设计了一种基于分解的分布式算法，使每个无人机能够并行在线做出自己的局部决策。最后，我们进行了广泛的仿真来证明所提出的稳定通信方案的性能。

本文的主要贡献总结如下。

1. 我们提出了一种稳定的通信设计的太阳能供电的UAR系统与动态太阳能供应和无线信道条件。
2. 我们探索李亚普诺夫理论，将OFL重新定义为ONL，这可以在线求解。特别地，我们发现理论性能差距，即a（D/V+C）近似，由重新公式产生。
3. 我们设计了一种基于分解的分布式算法来求解ONL。特别是，UAR系统中的每个节点都要在线进行自己的本地决策。
4. 证明了ONL的解可以保证系统的稳定性。

本文的其余部分组织如下。我们在第二节中介绍了所考虑的网络模型。然后，我们在第三节中提出了问题的公式。第四节给出了所提出的问题的解决方案和理论性能分析。我们随后在第五节中给出了模拟结果，并最后在第六节中总结了本文。

2.系统模型

考虑一个具有多跳通信的太阳能UAR系统，将通信会话从源节点（SNs）中继到它们相应的目标节点（DNs），如图1所示。具体来说，UAR系统是一个时间绘制的通信系统，索引t对应于一个周期(t−1，t]t0，其中t0是每个插槽的持续时间。在槽t处，SNs的一组Ns，t发射一组Ft，通过一组无人机的Nu，t传输到一组Nd，t。此外，我们用有向图Gt（Nt，Lt）对UAR系统进行建模，其中Nt = Ns，t∪Nu，t∪Nd，t和Lt分别表示插槽t处的节点和无线链路。无人机携带的太阳能电池板收集了储存在车载电池[25]中的太阳能。为了避免信道干扰，在UAR系统中采用正交频分多址（OFDMA）方法，为每个无线链路分配正交信道。

A. Power Control 功率控制

在实际的UAR系统中，一个节点通过无线链路传输数据的传输功率高度依赖于该节点的硬件[9]，即，

对于n个∈Ns，t∪Nu，t，l∈Lt，其中pn，l (t)是节点n在槽t通过链路l传输数据的传输功率，pmx n是节点n的最大传输功率。同时，节点n处的节点级传输功率也受到了影响

对于n个∈Ns，t∪Nu，t，其中pn (t)是节点n在槽t处的节点级传输功率，LOn，t是节点n在槽t处的输出链路集合。

B. Data Transmission Under the Channel Capacity Constraint 在信道容量约束下的数据传输

无线链路的数据速率由通过该链路的所有流聚合，这受该链路容量的限制，即，

对于l∈LO n，t，其中rn，l (t)是时隙t的链路l的聚合数据速率，r f n，l (t)是时隙t的链路l的数据速率，Cl (t)是时隙t的链路l的容量。基于香农-哈特利定理[26]，我们有Cl(t)=Wl(t）log2（1+pn，l(t）gl(t)/（N0(t)Wl(t)），其中Wl (t)是链路l的带宽，N0(t)是槽t处接收器噪声的功率谱密度，gl (t)是槽t处的链路l的信道增益。

C. Flow Routing Model 流路由模型

允许拆分数据流。因此，属于一个会话流的数据可以通过多条路径传递。作为一个网络层缓冲区，UAR系统中的每个节点为一个通信会话f维护一个数据队列Qf n。Qf n的排队规律为

对于n∈Nu，t，f∈Ft，其中LI n，t是节点n在槽t的传入链路集合。假设在开始时没有数据在队列中存储，即Qf n (0) = 0，对于n∈Nu，t，f∈Ft。此外，网络层缓冲区的大小是有限的，即：

对于n∈Nu，t，f∈Ft，其中Qf max是在插槽t处为会话f的缓冲区允许的最大大小。

同时，源源和DNs的流路由约束可以描述如下：

其中，Rf n为SN n对会话f所需的传输数据速率。公式(6)和(7)分别表示在SN和DN上没有输入和输出的数据，并且(8)对在SN上发送数据所需的数据速率进行建模。

D. Energy Consumption 能耗

在UAR系统中，无人机主要消耗的能量是：1）在空中悬停；2）即使在空闲模式下也供给电路；3）中继通信会话。这些都被分配了特定的功率值。设ph n和pb n分别表示无人机n在空中悬停的推进功率和无人机n供电电路的背景功率。这两个值都被认为是常数。此外，在中继通信会话期间发生能量消耗，即消耗在发射机和接收机上发射和接收数据的能量。与传输数据所需的能量相比，接收数据的能量可以忽略不计。因此，无人机n在给定槽t期间消耗的能量，用En T (t)表示，可以计算出

E. Solar Energy Harvesting and Storage 太阳能的收集和储存

带有太阳能电池板的无人机在空中飞行时可以获取太阳能。一个特定无人机n的收获功率，用ps n (t)表示，可以表示为psn(t)=ηϕn(t)[24]，其中η是太阳能电池板的收获效率，ϕn (t)是太阳能板在槽t接收到的太阳能量。利用从太阳中获取的太阳能来满足无人机的能量需求，并为其车载电池充电，这可以用数学方法表示

其中pc n (t)≥0和pd n (t)≥0分别为车载电池充电和槽t期间无人机n的能量需求。

在实践中，所收集的太阳能的量受到吸收系数的影响，而吸收系数与太阳辐射的强度和云的密度高度相关。因此，收获的太阳能往往随时间[27]而波动。我们用一个独立的、同分布的（i.i.d.）对动力学进行数学建模。随机过程[28]满足0≤ϕn(t)≤ϕmx，其中ϕmx是太阳能电池板所能接收到的最大太阳能发电量。

收集的太阳能的固有随机性导致了存储在无人机车载电池中的能量的动态。机载电池作为一个能量缓冲器，其能量水平被建模为一个能量队列。设QE n (t)为UAV n∈，t在槽t开始处的能量队列。QE n (t)的能量队列符合以下排队规律：

式中，Eb n (t)为无人机n电池释放的能量。由于所需的能量可能同时来自于所收集的太阳能和电池，所以我们有

之后，（11）可以重写如下：

此外，能量缓冲器受电池容量和电池的最小剩余能量阈值，即，

其中QE th是最小剩余能级，QE最大值是电池可以存储的最大能量量。

F. System Stability 系统稳定性

在具有动态太阳能供应的实际UAR系统中，确保稳定性对于可靠的无线通信至关重要。为了实现这一点，所考虑的UAR系统中的所有队列都需要是稳定的。在不丧失一般性的情况下，根据[29]，我们给出了关于离散时间过程X(t)={X(t)}∞t=0的稳定性的定义和定理。

定义1（速率稳定性）：离散时间过程X (t)为速率稳定，如果

定义2（强稳定性）：离散时间过程X (t)是强稳定的，如果

定理1（强稳定性定理）：如果一个队列X (t)是强稳定的，并且存在一个有限的常数C，使得b (t)−a (t)≤C的概率为1，那么队列X (t)是速率稳定的，其中b (t)和a (t)分别是传出和传入的队列。

3.DYNAMIC ENERGY CONSUMPTION OPTIMIZATION 动态能耗优化

A. Offline Finite-Queue-Aware Energy Cost Minimization 离线有限队列感知能源成本最小化

在本文中，我们的目标是最小化长期时间平均的能源成本所考虑的UAR系统，同时确保系统的稳定性。有限队列感知的能量成本最小化问题可以表述如下：

其中¯E定义为UAR系统的长期平均能源成本，QF(t)=(t)∀∈，∞=0、QE(t)=QE(t)∀、∞=0、P(t)=（∈）∀∈}和R(t)=（∈）∀∈、∈}。OFL是通过联合控制P (t)和R (t)来最小化¯E。值得注意的是，多路径路由结果将由每个链路上的流数据速率间接决定，即检查一个链路上分配的数据速率是否大于零。

OFL是一个利用系统统计的先验知识进行离线决策的离线优化问题。具体来说，在没有对Qf (t)和QE (t)的约束的情况下，OFL是一种时间耦合的随机非线性规划（NLP）问题。一般来说，解决这个问题的代价是非常高昂的。用传统的方法解决这些问题需要关于所涉及的随机变量的完整统计信息，这在实际上可能具有挑战性。此外，对Qf (t)和QE (t)施加的约束条件使得找到OFL的解决方案变得更加复杂。

B. Online Finite-Queue-Aware Energy Cost Minimization 在线有限队列感知能源成本最小化

这里考虑AUV的能量队列稳定，（没有写成能耗，而是能量队列）。

为了有效地解决OFL，我们探索了李雅普诺夫优化理论，并将其重新表述为一个在线优化问题。这种方法打破了OFL中的时间耦合，并能够仅基于当前的系统状态找到一个可行的解决方案。我们将在下面详细介绍这个过程。

我们首先将OFL的目标函数，即¯E，松弛为一个仅为传输功率P(t)的函数。这是通过将(9)中的常数项ph n和p f n与En T (t)分离来实现的。因此，我们得到了一个新的OFL的目标函数，用¯E表示，它不改变最优性，如下：

同时，我们对n∈Nu，t引入了一个改进的能量队列，用En(t)表示。因此，我们将（13）和（14）重写如下：

对于n∈Nu，t，其中Eth和Emax分别为最小能级和最大能级。

相当于把推进功率和无人机的电路功率去掉了，因为这些是常数。

我们引入了一个李亚普诺夫函数来表示UAR系统中维护队列的标量度量。该功能的定义如下：

设Qn (t) =f∈FtQfn(t)表示节点n在槽t处的节点级数据队列，然后我们有

根据(4)，节点级数据队列的排队规则可以由

其中，rn，l (t) =f∈Ftrfn，l(t)。同样地，根据(5)项，我们也有

对于n∈Nu，t，其中Qmax是网络层缓冲区的最大大小。

在（22）中，我们引入了一个虚拟队列(t)={Q(t)，E(t)}，其中Q (t) = {Qn (t)∀n∈Nu，t}∞t=0，E(t)={En(t)∀n∈Nu，t}∞t=0。特别是，较小的L（(t)）意味着队列积压越低，而较大的L（(t)）意味着较高的队列积压。然后，单槽条件李雅普诺夫漂移定义如下：

最小化李亚普诺夫漂移（(t)）可以将(t)的队列积压推向更低的拥塞状态，以实现稳定性。为了最小化OFL中的长期时间平均能量消耗¯E，同时最小化队列积压，而不是直接最小化¯E或（(t)），我们考虑最小化漂移加惩罚函数（DPP），定义如下：

其中V是一个非负的权重，用于衡量我们强调能源消耗的重要性。我们有以下的引理。
引理1：给定在（25）中定义的（(t)），我们有

其中，B是一个常数，即，

其中Cl（max）= Wl (t)log2（1 + pmx n gmax l /（N0(t)Wl (t)））为最大链路容量。(t)与插槽t中节点级传输功率的变量和链路级数据速率的变量有关，即：

证明：为了得到D((t））的上界，我们需要建立D（(t））与每个变量之间的关系。首先，我们使用Q (t)和E(t)的定义来表示（(t)）在D（(t)）中。根据Q (t)和E(t)的演化过程函数，即（23）和（19），我们将（22）替换为（25）得到产量

随后，将（30）替换为（26）产量

注意，∀x，y，z，如果x≥0,0≤y≤ymax，0≤z≤zmax，其中ymax和zmax分别是y和z的上界。然后，我们得到

从(4)中，我们有了所有t和n的Qn (t)≥0。由于传输功率有限，即，(1)，链路容量Cl (t)是上界的，即Cl (t)≤Cl（max），其中pmx n是无人机的最大传输功率，gmax l是链路l的最大信道增益。因此，从(3)项中，我们有0≤rn，l (t)≤Cl（max）。因此，根据（32），我们有

此外，（En(t)+psn(t)T0−pn (t)T0)2的上界如下：

其中，ϕmx和pmx n分别为收获的最大太阳能功率量和无人机的最大传输功率。将（33）和（34）应用到（31）上，我们可以得到

由此，得出了引理1的证明。

目标是最小化（27）的右侧。由于（27）中的B是常数的，所以我们可以最小化(t)。为此，我们利用机会性最小化期望[29]的概念，得到了由所给出的†(t)的等价表达式

因此，我们可以建立一个有限队列感知能量成本最小化的在线优化问题，可以表述如下：

请注意，如前所述，最小化†(t)而不是OFL的原始目标，保证了(t)的强稳定性。

4.DISTRIBUTED ALGORITHM FOR SOLVING THE ONLINE ENERGY COST MINIMIZATION PROBLEM 解决在线能耗最小化问题的分布式算法⭐

A. Reformulation of ONL

求解ONL的第一步是将ONL重新构造为一个在线优化的ONL-R问题。然而，在此重新表述之前，我们提出了一个关于ONL的更严格约束的定理。

定理2： OFL只有当rn，l (t) = Cl (t)为所有∈和l∈n，n，t，t∪Nu，t成立时，才能得到最优解。
证明：请参考附录。

将定理2应用于ONL，可以保证将OFL转化为ONL后的最优性。

根据定理2，(3)中的不等式约束可以用n，n，t(t)∀t和n，n∈n，=Cl(t)代替。因此，我们可以得到rn，l(t)=Wl（t)log2（1+pn，l(t)gl(t)/（N0(t)Wl(t)））。因此，我们可以用R (t)替换P (t)来得到

对于∀t和l∈LO n，t，u∈∪，t∪Nu，t，其中f（rn，l(t)）是相对于rn，l (t)的非递减函数。通过这样做，†(t)可以被重写为一个仅包含R(t)的函数，即，

此外，ONL中的(1)和(2)可以分别写成如下：

对于n∈Nt。等式（20）可写成如下：

等价于

因此，ONL可以重新表述如下：

ONL-R是一个速率优化的在线优化问题，它是一个关于R (t)的凸优化问题。虽然ONL-R只能通过了解完整的统计参数来求解，但直接求解ONL-R需要收集多跳UAR系统中所有无人机的全局现状信息，从而产生大量的开销。

B. Distributed Solution to ONL-R 针对ONL-R的分布式解决方案

n R (t)中的变量由于术语T0 2l∈LIn，trn，l(t)l∈LOn，trn，l(t)而耦合。这意味着无人机u的最优速率控制决策ru，l (t)依赖于其邻近节点（SNs或无人机）所做的决策，其中的集合被定义为Su，t。然而，目标函数和ONL-R约束中的其他项对于不同的节点都是可分离的。因此，可以采用迭代的方法来求解ONL-R，并在相邻节点之间交换局部最优解。然而，仅凭这种方法并不能确保全球最优解决方案的共识。为了克服这一问题，我们提出了一个局部优化模型，其中每个节点局部优化其速率控制与所有节点之间的共识。

为了促进这一点，我们引入了局部变量和全局变量。局部变量，用Rn (t) = {rn，l (t)，l∈LO u，t}，n∈Ns，u，t表示，是每个节点的速率控制算法的输出解。另一方面，全局变量是相邻节点之间的交换速率信息，用R(t)={R1(t)，R2(t)，…，R|Ns，u，t|(t)}，其中Rn(t)={rn，l(t)}，n∈Ns，u，t。局部变量Rn (t)应与全局变量Rn (t)中的相应部分达成一致，即Rn (t)−Rn(t)=0。

解耦术语T2 0l∈李n，rn，l(t)l∈LOn，∈，l(t)，对于每个节点n，我们考虑rn，l(t)，l∈李n，t是一个全局变量由节点n的邻居，rn，l(t)，l∈LO n，t的局部变量。然后，对于给定的全局变量，这意味着每个节点都有关于其邻居的速率控制的信息，R (t)可以等价于

其中F（Rn(t)）是一个局部变量Rn(t)确定的函数，具有给定的全局变量R(t)。

然后，为了将不等式约束(8)、（40）、（41）和（43）纳入目标函数，我们在（Rn(t)）中（Rn(t)）在节点n（即(8)、（40）、（41）和（43）中，否则在（Rn（t)）=+∞中。用表示，节点n的集合都是可行的

解决因此，ONL-R可以重新表述如下：

只要局部变量和全局变量达成共识，ONL-R0就可以在局部求解。具体来说，Rn(t)−Rn(t)=0可以保证共识。为了求解ONL-R0，我们首先构造一个增广拉格朗日函数，如下：

C. Performance Analysis

5.仿真结果

A. Simulation Settings

B. Lyapunov Optimality

C. System Stability

图4显示了数据和能量队列的积压大小，它们对系统的稳定性有影响。特别是，队列的积压大小接近于零，系统的稳定性就越强。具体来说，我们将所提出的方案与EM-OPT进行了比较，并改变了无人机的数量，以显示能源和数据队列的积压规模的变化。在这个仿真例子中，我们改变V，设置S = 12，并保持所有其他通信参数不变。

我们可以发现，随着无人机数量的增加，能源和数据队列的积压规模也会增加。例如，如果采用所提出的方案，并且V设置为2.9×103，则U = 4和U = 6的能源队列的积压大小分别为−201.2和23.3 J。同样地，对于U = 4和U = 6，数据队列的待办事项大小分别为0.32×108和1.28×108。此外，我们还可以看到，与EM-OPT相比，该方案可以实现更小的能量和数据队列的积压规模，这意味着该方案在太阳能多跳UAR系统中实现了更强的稳定性。

图4也可以显示出V对稳定性性能的影响。具体来说，我们可以从图4中观察到，一旦V超过某个值，能量和数据队列的积压大小就会随着V的增加而变高。这些信息可用于根据实际UAR系统的需求调整V，如在需要较低能耗的灾区，或在需要更稳定的网络以防止通信性能下降的临时热点地区。

此外，我们还探讨了系统的稳定性和性能指标（即能源消耗和吞吐量）之间的关系。图5显示，当U = 6和S = 12时，当V约为3×1013时，稳定性最强。我们从两个角度来考虑稳定性和性能指标之间的关系。一方面，当V从1×1013到3×1013变化时，稳定性逐渐接近最高，能耗消耗降低了12%，对吞吐量的影响很小（约为1%)。这是因为能源队列从负到零的变化表明，可以更有效地利用多余的太阳能来提高系统的稳定性，同时保持通信性能。另一方面，当V从3×1013到5×1013变化时，稳定性变差，导致能源消耗下降，但吞吐量显著降低（约10%）。原因是，当V从3×1013变化到5×1013变化时，能量队列的积压大小从零变为正，这意味着不能使用额外的太阳能。然而，通过牺牲通信性能来降低能耗仍然是可能的。

D. Performance Improvement Achieved by the Proposed Scheme

6.总结

本文研究了在动态太阳能供电和无线信道条件下的UAR系统中的稳定通信问题。为了解决这一问题，我们提出在保证系统稳定性的同时最小化长期时间平均能源成本。因此，我们提出了能量成本最小化问题，即OFL，这是一个时间采样的随机问题。为了解决OFL，我们探索了李亚普诺夫理论，将OFL重新表述为一个在线优化问题，即感知能量收集的能量成本最小化，即，称为ONL。为了解决ONL问题，我们设计了一种基于分解的分布式算法，使UAR系统中的每个节点能够在本地并行进行在线优化。通过大量的仿真，验证了所提出的稳定通信解决方案的性能。

补充