[论文解读] UAV-Assisted and Intelligent Reflecting Surfaces-Supported Terahertz Communications
本文提出了一种联合优化框架，用于通过智能反射面（IRS）增强的无人机（UAV）辅助太赫兹（THz）通信，联合优化无人机轨迹、IRS相位移、子带分配和功率控制，以最大化最小用户数据速率。该方法采用带速率约束惩罚的连续凸逼近（CAR）方法及闭式相位移解，仿真结果表明其在速率增益方面显著优于基准方案。
In this paper, unmanned aerial vehicles (UAVs) and intelligent reflective surface (IRS) are utilized to support terahertz (THz) communications. To this end, the joint optimization of UAV's trajectory, the phase shift of IRS, the allocation of THz sub-bands, and the power control is investigated to maximize the minimum average achievable rate of all the users. An iteration algorithm based on successive Convex Approximation with the Rate constraint penalty (CAR) is developed to obtain UAV's trajectory, and the IRS phase shift is formulated as a closed-form expression with introduced pricing factors. Simulation results show that the proposed scheme significantly enhances the rate performance of the whole system.
研究动机与目标
- 通过利用UAV移动性和IRS可重构性，解决太赫兹（THz）频段中严重的路径损耗和阻塞问题。
- 通过将THz信道建模为距离相关的子带，克服现有单子带IRS-UAV系统的局限性。
- 通过联合优化UAV轨迹、IRS相位移、子带分配和功率控制，最大化所有地面用户之间的最小平均可实现速率。
- 设计一种实用算法，以可处理的方式解决联合优化问题的非凸性。
- 验证所提方案在提升高移动性、高频段THz网络中的频谱效率和公平性方面的有效性。
提出的方法
- 将非凸联合优化问题分解为三个子问题：UAV轨迹、IRS相位移和THz子带/功率分配。
- 采用带速率约束惩罚的连续凸逼近（SCA）方法（CAR），在迭代优化UAV轨迹的同时确保目标函数值非递减。
- 利用定价因子推导IRS相位移的闭式表达式，以平衡用户速率约束并提升收敛性。
- 在固定UAV轨迹和IRS相位移后，采用基于对偶的方法求解子带分配和功率控制子问题。
- 将子问题整合为一种迭代算法（算法2），通过交替优化轨迹、相位移和资源分配直至收敛。
- 采用次梯度下降法更新惩罚方法中的定价因子，确保速率约束逐步满足。
实验结果
研究问题
- RQ1UAV移动性与IRS可重构性如何联合缓解太赫兹频段中的路径损耗与阻塞？
- RQ2在具有多子带的IRS辅助THz系统中，最优UAV轨迹是什么，能够最大化最小用户速率？
- RQ3在高移动性THz网络中，IRS相位移应如何动态调整以提升频谱效率与公平性？
- RQ4在THz频段中，面对距离相关的路径损耗，何种子带分配与功率控制策略能最大化最小用户速率？
- RQ5联合优化UAV轨迹、IRS相位移、子带分配与功率控制是否能优于固定或随机选择的配置？
主要发现
- 所提算法相比基准方案实现了显著更高的最小平均用户速率，且性能差距随迭代次数增加而扩大。
- 优化后的UAV轨迹相比初始轨迹减少了飞行距离，表明具有节能优势并更好地利用了IRS与信道多样性。
- 验证了所提算法的收敛性，最小速率在有限次迭代后趋于稳定。
- IRS相位移的闭式解实现了高效计算，提升了算法可扩展性。
- 基于CAR的轨迹优化确保了目标函数值非递减，保证收敛至有意义的解。
- 仿真结果表明，联合优化所有系统参数（轨迹、相位移、子带、功率）的性能显著优于参数固定或随机选择的方案。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。