Atténuation conjointe du brouillage pour les réseaux de relais mixtes RF/FSO : Approches d’optimisation et d’apprentissage

Atténuation conjointe du brouillage pour les réseaux de relais mixtes RF/FSO : Approches d’optimisation et d’apprentissage

V. H. Le, T. T. Nguyen, K. K. Nguyen, V. Assoume et S. Singh, “Joint Jamming Alleviation for Mixed RF/FSO Relay Networks : Optimization and Learning Approaches,” MILCOM 2023 – 2023 IEEE Military Communications Conference (MILCOM), Boston, MA, USA, 2023, pp. 450-455, doi : 10.1109/MILCOM58377.2023.10356329.

Abstract or Summary

Dans les réseaux de relais mixtes radiofréquence/optique en espace libre (RF/FSO), la coordination efficace entre les deux sous-systèmes est cruciale pour maintenir le débit du système. Cependant, le défi s’intensifie lorsque les deux sous-systèmes sont simultanément interceptés par des forces ennemies. Dans cet article, nous proposons une stratégie d’atténuation du brouillage pour protéger le système de relais RF/FSO contre les brouilleurs actifs. Plus précisément, nous nous concentrons sur l’optimisation conjointe de la puissance d’émission de l’utilisateur RF et de l’angle du champ de vision FSO afin de maximiser le débit du système tout en respectant les contraintes d’atténuation du brouillage. La stratégie est formulée sous la forme d’un problème d’optimisation, qui est ensuite résolu à l’aide d’une méthode itérative. En raison de la complexité de la forme, la solution pour le FoV est obtenue par une dérivation d’expression de forme fermée, tandis que la solution pour la puissance d’émission est obtenue en utilisant une technique avancée connue sous le nom d’approximation de Taylor du premier ordre avec la différence des fonctions convexes (D.C). Pour résoudre la complexité informatique associée à la méthode d’optimisation, nous concevons un algorithme d’atténuation du brouillage basé sur l’apprentissage par renforcement profond multi-agents (MADRL) pour résoudre le problème. Les résultats numériques montrent que les performances de l’algorithme basé sur la méthode MADRL sont comparables à celles de la méthode d’optimisation, tout en étant adaptées à un déploiement en temps réel.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag