A multi‐objective optimization approach for beam pattern synthesis of<scp>UAV</scp>virtual rectangular antenna array
Notice bibliographique
Résumé
Abstract Virtual antenna array (VAA) formed by unmanned aerial vehicle (UAV) antenna units using collaborative beamforming (CB) technology plays an important role in the air communication system, and can be used in radar, military, disaster rescue and other places. However, there are still some issues with the beam pattern formed by this method, such as high sidelobe level (SLL), high cost and low efficiency. In this article, each UAV carries an omnidirectional antenna unit, and a large number of UAVs form a UAV virtual rectangular antenna array (UVRAA) to communicate with the ground base station (BS). We formulate an overhead minimization and efficient communication multi‐objective optimization problem (OMECMOP) which jointly optimize the excitation current weights of the UVRAA and reduce the number of UAVs in operation to improve the beam pattern, enhance the communication efficiency and decrease the overhead of UVRAA. In addition, we also propose an improved multi‐objective multi‐verse optimization algorithm based on the inverse decline curve type (ISDT‐MOMVO) which introduces a strategy optimization initialization solution with quasi‐opposition based learning (QBL) and a hybrid solution updating operators to solve the OMECMOP. The simulation results show that compared with other traditional swarm intelligence (SI) optimization algorithms the ISDT‐MOMVO algorithm produces better beam pattern and the thinning rate can reach 50%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».