商品描述
無人機網絡被譽為低空經濟發展的“中樞神經”，是低空智聯網的關鍵基礎設施。本書系統探討了生成式人工智能(AI)賦能無人機網絡的創新方法、實驗設計與性能，涵蓋了基於生成對抗網絡的無線電地圖重建、大語言模型驅動的資源調度、基於生成對抗模仿學習的路由協議、基於擴散模型的移動邊緣計算與任務卸載、融合條件生成對抗網絡與聯邦學習的入侵檢測等關鍵技術，並通過實驗分析，討論了新方法在準確性、穩健性和效率方面的性能表現。本書系統性地探索了生成式AI中生成對抗網絡、大語言模型、擴散模型等新方法與無人機網絡中通信建模、資源管理、組網方法、網絡安全等相結合的思路，設計了多種增強型多智能體深度強化學習算法，並提出了創新性的解決方案。本書第3~9章均以系統模型、問題描述、算法設計與實驗結果分析為基本撰寫框架，能夠為相關理論研究和工程實踐提供參考。本書適合無線通信、人工智能、移動邊緣計算等領域的研究及開發人員閱讀，也可作為高校相關專業教師、研究生和高年級本科生的進階教材，助力讀者了解和掌握生成式AI賦能無人機網絡的 研究成果與技術路徑。
作者簡介
李曉歡，博士/博士後、教授、博士生導師，廣西傑青、廣西八桂學者青年拔尖、廣西 教師、廣西模範教師、綜合交通大數據應用技術 工程實驗室(廣西)執行副主任、廣西高校智能網聯與場景化系統重點實驗室主任。是TIAA&FuTURE的“智能網聯汽車”工作組成員。近年來針對空天地網絡、車聯網、綜合交通大數據、智能網聯與場景化等關鍵技術展開研究。主持 自然科學基金項目2項（其中聯合基金重點項目1項）、廣西科技重大專項項目2項目、廣西傑出青年基金項目1項、廣西重點研發計劃項目2項等。發表和錄用學術論文80餘篇，其中包括IEEE IoT、IEEE T-Com、IEEE TNSE等論文多篇，並出版英文專著1部，中文專著1部；主編地方標準2項，參編1項; 授權發明專利28項；獲得省部級教學成果一等獎2項（其中1項 ，1項排名第三）；省部級科技一等獎1項（ ），二等獎2項（其中1項 ）。
目錄大綱
第 1 章 無人機網絡 1
1.1 引言 1
1.2 無人機網絡相關技術 2
1.2.1 無人機通信與網絡資源管理 2
1.2.2 無人機網絡拓撲管理與覆蓋優化 3
1.2.3 無人機網絡*與幹擾管理 4
1.3 研究現狀與挑戰 5
1.3.1 信道模型構建 5
1.3.2 多址接入選擇 6
1.3.3 資源管理與任務卸載 9
1.3.4 拓撲管理與路由協議 10
1.3.5 網絡覆蓋優化 13
1.3.6 網絡* 14
1.3.7 幹擾管理 15
1.4 本章小結 17
參考文獻 17
第 2 章 生成式 Al 24
2.1 引 言 24
2.2 發展歷程 26
2.2.1 早期探索階段 26
2.2.2 深度學習的興起 26
2.2.3 GAN 的突破 27
2.2.4 Transformer 模型與大語言模型 27
2.2.5 擴散模型與生成式預訓練模型 27
2.3 生成式AI 模型 28
2.3.1 變分自編碼器 28
2.3.2 GAN 32
2.3.3 Transformer 模型 35
2.3.4 擴散模型 41
2.3.5 大語言模型 46
2.4 本章小結 53
生成式AI 賦能無人機網絡
參考文獻 53
第 3 章 基於生成對抗網絡的無人機網絡無線電地圖重建 60
3.1 引言 60
3.2 系統模型 62
3.3 問題描述 62
3.4 基於生成對抗網絡的無線電地圖生成模型 63
3.4.1 無線電地圖生成模型的框架 63
3.4.2 無線電地圖生成模型的兩階段 64
3.4.3 無線電地圖生成模型的損失函數 66
3.5 實驗結果分析 68
3.5.1 實驗設置 68
3.5.2 *性測試 69
3.5.3 穩健性測試 71
3.6 本章小結 72
參考文獻 72
第 4 章 基於大語言模型的無人機網絡資源調度模型構建 75
4.1 引言 75
4.2 系統模型 76
4.2.1 多源知識庫構建 77
4.2.2 知識向量數據庫構建 80
4.2.3 檢索增強生成模型設計 81
4.3 問題描述 82
4.4 異構智能體雙時延深度確定性策略梯度算法 82
4.4.1 馬爾可夫決策過程模型設計 83
4.4.2 算法設計 84
4.5 實驗結果分析 86
4.5.1 實驗設置 86
4.5.2 結果對比與分析 87
4.6 本章小結 90
參考文獻 90
第 5 章 基於生成對抗模仿學習的無人機自適應路由算法 94
5.1 引言 94
5.2 系統模型 95
5.3 問題描述 95
5.4 基於生成對抗模仿學習的自適應路由協議 96
5.4.1 基於馬爾可夫決策過程的路由生成策略 97
5.4.2 基於Q 值的生成對抗模仿學習 98
5.4.3 深度Q 網絡在線決策 100
5.5 實驗結果分析 101
5.5.1 仿真參數設置 101
目 錄
5.5.2 基準與性能指標 103
5.5.3 算法驗證 104
5.5.4 訓練效率 105
5.5.5 泛化能力評估 106
5.5.6 性能對比 107
5.6 本章小結 110
參考文獻 110
第 6 章 基於擴散模型的無人機輔助移動邊緣計算 113
6.1 引言 113
6.2 系統模型 114
6.2.1 移動模型 116
6.2.2 通信模型 117
6.2.3 計算模型 118
6.2.4 無人機負載均衡模型 119
6.2.5 區域資源需求均衡模型 119
6.3 問題描述 120
6.4 基 於DM -MATD3的任務卸載策略 121
6.4.1 MATD 3框架 121
6.4.2 基於擴散模型的MATD 3 算 法 122
6.5 實驗結果分析 125
6.5.1 仿真參數設置 125
6.5.2 性能分析 126
6.6 本章小結 128
參考文獻 129
第 7 章 基於生成擴散模型的無人機載 DNN 任務卸載 132
7.1 引 言 132
7.2 系統模型 134
7.2.1 任務模型 135
7.2.2 通信模型 135
7.2.3 移動模型 136
7.2.4 信息新鮮度模型 136
7.2.5 能耗模型 137
7.3 問題描述 138
7.4 基於貪婪算法的路徑規劃方法 139
7.4.1 適應性函數 139
7.4.2 路徑規劃方法 139
7.5 基 於GDM 和 MADDPG 的 DNN 任務卸載 140
7.5.1 GDM -MADDPG 算法 140
7.5.2 生成擴散模型的反向去噪過程 142
7.5.3 馬爾可夫決策過程 143
生成式AI 賦能無人機網絡
7.6 實驗結果分析 144
7.6.1 實驗設置 144
7.6.2 性能比較 145
7.7 本章小結 149
參考文獻 149
第 8 章 基於擴散模型的低空無人機探索優化與任務分配 152
8.1 引 言 152
8.2 系統模型 154
8.2.1 應用場景 154
8.2.2 移動模型 155
8.2.3 通信模型 155
8.2.4 時延模型 157
8.2.5 能耗模型 157
8.3 問題描述 158
8.4 基於Lyapunov 的動態長時問題解耦 159
8.5 基 於HG -MADDPG 的無人機任務卸載策略 163
8.5.1 基於匈牙利算法的探索區域選擇 164
8.5.2 馬爾可夫決策過程描述 164
8.5.3 融合Hungarian 與 GDM 的多智能體強化學習方法 165
8.6 實驗結果分析 168
8.6.1 實驗設置 168
8.6.2 性能比較 169
8.7 本章小結 175
參考文獻 176
第 9 章 基 於Hybrid-GDM 的無人機網絡服務遷移優化與可信評估方法 178
9.1 引言 178
9.2 系統模型 179
9.2.1 VT服務遷移模型 179
9.2.2 攻擊模型 182
9.2.3 雙層信任評估模型 182
9.2.4 效用函數 184
9.3 問題描述 185
9.4 用於車輛孿生體服務遷移的Hybrid -GDM 算 法 185
9.4.1 問題建模 186
9.4.2 Hybrid -GDM 算法生成*決策 186
9.5 實驗結果分析 191
9.5.1 實驗設置 191
9.5.2 結果對比與分析 191
9.6 小結 194
參考文獻 195
