МАТЕМАТИЧНА МОДЕЛЬ РАДІУСА ЗВ’ЯЗКУ МОБІЛЬНОГО НАЗЕМНОГО РЕТРАНСЛЯТОРА З УРАХУВАННЯМ ДИНАМІЧНОЇ ОРІЄНТАЦІЇ АНТЕНИ

Oleksii Mykhailichenko

doi:10.26906/SUNZ.2025.4.190

Автор(и)

Oleksii Mykhailichenko

DOI:

https://doi.org/10.26906/SUNZ.2025.4.190

Ключові слова:

радіус зв’язку, мобільний ретранслятор, орієнтація антени, лог-дистанційна модель, гібридні мережі, FANET, LoRa, моделювання, швидкодія, телекомунікаційні системи

Анотація

Підвищення вимог до ефективності мобільних ретрансляторів у гібридних мережах типу FANET і LoRa зумовлює потребу у створенні спрощених моделей оцінювання зв’язності. Об’єктом дослідження є процес поширення радіосигналу між мобільним ретранслятором і множиною вузлів у динамічному середовищі. Метою статті є розроблення спрощеної математичної моделі радіуса зв’язку, що враховує швидкість руху, орієнтацію антени та втрати сигналу на перешкодах. Запропонована модель забезпечує скорочення часу обчислень на 10–15 % при похибці не більше 15 % порівняно зі складною моделлю. Вона придатна для швидкого моделювання великих FANET/LoRa мереж, забезпечує баланс між точністю та швидкодією та може бути використана для оптимізації розташування мобільних ретрансляторів у телекомунікаційних системах.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Zeng, Y., & Zhang, R. (2017). Energy-Efficient UAV Communication With Trajectory Optimization. IEEE Transactions on Wireless Communications, 16(6), 3747–3760. https://doi.org/10.1109/twc.2017.2688328

2. Miller, N., Goulet, N., & Ayalew, B. (2023). Energy-aware mission planning for unmanned ground vehicle fleets. Proc. of the Ground Vehicle Systems Engineering and Technology Symp. U.S. Army TARDEC. https://doi.org/10.4271/2024-01-4071

3. Zhang, Y., Zhao, R., Mishra, D., & Ng, D. W. K. (2024). A comprehensive review of energy-efficient techniques for uavassisted industrial wireless networks. Energies, 17(18), 4737. https://doi.org/10.3390/en17184737

4. Diao, Y., Hu, Y., & Fu, J. (2024). Deep reinforcement learning-based UAV control for optimized energy efficiency and throughput in uav-assisted communication. У 2024 43rd chinese control conference (CCC) (pp. 2524–2530). IEEE. https://doi.org/10.23919/ccc63176.2024.10661522

5. Omoniwa, B., Galkin, B., & Dusparic, I. (2022). Optimising energy efficiency in uav-assisted networks using deep reinforcement learning. IEEE Wireless Communications Letters, 1. https://doi.org/10.1109/lwc.2022.3167568

6. Munasinghe, I., Perera, A., & Deo, R. C. (2024). A comprehensive review of UAV-UGV collaboration: Advancements and challenges. Journal of Sensor and Actuator Networks, 13(6), 81. https://doi.org/10.3390/jsan13060081

7. Yuan, Y., Ren, G., Cai, X., & Li, X. (2024). An adaptive 3D neighbor discovery and tracking algorithm in battlefield flying ad hoc networks with directional antennas. Sensors, 24(17), 5655. https://doi.org/10.3390/s24175655

8. Azevedo, J. A., & Santos, F. E. (2022). Performance evaluation of directional antennas in zigbee networks under NLOS propagation conditions. Electronics, 11(13), 2032. https://doi.org/10.3390/electronics11132032

9. Ji, A., & Wu, J. (2022). Joint deployment and power optimization for UAV relay in post-disaster situations. Wireless Communications and Mobile Computing, 2022, Article ID 9560806. https://doi.org/10.1155/2022/9560806

10. Wan, F., Yaseen, M. B., Riaz, M. B., Shafiq, A., Thakur, A., & Rahman, M. O. (2024). Advancements and challenges in uavbased communication networks: A comprehensive scholarly analysis. Results in Engineering, 103271. https://doi.org/10.1016/j.rineng.2024.103271