| Titre : | Drone Placement and Energy Optimization for Flying Ad Hoc Networks Coverage via Deep Reinforcement Learning |
| Auteurs : | AOUIMEUR Abdallah, Auteur ; AKKAL Azel-Islem, Auteur ; OUESSAI Asmâa, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 84ص |
| Accompagnement : | CD |
| Langues: | Anglais |
| Index. décimale : | BUC-M 008563 |
| Catégories : | |
| Mots-clés: | FANET, UAV, Deep Reinforcement Learning, DQN, Energy Optimization, K-Means Clustering, 3D Placement. FANET, UAV, Apprentissage par Renforcement Profond, DQN, Optimisation Énergétique, K-Means, Placement 3D. : FANET ،UAV ،التعلّم ّ معززالعميق، DQN ،تحسين استهالك الطاقة، تجميع K-Means ،توضع ثالثي األبعاد. |
| Résumé : |
The rapid evolution of wireless communication technologies has driven the emergence of
Flying Ad Hoc Networks (FANETs), where multiple Unmanned Aerial Vehicles (UAVs) cooperate to provide coverage in infrastructure-deprived environments. A critical challenge in FANETs is the strict energy constraint imposed by limited battery capacity, which directly affects network lifetime and mission success. This thesis investigates the use of Deep Reinforcement Learning (DRL), specifically Deep Q-Network (DQN) architectures, to jointly optimize UAV placement and energy consumption in a three-dimensional FANET environment. Three DQN variants (DQN-3L, DQN-4L, DQN-5L) are trained over 12,000 episodes within a custom Gymnasium-based simulation using an energy-aware reward function defined as the ratio of navigation progress to energy consumed. A K-Means clustering algorithm initializes UAV positions at user-density centroids to accelerate convergence. Results demonstrate that DQN-5L achieves the best performance: 84.3% mission success rate, 22.3% reduction in energy consumption, and a 36.2% improvement in energy efficiency compared to the shallowest architecture. Deterministic inference testing confirms 100% goal-reaching accuracy with an energy efficiency metric of 0.375. Multi-UAV validation with K=2 drones confirms the scalability of the proposed framework for cooperative FANET deployments. L’évolution rapide des technologies de communication sans fil a favorisé l’émergence des Réseaux Ad Hoc Volants (FANETs), où plusieurs véhicules aériens sans pilote (UAVs) coopèrent pour fournir une couverture dans des environnements dépourvus d’infrastructure. L’un des défis majeurs des FANETs est la contrainte énergétique stricte imposée par la capacité limitée des batteries, qui affecte directement la durée de vie du réseau et le succès des missions. Ce mémoire étudie l’utilisation de l’Apprentissage par Renforcement Profond (DRL), et plus particulièrement des architectures Deep Q-Network (DQN), pour optimiser conjointement le placement des UAVs et leur consommation énergétique dans un environnement FANET tridimensionnel. Trois variantes DQN (DQN-3L, DQN-4L, DQN-5L) sont entraînées sur 12000 épisodes dans un environnement de simulation basé sur Gymnasium, avec une fonction de récompense énergétique définie comme le rapport entre la progression de navigation et l’énergie consommée. Un algorithme de clustering K-Means initialise les positions des UAVs aux centroïdes de densité d’utilisateurs pour accélérer la convergence. Les résultats montrent que DQN-5L atteint les meilleures performances : un taux de succès de 84,3 %, une réduction de 22,3 % de la consommation énergétique, et une amélioration de 36,2 % de l’efficacité énergétique par rapport à l’architecture la plus simple. La validation multi-UAV avec K=2 drones confirme la scalabilité du cadre proposé. أفرزالتطور السريع في تقنيات االتصاالت الالسلكية ظهور الشبكات المتنقلة الجوية ( FANETs)،حيث تتعاون مجموعةمن الطائرات غير المأهولة ( UAVs)لتوفير تغطية اإلتصال في البيئات المحرومة من البنية التحتية. ويتمثّل أبرز مباشراعلى عمر الشبكة تحدياتهذه الشبكات في القيود الطاقية الصارمة الناجمة عن محدودية طاقة البطارية، مما يؤثّر ونجاحالمهام. تستقصي هذه الرسالة استخدام التعلّم ّ معززالعميق ( DRL)،وتحديدًا بنية شبكة Q العميقة ( DQN)،لتحسين توضعالطائرات غير المأهولة واستهالكها الطاقوي في بيئة ثالثية األبعاد. تم تدريب ثالثة نماذج (DQN-3L, DQN )DQN-5LDQN-4L, عبر 12,000 حلقة باستخدام دالة مكافأة واعية بالطاقة، مع تهيئة مواضع أولية باستخدام خوارزمية تفوقنموذج DQN-5L بتحقيقه نسبة نجاح 84.3 ،%وتخفيض استهالك الطاقة بنسبة 22.3 ،% K-Means.أثبتت النتائج ّ وتحسينكفاءة الطاقة بنسبة 36.2 .%كما أثبت اختبار االستدالل الحتمي دقة 100 %في الوصول إلى الهدف، مما يؤكد فعاليةاإلطار المقترح لنشر طائرات ؿير مأهولة في شبكات FANET متعددة العمالء. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008563 Adobe Acrobat PDF |
