Intelligent positioning of drones via metaheuristic optimization algorithms for maximizing signal coverage area in forested environments

Esta dissertação tem como objetivo propor uma abordagem metaheurística para otimização de arrays de drones aplicada à maximização da área de cobertura de sistemas de comunicação sem fio, contendo veículos aéreos não tripulados (UAV, em inglês) como estações-base. Para tanto, foram analisados dois tipos de redes que utilizam UAVs: uma rede Wi-Fi padrão operando a 2,4 GHz e uma rede wireless de baixa potência (LPWAN), ambas considerando ambientes medianamente ou altamente arborizados. LPWAN são sistemas projetados para trabalhar com taxas de dados baixas que mantêm, ou até mesmo melhoram, a ampla áre de cobertura fornecida por redes de alta potência. O tipo de LPWAN escolhido para estudo é o LoRa, que opera em um espectro não licenciado de 915 MHz e requer que os usuários se conectem a gateways para transmitir informações a um servidor central - neste caso, cada drone no array tem um módulo LoRa instalado e serve como um gateway não-fixo. A fim de classificar e otimizar o melhor posicionamento para cada UAV no array, três métodos concomitantes de otimização bioinspirada foram escolhidos: o busca cuco (CS), o algoritmo de polinização de flores (FPA) e o algoritmo de ecolocalização de morcegos (BA). Os métodos têm uma distribuição de espaço de busca baseada em voos de Lévy / Mantegna (CS, FPA) e distribuição normal (BA) e apresentam resultados de desempenho distintos para ambos os casos de rede de drones. Os resultados da otimização de posicionamento são então simulados e apresentados via MATLAB, primeiro para a rede Wi-Fi e depois para uma rede IoT-LoRa. Além disso, um modelo de propagação ajustado empiricamente com medidas realizadas no campus da UFPA foi desenvolvido para obter um modelo de propagação em ambientes com florestas. Por fim, o posicionamento dos drones utilizando o modelo de propagação ajustado com medidas é comparado com o posicionamento utilizando o modelo teórico clássico, mostrando que o modelo ajustado é mais eficiente na representação do ambiente com florestas do que o modelo clássico usualmente utilizado em publicações recentes.