文献综述（或调研报告）：
在过去的几十年里，自然灾害和人为灾害的频率增加了许多，造成了巨大的生命和财产损失。灾后通信恢复问题开始得到重视。蜂窝基站这样的地面通信基础设施可能会在灾难中遭到破坏或出现故障。传统的应急通信恢复手段通常依赖于卫星、应急通信车辆和对讲机。然而他们或多或少存在问题，常用的通信终端，如手机和电脑除非增加可扩展天线，无法直接与卫星进行通信。此外，许多灾难性灾害，如高震级地震和化学爆炸，往往会造成严重的道路损坏，这会阻碍紧急地面通信车辆进入灾区。对讲机也有短距离通信的局限性，并且它的普及程度远不如手机[1]。
近年来，由于无人机辅助应急通信可以更快速、灵活地部署，不受地面交通条件的限制等优势得到了广泛的研究关注，救灾是其重要的应用场景之一。从2004年到2014年，我们主要对无人机灾难情景开展了以下方向的应用研究[2]。
- 监视，预测及早期预警：通过对环境数据进行分析，预测灾难的到来。
- 位置评估布局：对灾后场景进行分析，合理布局救灾力量。
- 搜救任务：搜索解救困在废墟中的受灾群众。
- Standalone通信系统：在灾难中代替重建被破坏的通信基站。
- 灾难评估：通过视频传输等方式对灾害信息分析评估。
结合传统的灾后应急通信恢复手段，加入新兴的无人机研究方向成果，越来越多的无人机灾后应急通信恢复模型被提出。通过无人机取代损毁基站提供灾后通信服务的新型网络结构[3] [4]。[5]中提出了一个全新的三维网络体系灾后应急结构模型，具有完整的用于灾后通信快速恢复的航空和地面基站。较为完整地概括了目前灾后情景中可能使用的技术并以此为背景对无人机灾后应急策略的部署进行了优化仿真。在已知剩余地面基站的情况下，将地面车载基站与空中基站问题解耦考虑，并对车载基站，飞行基站，空投基站的部署寻求最优化的派遣策略。对每一个特定的部署策略（即声明所有派遣基站的时间和目标位置）我们可以计算出目标时间内灾区的通信覆盖情况，并定量评估策略的好坏。但是该无人机策略选择问题由于涉及到大量的参数和约束条件影响，很难找到闭合形式的公式来进行直接优化。这个问题因而转化成为了一个黑箱优化问题。
黑箱优化问题最小化了假设的参数，因此在多个领域在不同的名字下（比如贝叶斯优化问题[6] [7] [8]，无导数优化问题[9] [10]，时序实验设计[11]，多变量多臂老虎机问题[12] [13] [14]）有宽泛的利用。多种现有算法可以用来解决这个优化问题。其中最简单方法是非自适应过程方法比如随机搜索算法，独立于前一个时间步的选择结果随机选取下一个值。再比如网格搜索，沿着网格进行搜索（即对于每一个参数的可行值的笛卡尔积）。传统的模拟退火算法和多种类遗传算法也被提到，例如自适应协方差矩阵。
除此以外，另一类算法进行局部搜索选择有某一固定特征的点，比如简化的Nelder–Mead算法。简化的Nelder-Mead法是一个常用到的非线性优化算法，它试着将多面体中最差的顶点xn 1(也就是函数的最大点)以新的最佳点替代,来更新多面体,使之逼近最佳解.更新的设定方式有四种,分别是:反射,扩展,外收缩,内收缩.如果这四种方法都不适用,则进行变小步骤.这些算法的更多现代变体保持了在一个可行区域（信任区间中）的简单目标函数形式，并在信任区域中选点对目标函数进行优化。
最近，一些研究者将一些非常强大工具结合起来对整个可行区域的目标函数进行建模，并采用了多臂老虎机问题中处理探索利用平衡的思路。这些方法基本是贝叶斯性质的，因此论文常常以贝叶斯优化问题命名。总体来说，这个问题模型是一个高斯过程，一个深度神经网络问题或是一个回归森林问题。
具体来说文献[15]中提到的通过强化学习策略即学会学习的方式，通过在元学习阶段使用大量的目标函数训练一个LSTM型卷积神经网络。被训练过的神经网络在通过强化学习学习相应的策略用来解决黑盒问题。
而贝叶斯优化有两个核心过程，即先验函数(Prior Function,PF)和采集函数（Acquisition function，AC）,先验函数主要使用高斯过程回归，采集函数常见的生成方式包括期望改进算法(Expected improvement), 概率改进算法(probability of improvement)，上置信区间算法 (Upper confidence bound)方式，同时采集函数还实现了算法中的探索利用平衡。算法的基本思路是在每一次迭代中选取一个具体的x值并计算相应的y值，并把这组值加到观测数据中，我们认为超参数之间符合联合高斯分布，我们计算前面n个点的后验概率分布，得到每一个超参数在每一个取值点的期望均值和方差。并进行下一次迭代。而x值的选择由采集函数来决定，找到一个使得采集函数满足某个条件的x值。由于我们把一个复杂的优化问题拆成了两个，因此AC函数的优化问题要尽可能简单，并完成相应的算法探索利用的平衡问题。高斯过程满足这两个条件成为了常用的选取方法。
综上，传统的黑箱优化算法复杂度较高，性能难以保证。新兴算法在贝叶斯优化和强化学习两个方向上构建多种多样的神经网络对模型进行分析，对黑箱问题求解具有很大潜能。因此，本课题将探索基于上述机器学习的算法来求解无人机辅助在灾后应急通信网络部署这个黑箱优化问题。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
