书名：生成式AI赋能无人机网络
定价：139.8
ISBN：9787115526571
作者：李晓欢 唐欣 [泰]*喜特·尼亚托（Dusit Niyato）康嘉文
版次：第1版
出版时间：2026-04

内容提要：
无人机网络被誉为低空经济发展的“*”，是低空智联网的关键基础设施。本书系统探讨了生成式人工智能(AI)赋能无人机网络的创新方法、实验设计与性能，涵盖了基于生成对抗网络的无线电地图重建、大语言模型驱动的资源调度、基于生成对抗模仿学习的路由协议、基于扩散模型的移动边缘计算与任务卸载、融合条件生成对抗网络与联邦学习的入侵检测等关键技术，并通过实验分析，讨论了新方法在*性、稳健性和效率方面的性能表现。本书系统性地探索了生成式AI中生成对抗网络、大语言模型、扩散模型等新方法与无人机网络中通信建模、资源管理、组网方法、网络*等相结合的思路，设计了多种增强型多智能体深度强化学习算法，并提出了创新性的解决方案。本书第3~9章均以系统模型、问题描述、算法设计与实验结果分析为基本撰写框架，能够为相关理论研究和工程实践提供参考。 本书适合无线通信、人工智能、移动边缘计算等领域的研究及开发人员阅读，也可作为高校相关专业教师、研究生和高年级本科生的进阶教材，助力读者了解和掌握生成式AI赋能无人机网络的*研究成果 与技术路径。



作者简介：
李晓欢，博士/博士后、教授、博士生导师，广西杰青、广西八桂学者青年拔尖、广西*教师、广西模范教师、综合交通大数据应用技术国家工程实验室(广西)执行副主任、广西高校智能网联与场景化系统重点实验室主任。是TIAA&FuTURE的“智能网联汽车”工作组成员。近年来针对空天地网络、车联网、综合交通大数据、智能网联与场景化等关键技术展开研究。主持国家自然科学基金项目2项（其中联合基金重点项目1项）、广西科技重大专项项目2项目、广西杰出青年基金项目1项、广西重点研发计划项目2项等。发表和录用学术论文80余篇，其中包括IEEE IoT、IEEE T-Com、IEEE TNSE等论文多篇，并出版英文专著1部，中文专著1部；主编地方标准2项，参编1项; 授权发明专利28项；获得省部级教学成果一等奖2项（其中1项*，1项排名第三）；省部级科技一等奖1项（*），二等奖2项（其中1项*）。

目录：
目录
第 1 章 无人机网络 1
1.1 引言 1
1.2 无人机网络相关技术 2
1.2.1 无人机通信与网络资源管理 2
1.2.2 无人机网络拓扑管理与覆盖优化 3
1.2.3 无人机网络*与干扰管理 4
1.3 研究现状与挑战 5
1.3.1 信道模型构建 5
1.3.2 多址接入选择 6
1.3.3 资源管理与任务卸载 9
1.3.4 拓扑管理与路由协议 10
1.3.5 网络覆盖优化 13
1.3.6 网络* 14
1.3.7 干扰管理 15
1.4 本章小结 17
参考文献 17
第 2 章 生成式 Al 24
2.1 引 言 24
2.2 发展历程 26
2.2.1 早期探索阶段 26
2.2.2 深度学习的兴起 26
2.2.3 GAN 的突破 27
2.2.4 Transformer 模型与大语言模型 27
2.2.5 扩散模型与生成式预训练模型 27
2.3 生成式AI 模型 28
2.3.1 变分自编码器 28
2.3.2 GAN 32
2.3.3 Transformer 模型 35
2.3.4 扩散模型 41
2.3.5 大语言模型 46
2.4 本章小结 53






生成式AI 赋能无人机网络
参考文献 53
第 3 章 基于生成对抗网络的无人机网络无线电地图重建 60
3.1 引言 60
3.2 系统模型 62
3.3 问题描述 62
3.4 基于生成对抗网络的无线电地图生成模型 63
3.4.1 无线电地图生成模型的框架 63
3.4.2 无线电地图生成模型的两阶段 64
3.4.3 无线电地图生成模型的损失函数 66
3.5 实验结果分析 68
3.5.1 实验设置 68
3.5.2 *性测试 69
3.5.3 稳健性测试 71
3.6 本章小结 72
参考文献 72
第 4 章 基于大语言模型的无人机网络资源调度模型构建 75
4.1 引言 75
4.2 系统模型 76
4.2.1 多源知识库构建 77
4.2.2 知识向量数据库构建 80
4.2.3 检索增强生成模型设计 81
4.3 问题描述 82
4.4 异构智能体双时延深度确定性策略梯度算法 82
4.4.1 马尔可夫决策过程模型设计 83
4.4.2 算法设计 84
4.5 实验结果分析 86
4.5.1 实验设置 86
4.5.2 结果对比与分析 87
4.6 本章小结 90
参考文献 90
第 5 章 基于生成对抗模仿学习的无人机自适应路由算法 94
5.1 引言 94
5.2 系统模型 95
5.3 问题描述 95
5.4 基于生成对抗模仿学习的自适应路由协议 96
5.4.1 基于马尔可夫决策过程的路由生成策略 97
5.4.2 基于Q 值的生成对抗模仿学习 98
5.4.3 深度Q 网络在线决策 100
5.5 实验结果分析 101
5.5.1 仿真参数设置 101






目 录

5.5.2 基准与性能指标 103
5.5.3 算法验证 104
5.5.4 训练效率 105
5.5.5 泛化能力评估 106
5.5.6 性能对比 107
5.6 本章小结 110
参考文献 110
第 6 章 基于扩散模型的无人机辅助移动边缘计算 113
6.1 引言 113
6.2 系统模型 114
6.2.1 移动模型 116
6.2.2 通信模型 117
6.2.3 计算模型 118
6.2.4 无人机负载均衡模型 119
6.2.5 区域资源需求均衡模型 119
6.3 问题描述 120
6.4 基 于DM -MATD3的任务卸载策略 121
6.4.1 MATD 3框架 121
6.4.2 基于扩散模型的MATD 3 算 法 122
6.5 实验结果分析 125
6.5.1 仿真参数设置 125
6.5.2 性能分析 126
6.6 本章小结 128
参考文献 129
第 7 章 基于生成扩散模型的无人机载 DNN 任务卸载 132
7.1 引 言 132
7.2 系统模型 134
7.2.1 任务模型 135
7.2.2 通信模型 135
7.2.3 移动模型 136
7.2.4 信息新鲜度模型 136
7.2.5 能耗模型 137
7.3 问题描述 138
7.4 基于贪婪算法的路径规划方法 139
7.4.1 适应性函数 139
7.4.2 路径规划方法 139
7.5 基 于GDM 和 MADDPG 的 DNN 任务卸载 140
7.5.1 GDM -MADDPG 算法 140
7.5.2 生成扩散模型的反向去噪过程 142
7.5.3 马尔可夫决策过程 143






生成式AI 赋能无人机网络

7.6 实验结果分析 144
7.6.1 实验设置 144
7.6.2 性能比较 145
7.7 本章小结 149
参考文献 149
第 8 章 基于扩散模型的低空无人机探索优化与任务分配 152
8.1 引 言 152
8.2 系统模型 154
8.2.1 应用场景 154
8.2.2 移动模型 155
8.2.3 通信模型 155
8.2.4 时延模型 157
8.2.5 能耗模型 157
8.3 问题描述 158
8.4 基于Lyapunov 的动态长时问题解耦 159
8.5 基 于HG -MADDPG 的无人机任务卸载策略 163
8.5.1 基于匈牙利算法的探索区域选择 164
8.5.2 马尔可夫决策过程描述 164
8.5.3 融合Hungarian 与 GDM 的多智能体强化学习方法 165
8.6 实验结果分析 168
8.6.1 实验设置 168
8.6.2 性能比较 169
8.7 本章小结 175
参考文献 176
第 9 章 基 于Hybrid-GDM 的无人机网络服务迁移优化与可信评估方法 178
9.1 引言 178
9.2 系统模型 179
9.2.1 VT服务迁移模型 179
9.2.2 攻击模型 182
9.2.3 双层信任评估模型 182
9.2.4 效用函数 184
9.3 问题描述 185
9.4 用于车辆孪生体服务迁移的Hybrid -GDM 算 法 185
9.4.1 问题建模 186
9.4.2 Hybrid -GDM 算法生成*决策 186
9.5 实验结果分析 191
9.5.1 实验设置 191
9.5.2 结果对比与分析 191
9.6 小结 194
参考文献 195