摘要：针对传统电波传播模型在复杂环境下预测精度低与计算效率不足的问题,提出一种融合深度学习与物理约束的智能化波传播模型,该模型通过构建时空特征自适应提取网络,实现传播环境的动态感知与参数自优化；设计了基于强化学习的传播路径智能规划算法,结合实时反馈机制动态调整传播策略。实验结果表明智能化模型在城市密集场景的路径损耗预测误差降低41%,传播效率提升35%,计算时间缩短至传统方法的28%,该技术为无线网络智能化部署与频谱资源优化利用提供了理论依据和技术支撑。

　　关键词：智能化波传播模型；传播效率优化；深度强化学习；自适应参数调整；物理约束网络

　　0引言

　　电波传播效率直接制约无线通信系统的容量与覆盖性能,传统模型依赖经验公式难以适应动态变化的传播环境[1],且参数调整需要大量人工干预。近年来,人工智能技术为电波传播研究开辟了新途径,但现有智能化方法多为纯数据驱动,忽视了电磁波传播的物理本质,导致模型泛化能力受限。如何将物理机理与智能算法深度融合,构建既符合电磁场理论又具备环境自适应能力的传播模型,成为提升电波传播效率的关键。基于此,构建物理约束引导的智能化波传播模型,实现传播参数的自主优化与路径的智能规划,为高效电波传播提供系统性解决方案。

　　1物理约束引导的智能化传播模型

　　1.1时空特征自适应提取网络架构

　　传播环境的时空异质性要求模型具备多维度特征提取能力,故构建融合CNN与LSTM的混合架构。CNN分支以轻量级MobileNetV3为骨干,通过深度可分离卷积压缩42%参数量,结合3×3与5×5卷积核并行提取建筑分布等静态特征,保持93%识别精度；LSTM分支加入层归一化处理时序数据,解决梯度消失问题,使信号衰减趋势学习收敛速度提升25%,RMSE降至0.8dB。多尺度融合模块嵌入动态路由算法,根据环境复杂度选择融合路径（密集城区激活5×5卷积核与长时序特征通道,开阔地带侧重3×3卷积核与短期时序特征）,再经上采样与拼接整合特征,注意力机制通过可学习权重动态分配特征重要性[2],让网络在密集城区聚焦建筑遮挡,在开阔地带侧重远距离衰减规律。

　　1.2电磁场物理约束嵌入机制

　　电磁波传播遵循麦克斯韦方程组的本质规律[3],将物理定律融入损失函数可有效约束模型输出的物理合理性。电场与磁场的旋度关系被构建为软约束项,预测电场强度E与磁场强度H需满足∇×E=-∂B/∂t的微分方程残差最小化条件。损失函数采用多目标加权形式,如式（1）所示：

　　Ltotal=λ1Ldata+λ2Lphysics+λ3Lboundary（1）

　　式中,数据拟合项Ldata确保预测值与实测数据一致；物理约束项Lphysics惩罚违反电磁场定律的预测结果；边界条件项Lboundary保证传播边界的连续性与能量守恒。物理项权重λ2采用课程学习策略动态调整,训练初期设为0.1侧重数据拟合,中期提升至0.5平衡数据与物理,后期增大至0.7强化物理约束,使模型逐步从数据驱动过渡到物理引导。边界条件处理采用软硬约束结合方式,在建筑表面等强边界使用Dirichlet条件直接限定场强,在开放区域则用Neumann条件约束梯度变化。该机制使模型在数据稀疏区域仍能依据物理规律给出合理预测。

　　1.3传播参数自优化算法设计

　　传播参数的自动调整需要突破传统梯度下降在非凸优化中的局限性,故而设计了基于Adam优化器的改进算法。引入二阶动量估计与自适应学习率机制,算法维护每个参数的一阶矩估计mt和二阶矩估计vt,通过指数加权移动平均平滑梯度波动,使得参数更新方向更加稳定。学习率采用余弦退火策略与warmup预热相结合的方式,初始阶段以0.0001小步长探索参数空间避免陷入局部最优,中期学习率提升至0.001加速收敛,后期按余弦曲线衰减至0.00001实现精细调优。多参数协同优化采用分组更新策略,将网络参数、物理约束权重与注意力系数划分为三个独立组,网络参数每批次更新保证实时响应,物理权重每5批次调整一次维持约束稳定性,注意力系数每10批次更新以避免频繁波动。算法配备早停机制监测验证集损失[4],连续20轮未改善则触发学习率衰减,连续50轮停滞则终止训练,确保模型在最优状态收敛而不会过拟合。

　　2基于模型驱动的传播效率优化方法

　　2.1强化学习的传播路径智能规划

　　传播路径优化为序贯决策问题,故采用DQN构建框架并引入PER机制,按TD误差分配样本优先级（路径损耗突增,覆盖盲区探索等关键样本采样概率提升）,使关键场景学习效率提升30%,收敛轮次从3000轮减至2200轮。状态空间定义如式（2）所示：

　　st=Pt,Dt,Et（2）

　　式中,Pt表示当前位置坐标与传播方向；Dt描述周边障碍物分布的栅格化表征；Et记录历史路径的能量衰减序列,该多维状态编码同时捕获了空间几何信息与传播物理特性。奖励函数设计如式（3）所示：

　　R(s,a)=α•C(s')-β•L(s,a)-γ•T(a)（3）

　　覆盖增益项C(s')鼓励智能体探索未覆盖区域；路径损耗项L(s,a)惩罚高衰减路径；时延项T(a)约束传播时间成本,三项权重α=0.6,β=0.3与γ=0.1通过网格搜索确定。Q网络采双层结构与分布式架构（4节点并行处理状态编码,Q值计算等任务）,1000个传播节点规划耗时从5分钟缩至1.8分钟,目标网络每500步同步策略网络参数,经验池容量10000条与批量采样64条打破数据相关性,路径搜索用ε-贪婪策略（ε从0.9线性降至0.1）,收敛后路径覆盖率提升28%、平均路径损耗降低19%。

　　2.2实时反馈的动态参数调整策略

　　传播质量的波动性要求系统具备实时响应能力,故而设计了基于闭环反馈的参数动态调整机制,监测指标体系包括接收信号强度指示(RSSI)、信噪比(SNR)与误码率(BER)三项核心指标。每项设定双阈值监测区间,RSSI正常范围为[-70dBm,-50dBm],SNR要求维持在15dB以上,BER需低于10-3。反馈触发条件采用滑动窗口检测机制,当连续5个时间窗口内任一指标超出阈值范围即启动参数调整,避免偶发波动引起的频繁调整。参数调整规则依据偏差程度分级响应,轻度偏差(偏离阈值10%~30%)采用微调策略,发射功率增减2dB,调制阶数维持不变；中度偏差(30%~50%)触发中等调整,功率变化5dB并降低调制阶数一级；重度偏差(超过50%)执行激进策略,功率调至最大值同时切换至最稳健调制方式。收敛判据设定为连续10个窗口内所有指标均回归正常区间且波动标准差小于阈值的5%,此时系统认定参数已达稳态停止调整。实验数据表明该策略使系统对环境变化的响应延迟缩短至0.3秒,参数调整后的信号质量恢复率达92%,显著提升了传播系统的鲁棒性（如表1所示）。

　　2.3多目标协同的效率提升算法

　　传播效率优化涉及覆盖率与功耗两个相互制约的目标,单纯追求覆盖最大化会导致能耗激增,因而需要构建多目标协同优化框架。算法基于非支配排序遗传算法(NSGA-II)搜索帕累托最优解集,种群规模设为100个个体,每个个体编码包含发射功率、天线方向角与频率分配三类决策变量。适应度评估采用双目标函数f1=Coverage/Areatotal表征覆盖效率,f2=Powertotal/Coverage量化单位覆盖功耗,两目标均需优化使得算法在解空间中寻找覆盖率高且功耗低的非支配解。帕累托前沿的求解通过快速非支配排序与拥挤度计算实现,优先选择非支配等级高的个体,同一等级内保留拥挤度大的个体以维持解的多样性。目标权重采用自适应动态分配策略,根据当前网络负载状态调整权重向量,高负载时段增大覆盖权重至0.7确保服务质量,低负载时段提升功耗权重至0.6实现节能运行。算法迭代200代后帕累托前沿收敛,相比于单目标优化方法,协同算法在保持覆盖率损失不超过3%的前提下功耗降低37%,实现了覆盖与节能的有效平衡（如表2所示）。

　　3模型性能验证与应用效果分析

　　3.1典型场景传播效率对比实验

　　实验选取某市市区高层建筑密集区、某市郊外开阔地与某大型商场室内环境作为三类典型场景进行对比测试。城市密集区场景中,建筑高度集中在80~150米且密度达每平方公里120栋,传统射线追踪模型因多径反射计算复杂导致预测偏差达18.3dB,而智能化模型通过时空特征网络自适应提取建筑遮挡模式,使路径损耗预测误差降至10.8dB,降幅达41%,同时传播覆盖效率从传统方法的62%提升至83.7%,提升幅度为35%。郊区开阔地场景中障碍物稀疏,传统模型预测精度本就较高,误差仅为6.2dB,智能化模型通过物理约束进一步优化至4.5dB,相对提升27%,该场景下效率提升主要体现在计算速度方面,模型推理时间从传统方法的2.8秒降至0.7秒。室内复杂环境中墙体材质异质性强且人员流动导致传播环境动态变化[5],传统模型预测误差高达22.1dB,智能化模型结合实时反馈机制将误差控制在12.6dB以内,效率提升达到42%,验证了模型在多样化场景中的适应性与鲁棒性（如图1所示）。

　　3.2模型预测精度与计算性能评估

　　预测精度用RMSE、MAE与R2评估。智能化模型在1000个测试样本上RMSE=8.7dB（较传统Okumura-Hata模型的14.6dB降低40.4%）,MAE=6.8dB（较传统11.2dB降低39.3%）,R2=0.89（较传统0.73升21.9%）,预测值与实测值拟合度显著增强。计算性能测试在Intel Xeon E5-2680处理器与32GB内存服务器上进行,采用“量化+蒸馏+动态批处理”三重优化：TensorRT工具将32位浮点参数量化为16位半精度（FP16）,保持RMSE=8.9dB（仅比原模型高0.2dB）的同时,推理速度提升1.8倍且内存从420MB缩至230MB；以量化模型为教师模型,训练参数量1/5的学生模型（MobileNetV2为特征提取网络）,通过软标签（教师概率分布）与硬标签（真实损耗值）监督,使学生模型保持86%精度且推理缩至0.3秒；动态批处理依预测点数量调批大小(≤50点设16,＞50点设64）,GPU利用率从65%提升至88%,批量处理500个点耗时从38秒缩短至22秒。传统射线追踪模型单次预测耗时2.5秒与内存

　　1.8GB,智能化模型并行推理缩短至0.7秒（仅为传统28%）与内存420MB（降77%）；批量处理100个预测点,传统需4分钟,智能化仅38秒（效率升6.3倍）,为实时传播预测与大规模网络规划提供技术支撑（如图2所示）。

　　3.3智能化优化策略有效性验证

　　路径规划策略的有效性通过对比实验验证。在相同的城市场景中,贪心算法规划的传播路径覆盖率为71.2%且平均路径损耗为78.3dB,而基于DQN的智能规划算法将覆盖率提升至91.1%（提升28%）,路径损耗降至63.4dB（降低19%）,验证了强化学习决策的优越性。参数调整策略的收敛性能通过200次仿真测试评估,反馈机制触发后,系统平均在8.2个调整周期内达到稳态,收敛速度比固定步长调整方法快42%,且调整过程中信号质量波动标准差仅为1.3dB,稳定性良好。多目标优化效果通过消融实验深入分析,完整模型（含物理约束+强化学习+多目标优化）的综合性能指数为0.87,移除物理约束后性能降至0.73,移除强化学习降至0.68,移除多目标优化降至0.61,证明各模块对系统性能均有显著贡献。物理约束模块贡献度为16%,主要提升泛化能力；强化学习模块贡献22%,侧重决策智能；多目标优化模块贡献30%,实现效率与能耗平衡,三者协同作用使模型性能达到最优状态。

　　4结语

　　通过构建物理约束引导的智能化波传播模型,实现了传播环境的自适应感知与传播参数的自主优化。时空特征提取网络结合电磁场物理约束,保证了模型的泛化能力与预测准确性；基于强化学习的路径规划算法与实时反馈机制,实现了传播策略的动态优化。实验验证了智能化模型在预测误差、传播效率和计算性能方面均显著优于传统方法,为无线网络智能化部署提供了有效技术手段。未来可进一步探索模型在超大规模网络中的分布式部署,研究多智能体协同优化机制,推动智能化电波传播理论的深度发展与工程应用。

参考文献

　　[1]谌振华,张萌,李海.基于电波传播模型的电磁信号覆盖范围计算[J].信息技术与信息化,2024(10):115-118.

　　[2]艾俊杰,吕佳音,赵培,等.基于注意力机制的数据驱动电波传播模型研究[C]//中国电子学会.第十八届全国电波传播年会论文集.北京邮电大学;中国移动通信集团设计院有限公司;,2023:340-343.

　　[3]安宁.复杂环境电波传播特性研究[D].成都:西华大学,2024.

　　[4]艾俊杰.基于深度学习与多通道特征图像的电波传播模型研究[D].北京:北京邮电大学,2024.

　　[5]胡文韬.复杂环境中电波传播预测与传播环境反演[D].武汉:武汉理工大学,2021.