شبکه های نسل ششم (6G)، در مسیر دستیابی به نرخ داده های فوق العاده بالا، پوشش یکپارچه و قابلیت های حسگری دقیق، با چالش های اساسی در معماری و بهینه سازی سیستم مواجه هستند. در این بستر، حسگری و مخابرات یکپارچه (ISAC) به عنوان یک فناوری کلیدی نویدبخش، بهینه سازی کارایی طیفی و انرژی را میسر می سازد. با این حال، دستیابی به تخصیص منابع بهینه و تضمین عدالت (Fairness) در محیط های رادیویی پیچیده و دینامیک، مستلزم توسعه راه حل های پیشرفته ای است. این رساله، یک چارچوب جامع و نوآورانه ISAC را برای شبکه های 6G، با بهره گیری از ایستگاه های سکوی با ارتفاع بالا (HAPS) ارائه می دهد.

برخلاف رویکردهای سنتی، این رساله به ارائه و ارزیابی تطبیقی الگوهای نوین معماری شبکه مبتنی بر HAPS با هدف تحقق هم افزایی میان عملکردهای ارتباطی و حسگری در شبکه های ارتباطی سیار فراگیر، می پردازد. در این راستا، دو مدل معماری متمایز تحلیل و مقایسه می شوند: (1) یک ساختار متمرکز که در آن HAPS به تنهایی نقش ایستگاه پایه ماکرو (SMBS) را ایفا می کند، و (2) یک معماری سلسله مراتبی و مشارکتی که در آن HAPS به عنوان یک واحد پردازش مرکزی (CPU) عمل کرده و پهپادها (UAV) به عنوان نقاط دسترسی هوایی دینامیک و منعطف به کار گرفته می شوند. عملکرد این الگوها تحت سناریوهای کاربری متنوع، شامل تجهیزات کاربر (UE) تک آنتنی و چندآنتنی، به صورت کمی ارزیابی می گردد. به منظور بیشینه سازی کیفیت سرویس برای کاربران چندآنتنه، الگوریتم های آشکارسازی سیگنال پیشرفته نظیر جبران صفر (ZF)، حداقل خطای میانگین مربعات (MMSE) و ترکیب حداکثر نسبت (MRC) پیاده سازی می شوند.

نتایج کلیدی این رساله، نقش های مکمل و توانمندی های دوگانه ارتباطی-حسگری را در هر دو معماری برجسته می سازد. ساختار HAPS متمرکز، در ارائه پوشش فراگیر ارتباطی و تحقق حسگری در مقیاس کلان (نظیر پایش محیطی) ظرفیت مناسبی دارد، در حالی که ساختار سلسله مراتبی با بهره گیری از پهپاد، در پاسخگویی دینامیک به نیازهای ترافیکی متغیر (ارتباطات) و اجرای مأموریت های حسگری دقیق و هدفمند (نقطه ای) کارآمد است.

در این رساله، دو رویکرد متفاوت برای مسئله بهینه سازی تخصیص منابع در سیستم های HAPS-ISAC بررسی شده است. در رویکرد اول، مسئله به صورت تک هدفه مدل سازی شده است که در آن هدف، بیشینه سازی حداقل بهره الگوی پرتو (max-min beampattern gain) ارسالی به سمت اهداف حسگری تحت قید نسبت سیگنال به تداخل و نویز (SINR) کاربران مخابراتی و تخصیص توان است. در رویکرد دوم، مسئله به شکل یک بهینه سازی چندهدفه و غیرمحدب مطرح شده که در آن به طور هم زمان دو هدف دنبال می شود: بیشینه سازی حداقل SINR برای کاربران مخابراتی و افزایش توان سیگنال بازتابی از اهداف حسگری، با در نظر گرفتن محدودیت های دقیق مربوط به تخصیص توان و بهره الگوی پرتو.

برای حل این مسائل، ابتدا در مدل تک هدفه از الگوریتم ژنتیک (GA) به عنوان ابزار جستجوی مقدماتی استفاده شده است. سپس برای حل مسئله چندهدفه، الگوریتم ژنتیک مبتنی بر مرتب سازی نامغلوب نسخه دوم (NSGA-II) توسعه داده شده تا به طور مؤثر مجموعه ای از راه حل های پارتو را استخراج کند. افزون بر این، جهت ارزیابی عملکرد روش های پیشنهادی، یک عامل مبتنی بر یادگیری تقویتی عمیق (DRL) با معماری چندلایه پرسپترون (MLP) نیز طراحی و پیاده سازی شده است. همچنین برای اعتبارسنجی نتایج و مقایسه جامع روش ها، از تحلیل های ریاضی دقیق بهره گرفته شده است.

نتایج شبیه سازی های گسترده، بهبود را در توازن میان قابلیت های حسگری و مخابراتی، افزایش قابل ملاحظه در حداقل SINR کاربران و دقت حسگری، و همچنین توزیع عادلانه منابع در شبکه، به اثبات می رساند. این مطالعه نشان می دهد که روش پیشنهادی مبتنی بر NSGA-II، کارایی بالاتری را در دستیابی به اهداف چندهدفه نسبت به روش های یادگیری تقویتی عمیق مورد مقایسه، ارائه می دهد. این دستاوردها، نه تنها به غنای دانش نظری در حوزه های ISAC و 6G کمک می کنند، بلکه رهنمودهای عملی ارزشمندی را برای طراحی و پیاده سازی سیستم های مخابراتی نسل آینده فراهم می آورند که قادر به پاسخگویی به تقاضاهای فزاینده برای ارتباطات فراگیر و حسگری دقیق در اکوسیستم های پیچیده 6G هستند.