基于大语言模型的无人机网络通感一体化多目标优化

这份资料讨论的是一个很具体、但背景相当实际的问题：当地面基站因为灾害或损坏而失效时，如何用多架无人机同时承担通信服务和目标定位这两件事。通信与感知在 ISAC（通感一体化）系统里共用同一套信号，两者之间存在无法回避的取舍：把资源偏向通信，定位精度就受影响；偏向感知，用户吞吐又会被压缩。资料要回答的就是这个取舍曲线长什么样、怎么把它算出来。它值得现在看的地方在于，作者没有停留在传统的多目标进化算法上，而是把大语言模型当作搜索算子塞进优化框架里，并且直接对准无人机 ISAC 这个真实工程场景，而不是常见的标准测试函数。换句话说，这是一次把 LLM 的推理能力用于无线网络资源优化的尝试，读者可以据此判断这条路目前走到了哪一步。

资料覆盖的范围是一个多无人机 ISAC 网络：多架无人机作为空中基站，协同感知多个地面用户的位置，同时用雷达向这些用户提供通信服务。作者把这个场景建模成一个多目标优化问题（MOP），两个目标分别是最大化所有用户的总网络效用、以及最小化用户定位的 Cramér-Rao 下界（CRB），决策变量是无人机的位置部署和发射功率控制。求解思路上，作者提出了 LEDMA，即 LLM-enabled decomposition-based multi-objective evolutionary algorithm。方法分两步：先用基于分解的方案把原问题拆成一串子优化问题，再把 LLM 作为黑盒搜索算子、配合针对多目标问题专门设计的 prompt engineering，接入多目标进化算法的框架里并行求解这些子问题。整个论证的依据是数值结果，即所得到的 Pareto 前沿和收敛表现，与若干基线 MOEA 做对比。

关键发现的第一条是可行性本身：这套 LEDMA 能够在通信与感知之间找到清晰可辨的 trade-off，也就是给出成形的 Pareto 前沿。这一点并非理所当然，因为作者明确指出原问题高度非凸，而集成 LLM 与进化算法此前的验证大多只停留在 Pareto 前沿形状清晰的简单多目标测试集上。把同样的思路搬到无人机 ISAC 这种真实工程问题上还能跑出结果，是这份资料最主要的实证贡献。第二条是性能比较：在所获得的 Pareto 前沿和收敛性两个指标上，LEDMA 都优于基线 MOEA。材料给出的比较对象是几类主流多目标进化算法，包括基于分解的 MOEAD、非支配排序的 NSGAII、参考向量引导的 RVEA、自适应几何估计的 AGE-MOEA，以及多目标差分进化 MODEA；其中 MOEAD 被选作 LEDMA 的主框架，其余则作为对照出现在基线之列。

需要说明的是，材料中没有给出具体的性能提升幅度、收敛速度数值或仿真参数配置，因此无法在这里量化「优于基线」到底优多少。这是解读时必须诚实标注的边界。另外，作者在引言中提出了一个自我定位：据其所知，这是首次尝试把 LLM 用于多无人机 ISAC 的优化。这个「首次」是作者的自述，属于材料中的原话立场，而非独立核实过的结论，读者可以把它当作作者的贡献声明来理解，而不是当作领域共识。

这些结论意味着什么？从工程角度看，最直接的影响是给无人机 ISAC 的部署与功率联合设计提供了一个可用的求解路径，尤其是在非凸、多目标、需要同时兼顾用户体验和定位精度的场合。更值得注意的是方法层面的含义：把 LLM 当作黑盒搜索算子而非端到端求解器，这个定位相当务实——LLM 不需要理解信道模型或 CRB 的解析形式，只需要在 prompt 里被交代清楚多目标函数与约束满足的要求，就能参与子问题的迭代搜索。这暗示了一条较低门槛的迁移路径：凡是已经有成熟 MOEA 框架、但目标函数复杂到难以手工设计高效算子的优化问题，都可能用类似方式接入 LLM。同时也要看到，作者在引言里提到的 LLM 对无人机网络的附加价值——处理实时通信与传感数据、加快对环境变化和任务需求的响应、用自然语言简化无人机控制并改善无人机之间以及与用户、地面站、云服务器的协作——这些属于动机层面的论述，并非本文数值验证的内容，两者不应混为一谈。

适合读这份资料的人，大概是做无人机通信、ISAC 资源分配或多目标优化这几块的读者，尤其是已经在用 MOEA 类方法、想看看 LLM 能不能接进现有框架的人。读完能拿走的东西有三样：一个把通信效用与定位 CRB 同时作为目标、联合优化部署与功率的问题建模；一套「分解 + LLM 黑盒算子 + 专用 prompt」的方法骨架；以及一组说明该骨架优于主流 MOEA 基线的数值结论。局限同样清楚：材料只报告了 Pareto 前沿和收敛两个维度的比较，没有给出提升幅度，也没有说明仿真规模、信道假设和 prompt 设计的具体细节；「首次」的说法是作者自述；而 LLM 带来的推理开销与在线实时性之间的张力，材料并未展开。若要判断这套方法能否落到真实系统，还需要看更完整的实验设置和复杂度分析。

Large Language Model Based Multi-Objective Optimization for Integrated Sensing and Communications in UA V Networks Haoyun Li, Ming Xiao, Kezhi Wang, Dong In Kim, and Merouane Debbah Abstract—This letter investigates an unmanned aerial vehicle (UA V) network with integrated sensing and communication (ISAC) systems, where multiple UA Vs simultaneously sense the locations of ground users and provide communication services with radars. To find the trade-off between communication and sensing (C&S) in the system, we formulate a multi-objective optimization problem (MOP) to maximize the total network utility and the localization Cram ´er-Rao bounds (CRB) of ground users, which jointly optimizes the deployment and power control of UA Vs. Inspired by the huge potential of large language models (LLM) for prediction and inference, we propose an