近日，学院韩光洁教授团队在智能工厂边缘智能网络部署优化方面取得重要进展。相关研究成果以“Quality of Service-Driven Adaptive Deployment Optimization Strategy for Edge Intelligent Networks in Discrete Manufacturing Smart Factories”为题，被国际权威期刊IEEE Journal on Selected Areas in Communications（JSAC）录用并在线发表（如图1）。IEEE JSAC是计算机网络和通信领域的国际权威期刊，被CCF推荐为A类期刊，同时入选中科院SCI一区期刊及JCR Q1分区期刊，长期聚焦该领域的前沿方向，具有广泛的学术影响力。 

图1 论文首页

随着离散制造智能工厂规模不断扩大，生产流程高度动态化，对工业网络的实时性、可靠性与灵活性提出了前所未有的挑战。传统静态网络部署方式难以适应设备布局频繁调整、任务优先级动态变化以及复杂电磁环境下的信号干扰等问题，严重制约了智能制造系统的智能化水平与运行效率。研究团队构建了面向离散制造场景的异构蜂窝网络架构（如图2）。其中，宏基站负责广域覆盖，小基站则根据实际需求灵活部署，以增强信号薄弱区域的网络服务能力。小基站通过无线前传技术而非传统有线连接与宏基站相连，提升网络对产线布局动态调整的适应能力与部署灵活性。

图2 系统架构图

在此基础上，充分考虑了工厂环境中金属结构引起的多径衰落、设备运行噪声及共信道干扰等因素对无线信号传输的影响，建立了以时延、吞吐量、可靠性与干扰抑制为核心的多目标服务质量（QoS）优化模型。针对上述多目标优化问题，提出了一种基于改进K均值-粒子群优化算法（IK-PSO）的部署优化策略（如图3），旨在实现优化模型在动态工业环境下的高效、可靠与轻量化部署。该策略融合了动态聚类初始化与自适应权重更新机制，在保证优化精度的同时显著降低了计算开销，适用于资源受限的边缘智能网络场景。

图3 算法流程图

实验结果表明，在不同QoS需求下，所提策略能够快速收敛至高质量解（如图4）。与多种对比方法相比，该策略在关键性能指标上表现出显著优势：1）网络时延：相比基准策略和传统PSO策略，平均时延分别降低约90%和10%；2）网络吞吐量：较基准策略和传统PSO策略分别提升约28%和6%；3）网络可靠性：数据包成功传输率稳定在98%以上，显著高于对比算法，可更好满足智能设备的高可靠通信需求；4）网络干扰：通过优化基站部署与资源分配，有效抑制共信道干扰。所提策略可将干扰功率最高降低5个数量级。此外，所提策略在不同设备密度下也展现出较强的稳定性与鲁棒性，性能波动小（如图5）。综合来看，IK-PSO通过动态聚类初始化、自适应权重更新与多目标优化机制，实现了对边缘智能网络部署的高效求解。

图4 不同QoS要求下不同策略的网络性能对比

图5 不同设备密度下不同策略的网络性能分布

论文第一作者为信息与通信工程流动站的夏丹博士后，通讯作者为韩光洁教授，合作者包括林川教授（东北大学）、李若光副教授（河海大学）、刘美燕博士后（河海大学）等。该研究得到了国家自然科学基金、中国博士后面上资助项目、中央高校基本科研业务费以及江苏省输配电装备技术重点实验室开放基金的联合资助。该成果不仅可推动5G/6G技术在工业互联网中的深度融合应用，也为构建“感知-计算-决策”一体化的智能工厂基础设施提供了理论支撑，助力我国制造业向数字化、网络化、智能化方向加速转型升级。

论文信息：Xia, D., Han, G., Lin, C. et al. Quality of Service-Driven Adaptive Deployment Optimization Strategy for Edge Intelligent Networks in Discrete Manufacturing Smart Factories. IEEE Journal on Selected Areas in Communications, vol. 43, no. 10, pp. 3456-3471, 2025.

原文链接：https://ieeexplore.ieee.org/document/11016721.