CN109275094A - 一种高能效无人机覆盖点连续覆盖方法和装置 - Google Patents
一种高能效无人机覆盖点连续覆盖方法和装置 Download PDFInfo
- Publication number
- CN109275094A CN109275094A CN201811299673.6A CN201811299673A CN109275094A CN 109275094 A CN109275094 A CN 109275094A CN 201811299673 A CN201811299673 A CN 201811299673A CN 109275094 A CN109275094 A CN 109275094A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- unmanned plane
- coordinate position
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明提供了一种高能效无人机覆盖点连续覆盖方法和装置,涉及无人机的技术领域,包括:确定目标参数;基于粒子群优化算法和目标参数,对初始坐标位置和初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;在对初始坐标位置和初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化第一预设次数之后得到目标分配策略确定为最优分配策略,解决了现有的无人机空中连续覆盖的方法中,无人机对目标区域内的用户提供连续覆盖时的通信能效较低问题。
Description
技术领域
本发明涉及无人机技术领域,尤其是涉及一种高能效无人机覆盖点连续覆盖方法和装置。
背景技术
由于无人机的低成本和高灵活性等特性,无人机目前已经广泛应用在军用和民用领域。在通信领域,由于无人机在高空可以避免建筑物的影响,对地面用户产生直线可见的高质量链路,所以无人机可以作为空中接入点,为地面用户提供通信覆盖服务。此外,在一些地质灾害地区比如地震、海啸等区域或者某些赛事活动热点区域,地面通信基础设施遭到破坏或者不满足当前热点区域的覆盖需求,由于无人机空中基站的灵活性和非地面依赖性,无人机作为空中基站非常适合为这些灾害地区提供应急网络覆盖或辅助地面基站实现增强覆盖。
但是,目前民用微型无人机的承载能力有限,续航时间有限,如何为目标区域用户提供长时间的连续覆盖成为一个巨大挑战。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种高能效无人机覆盖点连续覆盖方法和装置,以缓解了解决了现有的无人机空中连续覆盖的方法中,无人机对目标区域内的用户提供连续覆盖时的通信能效较低问题。
第一方面,本发明实施例提供了一种高能效无人机覆盖点的连续覆盖方法,该方法包括:确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始坐标位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
进一步地,所述粒子群优化算法参数包括:第一粒子群优化算法参数和第二粒子群优化算法参数;基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述分配策略进行第N次迭代优化包括:基于粒子群优化算法、所述通信参数、所述飞行参数、所述第一粒子群优化算法参数,对所述初始坐标位置执行第二预设次数迭代优化,得到所述第N次迭代优化之后得到的目标坐标位置,其中,N大于等于1,且N小于或者等于所述第一预设次数;基于粒子群优化算法,所述第N次迭代优化之后得到的目标坐标位置,所述第二粒子群优化算法参数,对所述分配策略进行执行第三预设次数迭代优化,得到第N次迭代优化之后得到的目标分配策略。
进一步地,所述第一粒子群优化算法参数包括:第一能效适应度参数,第一更新参数,第二预设迭代次数,第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度;对所述初始坐标位置执行第一预设次数迭代优化中每个迭代优化包括:反复执行以下迭代步骤,直至第二迭代次数满足第二预设迭代次数,则基于执行第二预设迭代次数之后得到的第一粒子群中的每个粒子的目标坐标位置,确定每个所述目标覆盖点的目标坐标位置:第一计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第一能效适应度参数和第一粒子群中每个粒子的预设坐标位置进行计算,得到第一粒子群中每个第一粒子的能效适应度值;第一确定步骤,基于第一粒子群中每个第一粒子的能效适应度值,确定第一粒子群中每个粒子的历史最优位置和每个粒子的全局最优位置;第二计算步骤,利用第一更新函数对所述每个粒子的历史最优位置、所述每个粒子的全局最优位置、所述第一更新参数、所述第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第一粒子群中每个粒子的目标坐标位置和每个粒子的目标速度;其中,若当前第二迭代次数小于所述第二预设迭代次数,则将所述每个粒子的目标坐标位置确定为所述预设坐标位置,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述第一确定步骤,和所述第二计算步骤,继续进行迭代计算。
进一步地,所述第二粒子群优化算法参数包括:第二能效适应度参数,第二更新参数,第三预设迭代次数,第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度,每个所述目标覆盖点的预设分配策略;对所述初始分配策略执行预设次数迭代优化中每个迭代优化包括:反复执行以下迭代步骤,直至第三迭代次数满足第三预设迭代次数,则基于执行第三预设迭代次数之后得到的第三粒子群中的每个粒子的目标分配策略,确定每个所述目标覆盖点的目标分配策略:第三计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第二能效适应度参数和第二粒子群中每个粒子的预设坐标位置进行计算,得到第二粒子群中每个第二粒子的能效适应度值;第二确定步骤,基于第二粒子群中每个第二粒子的能效适应度值,确定第二粒子群中每个粒子的历史最优分配策略和每个粒子的全局最优分配策略;第四计算步骤,利用第二更新函数对所述每个粒子的历史最优分配策略、所述每个粒子的全局最优分配策略、所述第二更新参数、所述第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第二粒子群中每个粒子的目标分配策略和每个粒子的目标速度;其中,若当前第三迭代次数小于所述第三预设迭代次数,则将所述每个粒子的目标分配策略确定为所述预设分配策略,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第三计算步骤,所述第二确定步骤,和所述第四计算步骤,继续进行迭代计算。
进一步地,所述方法还包括:基于每个目标覆盖点的初始坐标位置,确定所述第一粒子群中的粒子,其中,所述第一粒子群中的粒子表示为:X(i1,j1,k),X(i1,j1,K)表征所述第一粒子群中的第i1个粒子在第j1无人机目标覆盖点的轮询循环中各个无人机覆盖点的位置坐标,K=2,k对应每个无人机目标覆盖点的横坐标xm和纵坐标ym。
进一步地,所述方法还包括:基于每个目标覆盖点的目标坐标位置,确定所述第二粒子群中的粒子,其中,所述第二粒子群中的粒子表示为:X(i2,j2),X(i2,j2)表征第i2个粒子中第j2个无人机目标覆盖点分配的轮询循环序号,j2的取值范围范围为1到N,N为所述无人机目标覆盖点的数量。
进一步地,所述能效适应度函数为其中,
L(r)=plosLlos+(1-plos)Lnlos,
J为无人机目标覆盖点的轮询循环数量,Nj为分配到第j个轮询循环中的目标覆盖点的数量,Mj对应在第j个轮询循环中为保证目标点连续覆盖所需的无人机数量,Tj为无人机完成第j个轮询循环所需的时间,Cn(R)为无人机在任一目标覆盖点,且无人机的覆盖半径为R,无人机的飞行高度为H时无人机的通信容量,L(r)为无人机在半径r处的链路衰减值,plos为无人机的飞行仰角为θ时,无人机的通信链路为直接可见链路的概率,Llos(x,y)为无人机的通信链路是直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,Lnlos(x,y)为无人机的通信链路是非直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,(xm,ym)为无人机的坐标,Dj为无人机在第j个轮询循环中的飞行距离,为在第j个轮询循环中无人机在每个目标覆盖点的悬停覆盖时间,λ(r)对应在离无人机水平距离为r半径圆上的用户分布密度,Dj为第j个轮询循环中一个无人机从充电站出发轮询Nj个目标覆盖点后,返回到充电站的最短飞行距离,H为无人机飞行高度,R为无人机覆盖半径,Ptr为无人机通信发射功率,Ph为无人机悬停功率,Pt为无人机水平飞行功率,Vt为无人机水平飞行速度,Pa为无人机上升功率,Va为无人机上升速度,Pd为无人机下降功率,Vd为无人机下降速度,W为无人机电池容量,Tcharge为无人机电池充满电所需要的时间,B为目标覆盖区域内用户占用带宽,f为通信载波频率,σ2为高斯噪声功率谱密度,(ηlos,ηnlos,a,b)为信道环境参数。
进一步地,所述第一更新函数为:
其中,为第i1个粒子在第k次迭代时的速度,k=1时对应第i1个粒子的初始速度,对应第i1个粒子在第k次迭代时的位置,k=1时,对应第i1个粒子的初始位置,w1为惯性权重,c11为第一学习因子,c12为第二学习因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i1个粒子在前k次迭代中的历史最优位置,为所有粒子在前k次迭代过程的全局最优位置。
进一步地,所述第二更新函数为:
其中,ceil[·]运算为向上取整运算,保证始终为整数矩阵,为第i2个粒子在第k次迭代时的速度,k=1时,为第i2个粒子的初始速度,为第i2个粒子在第k次迭代时的分配策略,k=1时,为第i2个粒子的初始分配策略,w2为惯性权重,c21表示第一加速因子,c22表示第二加速因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i2个粒子在前k次迭代中的最优分配策略,为所有粒子在前k次迭代过程中的全局最优分配策略。
第二方面,本发明实施例提供了一种高能效无人机覆盖点的连续覆盖装置,该装置包括:第一确定单元,优化单元和第二确定单元,其中,所述第一确定单元用于确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始坐标位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;所述优化单元用于基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;所述第二确定单元用于在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
在本发明实施例中,通过粒子群算法,对无人机目标覆盖点的坐标位置和无人机目标覆盖点的在轮询循环中分配策略进行优化,确定出每个无人机目标覆盖点的最优坐标位置和最优分配策略,从而缓解了现有的无人机目标覆盖点连续覆盖的方法中,无人机对目标区域内的用户提供连续覆盖时的通信能效较低,进而提高了无人机对目标区域内的用户提供连续覆盖时的通信能效。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高能效无人机覆盖点的连续覆盖方法的流程图;
图2为本发明实施例提供的对初始坐标位置和分配策略进行第N次迭代优化的流程图;
图3为本发明实施例提供的目标覆盖点数量为5时,每个目标覆盖点的最优坐标位置和最优分配策略的示意图;
图4为本发明实施例提供的目标覆盖点数量不同情况下的无人机的能效收敛情况的示意图;
图5为为本发明实施例提供的一种高能效无人机覆盖点的连续覆盖方法的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种高能效无人机覆盖点的连续覆盖方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种高能效无人机覆盖点的连续覆盖方法,如图1所示,该方法包括如下步骤:
步骤S102,确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;
步骤S104,基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;
步骤S106,在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
在本发明实施例中,通过粒子群算法,对无人机目标覆盖点的坐标位置和无人机目标覆盖点的在轮询循环中分配策略进行优化,确定出每个无人机目标覆盖点的最优坐标位置和最优分配策略,从而缓解了现有的无人机目标覆盖点连续覆盖的方法中,无人机对目标区域内的用户提供连续覆盖时的通信能效较低,进而提高了无人机对目标区域内的用户提供连续覆盖时的通信能效。
需要说明的是,现有的两种实现无人机空中连续覆盖的方法如下:
第一种是采用系留式无人机,地面通过一根缆绳连接无人机,并通过缆绳为无人机提供不间断的飞行能源,从而使无人机能够长时间滞留在空中提供服务。该技术的缺点主要有a、考虑缆绳质量和能量损耗,缆绳的长度通常不会太长,这会导致无人机的活动范围受限;b、在灾害地区,由于道路阻塞,地面装备无法进入灾害核心区域,所以无人机受缆绳长度限制无法飞到灾害核心区域上方为灾害区域提供高效通信覆盖。
第二种方案是采用多个无人机接力的方式飞到目标区域进行覆盖。当在某个目标区域正在覆盖的无人机由于电量水平不足,需要返回充电时,安排另一架无人机飞到该区域接替当前无人机继续进行覆盖服务。但是当前该技术只是简单的考虑每个覆盖点以接力的方式实现对目标区域的连续覆盖,目前还没有人将能源效率考虑到无人机的连续覆盖中。
另外,还需要说明的是,为了对所有无人机覆盖点进行连续覆盖,所以需要无人机在目标区域内进行多次轮询循环,一个轮询循环为以个无人机充满电后从充电站出发能够轮询多个无人机覆盖点,并在这些覆盖点提供通信服务,最后再返回充电站进行充电的过程。
另外,还需要说明的是,上述的第一预设次数可以由工作人员根据实际情况自行设定,在本发明实施例中不做具体限定。
在本发明实施例中,如图2所示,基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述分配策略进行第N次迭代优化包括如下步骤:
步骤S11,基于粒子群优化算法、所述通信参数、所述飞行参数、所述第一粒子群优化算法参数,对所述初始坐标位置执行第二预设次数迭代优化,得到所述第N次迭代优化之后得到的目标坐标位置,其中,N大于等于1,且N小于或者等于所述第一预设次数;
步骤S12,基于粒子群优化算法,所述第N次迭代优化之后得到的目标坐标位置,所述第二粒子群优化算法参数,对所述分配策略进行执行第三预设次数迭代优化,得到第N次迭代优化之后得到的目标分配策略。
需要说明的是,粒子群优化算法参数包括:第一粒子群优化算法参数和第二粒子群优化算法参数。
在本发明实施例中,首先,根据第一粒子群优化算法、通信参数、飞行参数、第一粒子群优化算法参数,对每个目标覆盖点的初始坐标位置进行第二预设次数迭代优化,得到得到第N次迭代优化之后得到的目标坐标位置。
需要说明的是,N大于等于1,且N小于或者等于所述第一预设次数。
另外,还需要说明的是,上述的第二预设次数可以由工作人员根据实际情况自行设定,在本发明实施例中不做具体限定。
然后,基于粒子群优化算法,第N次迭代优化之后得到的目标坐标位置,第二粒子群优化算法参数,对每个目标覆盖点在各个轮询循环中的分配策略进行执行第三预设次数迭代优化,得到第N次迭代优化之后得到的目标分配策略
需要说明的是,上述的第三预设次数可以由工作人员根据实际情况自行设定,在本发明实施例中不做具体限定。
在本发明实施例中,对所述初始坐标位置执行第一预设次数迭代优化中每个迭代优化包括如下步骤:
反复执行以下迭代步骤,直至第二迭代次数满足第二预设迭代次数,则基于执行第二预设迭代次数之后得到的第一粒子群中的每个粒子的目标坐标位置,确定每个所述目标覆盖点的目标坐标位置:
第一计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第一能效适应度参数和第一粒子群中每个粒子的预设坐标位置进行计算,得到第一粒子群中每个第一粒子的能效适应度值;
第一确定步骤,基于第一粒子群中每个第一粒子的能效适应度值,确定第一粒子群中每个粒子的历史最优位置和每个粒子的全局最优位置;
第二计算步骤,利用第一更新函数对所述每个粒子的历史最优位置、所述每个粒子的全局最优位置、所述第一更新参数、所述第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第一粒子群中每个粒子的目标坐标位置和每个粒子的目标速度;
其中,若当前第二迭代次数小于所述第二预设迭代次数,则将所述每个粒子的目标坐标位置确定为所述预设坐标位置,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述第一确定步骤,和所述第二计算步骤,继续进行迭代计算。
在本发明实施例中,首先将飞行参数和通信参数,第一能效适应度参数和第一粒子群中每个粒子的预设坐标位置代入能效适应度函数中,计算出第一粒子群中每个粒子的能效适应度值。
然后,根据第一粒子群中每个第一粒子的能效适应度值,确定第一粒子群中每个粒子的历史最优位置和每个粒子的全局最优位置。
最后,将每个粒子的历史最优位置、每个粒子的全局最优位置、第一更新参数、第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度代入第一更新函数中,计算出第一粒子群中每个粒子的目标坐标位置和每个粒子的目标速度。
如果,当前第二迭代次数小于第二预设迭代次数,则将每个粒子的目标坐标位置确定为预设坐标位置,以及将每个粒子的目标速度确定为预设速度,并返回执行第一计算步骤,第一确定步骤,和第二计算步骤,继续进行迭代计算。
如果,第二迭代次数等于所述第二预设迭代次数,则根据第二预设迭代次数迭代优化得到的第一粒子群中每个粒子的目标坐标位置,确定出每个目标覆盖点的目标坐标位置。
需要说明的是,上述的第一粒子群中的每个粒子的预设坐标位置是根据每个目标覆盖点的初始坐标位置确定的,第一粒子群中的每个粒子表示为:X(i1,j1,k),X(i1,j1,K)表征所述第一粒子群中的第i1个粒子在第j1无人机目标覆盖点的轮询循环中各个无人机覆盖点的位置坐标,K=2,k对应每个无人机目标覆盖点的横坐标xm和纵坐标ym。
另外,还需要说明的是,上述的能效适应度函数为
其中,
L(r)=plosLlos+(1-plos)Lnlos,
J为无人机目标覆盖点的轮询循环数量,Nj为分配到第j个轮询循环中的目标覆盖点的数量,Mj对应在第j个轮询循环中为保证目标点连续覆盖所需的无人机数量,Tj为无人机完成第j个轮询循环所需的时间,Cn(R)为无人机在任一目标覆盖点,且无人机的覆盖半径为R,无人机的飞行高度为H时无人机的通信容量,L(r)为无人机在半径r处的链路衰减值,plos为无人机的飞行仰角为θ时,无人机的通信链路为直接可见链路的概率,Llos(x,y)为无人机的通信链路是直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,Lnlos(x,y)为无人机的通信链路是非直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,(xm,ym)为无人机的坐标,Dj为无人机在第j个轮询循环中的飞行距离,为在第j个轮询循环中无人机在每个目标覆盖点的悬停覆盖时间,λ(r)对应在离无人机水平距离为r半径圆上的用户分布密度,Dj为第j个轮询循环中一个无人机从充电站出发轮询Nj个目标覆盖点后,返回到充电站的最短飞行距离,H为无人机飞行高度,R为无人机覆盖半径,Ptr为无人机通信发射功率,Ph为无人机悬停功率,Pt为无人机水平飞行功率,Vt为无人机水平飞行速度,Pa为无人机上升功率,Va为无人机上升速度,Pd为无人机下降功率,Vd为无人机下降速度,W为无人机电池容量,Tcharge为无人机电池充满电所需要的时间,B为目标覆盖区域内用户占用带宽,f为通信载波频率,σ2为高斯噪声功率谱密度,(ηlos,ηnlos,a,b)为信道环境参数。
另外,还需要说明的是,其中,h是无人机高度,d是无人机与用户之间的水平距离,ηlos为直接可见链路的衰减系数,ηnlos为非直接可见链路的衰减系数。
另外,还需要说明的是,上述的第一更新函数为:
其中,为第i1个粒子在第k次迭代时的速度,k=1时对应第i1个粒子的初始速度,对应第i1个粒子在第k次迭代时的位置,k=1时,对应第i1个粒子的初始位置,w1为惯性权重,c11为第一学习因子,c12为第二学习因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i1个粒子在前k次迭代中的历史最优位置,为所有粒子在前k次迭代过程的全局最优位置。
在本发明实施例中,对所述初始分配策略执行预设次数迭代优化中每个迭代优化包括如下步骤:
反复执行以下迭代步骤,直至第三迭代次数满足第三预设迭代次数,则基于执行第三预设迭代次数之后得到的第三粒子群中的每个粒子的目标分配策略,确定每个所述目标覆盖点的目标分配策略:
第三计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第二能效适应度参数和第二粒子群中每个粒子的预设坐标位置进行计算,得到第二粒子群中每个第二粒子的能效适应度值;
第二确定步骤,基于第二粒子群中每个第二粒子的能效适应度值,确定第二粒子群中每个粒子的历史最优分配策略和每个粒子的全局最优分配策略;
第四计算步骤,利用第二更新函数对所述每个粒子的历史最优分配策略、所述每个粒子的全局最优分配策略、所述第二更新参数、所述第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第二粒子群中每个粒子的目标分配策略和每个粒子的目标速度;
其中,若当前第三迭代次数小于所述第三预设迭代次数,则将所述每个粒子的目标分配策略确定为所述预设分配策略,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述确定步骤,和所述第二计算步骤,继续进行迭代计算。
在本发明实施例中,首先将飞行参数和通信参数,第二能效适应度参数和第二粒子群中每个粒子的预设坐标位置代入能效适应度函数中,计算出第二粒子群中每个粒子的能效适应度值。
然后,根据第二粒子群中每个第一粒子的能效适应度值,确定第二粒子群中每个粒子的历史分配策略和每个粒子的全局分配策略。
最后,将每个粒子的历史分配策略、每个粒子的全局分配策略、第二更新参数、第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度代入第二更新函数中,计算出第二粒子群中每个粒子的目标分配策略和每个粒子的目标速度。
如果,当前第三迭代次数小于第三预设迭代次数,则将每个粒子的目标分配策略确定为预设分配策略,以及将每个粒子的目标速度确定为预设速度,并返回执行第三计算步骤,第二确定步骤,和第四计算步骤,继续进行迭代计算。
如果,第三迭代次数等于所述第三预设迭代次数,则根据第二预设迭代次数迭代优化得到的第一粒子群中每个粒子的目标分配策略,确定出每个目标覆盖点的目标坐标位置。
需要说明的是,上述的第二粒子群中的每个粒子的预设坐标位置是基于每个目标覆盖点的目标坐标位置确定的,其中,所所述第二粒子群中的粒子表示为:X(i2,j2),X(i2,j2)表征第i2个粒子中第j2个无人机目标覆盖点分配的轮询循环序号,j2的取值范围范围为1到N,N为所述无人机目标覆盖点的数量。
另外,还需要说明的是,上述的第二更新函数为:
其中,ceil[·]运算为向上取整运算,保证始终为整数矩阵,为第i2个粒子在第k次迭代时的速度,k=1时,为第i2个粒子的初始速度,为第i2个粒子在第k次迭代时的分配策略,k=1时,为第i2个粒子的初始分配策略,w2为惯性权重,c21表示第一加速因子,c22表示第二加速因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i2个粒子在前k次迭代中的最优分配策略,为所有粒子在前k次迭代过程中的全局最优分配策略。
下面将结合仿真实验对上述方法进行进一步地说明:
本实验是在500m×500m方形区域内进行的,设定区域的中心为原点(0,0),用户群的分布通过泊松簇过程(Poissonian clustering process)产生。
目标参数如下,信道环境参数(ηlos,ηnlos,a,b)为(1,20,9.61,0.61);通信载波频率f为2.4GHz;用户占用带宽B为1MHz;高斯噪声功率谱密度σ2为5×10-15W/Hz;无人机通信发射功率Ptr为0.5W;无人机飞行高度H为100m;无人机覆盖半径R为100m;无人机悬停功率Ph为200W;无人机水平飞行功率Pt为250W;无人机水平飞行速度Vt为10m/s;无人机上升功率Pa为240W;无人机上升速度Va为5m/s;无人机下降功率Pd为180W;无人机下降速度Vd为5m/s;无人机电池容量W为97.58Wh;无人机电池充满电所需要的时间Tcharge为5min。
图3是指定充电站位置(500,0),在N=5(即,目标覆盖点的数量为5)的情况下,根据以上参数设置得出的无人机目标覆盖点最优位置部署以及无人机目标覆盖点的最优轮询循环分配策略。如图3所示,算法得出的最终的最优无人机目标覆盖点位置分别为(-129.7,12.91),(125.4,88.67),(189.1,48.11),(36.38,-63.86),(125.4,-75.45);以及无人机目标覆盖点的最优轮询循环分配策略对应J=3,M=9,在各个子轮询循环中N1=3,M1=3,N2=1,M2=2,N3=1,M3=2。
如图4所示,本发明中的算法在N不同情况下的收殓情况,由图4可知,在迭代大概60次后算法收敛,从而验证了本发明对目标覆盖点的坐标位置和目标覆盖点在轮询循环中的分配策略进行优化后,能够提高无人机为通信效能。
实施例二:
本发明还提供了一种高能效无人机覆盖点的连续覆盖装置,该装置用于执行本发明实施例上述内容所提供的高能效无人机覆盖点的连续覆盖方法,以下是本发明实施例提供的高能效无人机覆盖点的连续覆盖装置的具体介绍。
如图5所示,该装置包括:第一确定单元10,优化单元20和第二确定单元30,其中,
所述第一确定单元10用于确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始坐标位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;
所述优化单元20用于基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;
所述第二确定单元30用于在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
在本发明实施例中,通过粒子群算法,对无人机目标覆盖点的坐标位置和无人机目标覆盖点的在轮询循环中分配策略进行优化,确定出每个无人机目标覆盖点的最优坐标位置和最优分配策略,从而缓解了现有的无人机目标覆盖点连续覆盖的方法中,无人机对目标区域内的用户提供连续覆盖时的通信能效较低,进而提高了无人机对目标区域内的用户提供连续覆盖时的通信能效。
可选地,所述优化单元还用于:基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述分配策略进行第N次迭代优化包括:基于粒子群优化算法、所述通信参数、所述飞行参数、所述第一粒子群优化算法参数,对所述初始坐标位置执行第二预设次数迭代优化,得到所述第N次迭代优化之后得到的目标坐标位置,其中,N大于等于1,且N小于或者等于所述第一预设次数;基于粒子群优化算法,所述第N次迭代优化之后得到的目标坐标位置,所述第二粒子群优化算法参数,对所述分配策略进行执行第三预设次数迭代优化,得到第N次迭代优化之后得到的目标分配策略。
可选地,所述优化单元还用于:对所述初始坐标位置执行预设次数迭代优化中每个迭代优化包括:反复执行以下迭代步骤,直至第二迭代次数满足第二预设迭代次数,则基于执行第二迭代次数之后得到的第一粒子群中的每个粒子的目标坐标位置,确定每个所述目标覆盖点的目标坐标位置,并将每个所述目标覆盖点的目标坐标位置作为对所述初始坐标位置执行第二预设次数迭代优化中每次迭代优化之后的目标坐标位置:第一计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第一能效适应度参数和所述预设坐标位置进行计算,得到第一粒子群中每个第一粒子的能效适应度值;确定步骤,基于第一粒子群中每个第一粒子的能效适应度值,确定第一粒子群中每个粒子的历史最优位置和每个粒子的全局最优位置;第二计算步骤,利用第一更新函数对所述每个粒子的历史最优位置、所述每个粒子的全局最优位置、所述第一更新参数、所述第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第一粒子群中每个粒子的目标坐标位置和每个粒子的目标速度;其中,若当前第二迭代次数小于所述第二预设迭代次数,则将所述每个粒子的目标坐标位置确定为所述预设坐标位置,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述确定步骤,和所述第二计算步骤,继续进行迭代计算。
可选地,所述第二粒子群优化算法参数包括:第二能效适应度参数,第二更新参数,第三预设迭代次数,第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度,每个所述目标覆盖点的预设分配策略;对所述初始分配策略执行预设次数迭代优化中每个迭代优化包括:反复执行以下迭代步骤,直至第三迭代次数满足第三预设迭代次数,则基于执行第三迭代次数之后得到的第三粒子群中的每个粒子的目标分配策略,确定每个所述目标覆盖点的目标分配策略,并将每个所述目标覆盖点的目标分配策略作为对所述初始分配策略执行第三预设次数迭代优化中每次迭代优化之后的目标分配策略:第一计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第二能效适应度参数和所述预设坐标位置进行计算,得到第二粒子群中每个第二粒子的能效适应度值;确定步骤,基于第二粒子群中每个第二粒子的能效适应度值,确定第二粒子群中每个粒子的历史最优分配策略和每个粒子的全局最优分配策略;第二计算步骤,利用第二更新函数对所述每个粒子的历史最优分配策略、所述每个粒子的全局最优分配策略、所述第二更新参数、所述第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第二粒子群中每个粒子的目标分配策略和每个粒子的目标速度;其中,若当前第三迭代次数小于所述第三预设迭代次数,则将所述每个粒子的目标分配策略确定为所述预设分配策略,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述确定步骤,和所述第二计算步骤,继续进行迭代计算。
可选地,所述优化单元还用于:基于每个目标覆盖点的初始坐标位置,确定所述第一粒子群中的粒子,其中,所述第一粒子群中的粒子表示为:X(i1,j1,k),X(i1,j1,K)表征所述第一粒子群中的第i1个粒子在第j1无人机目标覆盖点的轮询循环中各个无人机覆盖点的位置坐标,K=2,k对应每个无人机目标覆盖点的横坐标xm和纵坐标ym。
可选地,所述优化单元还用于:基于每个目标覆盖点的目标坐标位置,确定所述第二粒子群中的粒子,其中,所述第二粒子群中的粒子表示为:X(i2,j2),X(i2,j2)表征第i2个粒子中第j2个无人机目标覆盖点分配的轮询循环序号,j2的取值范围范围为1到N,N为所述无人机目标覆盖点的数量。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种高能效无人机覆盖点的连续覆盖方法,其特征在于,包括:
确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始坐标位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;
基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;
在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
2.根据权利要求1所述的方法,其特征在于,所述粒子群优化算法参数包括:第一粒子群优化算法参数和第二粒子群优化算法参数;
基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述分配策略进行第N次迭代优化包括:
基于粒子群优化算法、所述通信参数、所述飞行参数、所述第一粒子群优化算法参数,对所述初始坐标位置执行第二预设次数迭代优化,得到所述第N次迭代优化之后得到的目标坐标位置,其中,N大于等于1,且N小于或者等于所述第一预设次数;
基于粒子群优化算法,所述第N次迭代优化之后得到的目标坐标位置,所述第二粒子群优化算法参数,对所述分配策略执行第三预设次数迭代优化,得到第N次迭代优化之后得到的目标分配策略。
3.根据权利要求2所述的方法,其特征在于,所述第一粒子群优化算法参数包括:第一能效适应度参数,第一更新参数,第二预设迭代次数,第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度;
对所述初始坐标位置执行第一预设次数迭代优化中每个迭代优化包括:
反复执行以下迭代步骤,直至第二迭代次数满足第二预设迭代次数,则基于执行第二预设迭代次数之后得到的第一粒子群中的每个粒子的目标坐标位置,确定每个所述目标覆盖点的目标坐标位置:
第一计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第一能效适应度参数和第一粒子群中每个粒子的预设坐标位置进行计算,得到第一粒子群中每个第一粒子的能效适应度值;
第一确定步骤,基于第一粒子群中每个第一粒子的能效适应度值,确定第一粒子群中每个粒子的历史最优位置和每个粒子的全局最优位置;
第二计算步骤,利用第一更新函数对所述每个粒子的历史最优位置、所述每个粒子的全局最优位置、所述第一更新参数、所述第一粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第一粒子群中每个粒子的目标坐标位置和每个粒子的目标速度;
其中,若当前第二迭代次数小于所述第二预设迭代次数,则将所述每个粒子的目标坐标位置确定为所述预设坐标位置,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第一计算步骤,所述第一确定步骤,和所述第二计算步骤,继续进行迭代计算。
4.根据权利要求2所述的方法,其特征在于,所述第二粒子群优化算法参数包括:第二能效适应度参数,第二更新参数,第三预设迭代次数,第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度,每个所述目标覆盖点的预设分配策略;
对所述初始分配策略执行预设次数迭代优化中每个迭代优化包括:
反复执行以下迭代步骤,直至第三迭代次数满足第三预设迭代次数,则基于执行第三预设迭代次数之后得到的第三粒子群中的每个粒子的目标分配策略,确定每个所述目标覆盖点的目标分配策略:
第三计算步骤,利用能效适应度函数对所述飞行参数和所述通信参数,所述第二能效适应度参数和第二粒子群中每个粒子的预设坐标位置进行计算,得到第二粒子群中每个第二粒子的能效适应度值;
第二确定步骤,基于第二粒子群中每个第二粒子的能效适应度值,确定第二粒子群中每个粒子的历史最优分配策略和每个粒子的全局最优分配策略;
第四计算步骤,利用第二更新函数对所述每个粒子的历史最优分配策略、所述每个粒子的全局最优分配策略、所述第二更新参数、所述第二粒子群中每个粒子的预设坐标位置和每个粒子的预设速度进行计算,得到第二粒子群中每个粒子的目标分配策略和每个粒子的目标速度;
其中,若当前第三迭代次数小于所述第三预设迭代次数,则将所述每个粒子的目标分配策略确定为所述预设分配策略,以及将所述每个粒子的目标速度确定为所述预设速度,并返回执行所述第三计算步骤,所述第二确定步骤,和所述第四计算步骤,继续进行迭代计算。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
基于每个目标覆盖点的初始坐标位置,确定所述第一粒子群中的粒子,其中,所述第一粒子群中的粒子表示为:X(i1,j1,k),X(i1,j1,K)表征所述第一粒子群中的第i1个粒子在第j1无人机目标覆盖点的轮询循环中各个无人机覆盖点的位置坐标,K=2,k对应每个无人机目标覆盖点的横坐标xm和纵坐标ym。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于每个目标覆盖点的目标坐标位置,确定所述第二粒子群中的粒子,其中,所述第二粒子群中的粒子表示为:X(i2,j2),X(i2,j2)表征第i2个粒子中第j2个无人机目标覆盖点分配的轮询循环序号,j2的取值范围范围为1到N,N为所述无人机目标覆盖点的数量。
7.根据权利要求3或4所述的方法,其特征在于,所述能效适应度函数为其中,
L(r)=plosLlos+(1-plos)Lnlos;
J为无人机目标覆盖点的轮询循环数量,Nj为分配到第j个轮询循环中的目标覆盖点的数量,Mj对应在第j个轮询循环中为保证目标点连续覆盖所需的无人机数量,Tj为无人机完成第j个轮询循环所需的时间,Cn(R)为无人机在任一目标覆盖点,且无人机的覆盖半径为R,无人机的飞行高度为H时无人机的通信容量,L(r)为无人机在半径r处的链路衰减值,plos为无人机的飞行仰角为θ时,无人机的通信链路为直接可见链路的概率,Llos(x,y)为无人机的通信链路是直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,Lnlos(x,y)为无人机的通信链路是非直接可见链路,且用户坐标为(x,y)时,无人机的路径衰减值,(xm,ym)为无人机的坐标,Dj为无人机在第j个轮询循环中的飞行距离,Tj h为在第j个轮询循环中无人机在每个目标覆盖点的悬停覆盖时间,λ(r)对应在离无人机水平距离为r半径圆上的用户分布密度,Dj为第j个轮询循环中一个无人机从充电站出发轮询Nj个目标覆盖点后,返回到充电站的最短飞行距离,H为无人机飞行高度,R为无人机覆盖半径,Ptr为无人机通信发射功率,Ph为无人机悬停功率,Pt为无人机水平飞行功率,Vt为无人机水平飞行速度,Pa为无人机上升功率,Va为无人机上升速度,Pd为无人机下降功率,Vd为无人机下降速度,W为无人机电池容量,Tcharge为无人机电池充满电所需要的时间,B为目标覆盖区域内用户占用带宽,f为通信载波频率,σ2为高斯噪声功率谱密度,(ηlos,ηnlos,a,b)为信道环境参数。
8.根据权利要求3所述的方法,其特征在于,所述第一更新函数为:
其中,为第i1个粒子在第k次迭代时的速度,k=1时对应第i1个粒子的初始速度,对应第i1个粒子在第k次迭代时的位置,k=1时,对应第i1个粒子的初始位置,w1为惯性权重,c11为第一学习因子,c12为第二学习因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i1个粒子在前k次迭代中的历史最优位置,为所有粒子在前k次迭代过程的全局最优位置。
9.根据权利要求4所述的方法,其特征在于,所述第二更新函数为:
其中,ceil[·]运算为向上取整运算,保证始终为整数矩阵,为第i2个粒子在第k次迭代时的速度,k=1时,为第i2个粒子的初始速度,为第i2个粒子在第k次迭代时的分配策略,k=1时,为第i2个粒子的初始分配策略,w2为惯性权重,c21表示第一加速因子,c22表示第二加速因子,ξ为0到1区间的随机数,ψ为0到1区间的随机数,为第i2个粒子在前k次迭代中的最优分配策略,为所有粒子在前k次迭代过程中的全局最优分配策略。
10.一种高能效无人机覆盖点的连续覆盖装置,其特征在于,包括:第一确定单元,优化单元和第二确定单元,其中,
所述第一确定单元用于确定目标参数,其中,所述目标参数包括以下至少之一:无人机的飞行参数和通信参数,粒子群优化算法参数,无人机的目标覆盖点的初始坐标位置和目标覆盖点的初始分配策略,所述分配策略用于确定无人机在每条飞行路径中所到达的目标覆盖点;
所述优化单元用于基于粒子群优化算法和所述目标参数,对所述初始坐标位置和所述初始分配策略进行反复迭代优化,每次迭代优化之后得到目标坐标位置和目标分配策略;
所述第二确定单元用于在对所述初始坐标位置和所述初始分配策略进行迭代优化的第一迭代次数达到第一预设次数之后,将迭代优化所述第一预设次数之后得到的目标坐标位置确定为最优坐标位置,以及迭代优化所述第一预设次数之后得到目标分配策略确定为最优分配策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811299673.6A CN109275094B (zh) | 2018-11-02 | 2018-11-02 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811299673.6A CN109275094B (zh) | 2018-11-02 | 2018-11-02 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109275094A true CN109275094A (zh) | 2019-01-25 |
CN109275094B CN109275094B (zh) | 2019-10-22 |
Family
ID=65191919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811299673.6A Active CN109275094B (zh) | 2018-11-02 | 2018-11-02 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109275094B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110213771A (zh) * | 2019-04-10 | 2019-09-06 | 中国人民解放军陆军工程大学 | 一种基于多探测无人机协同搜索的无人机中继部署方法 |
CN110300417A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 无人机通信网络的能量效率优化方法和装置 |
CN110310520A (zh) * | 2019-06-14 | 2019-10-08 | 西安理工大学 | 无人机自主充电坪的无线紫外光空中虚拟围栏方法 |
CN110956662A (zh) * | 2019-11-29 | 2020-04-03 | 北京邮电大学 | 载体避障方法、装置及电子设备 |
CN111132009A (zh) * | 2019-12-23 | 2020-05-08 | 北京邮电大学 | 物联网的移动边缘计算方法、装置及系统 |
CN111405581A (zh) * | 2020-03-20 | 2020-07-10 | 重庆邮电大学 | 一种最大化加权采集能量的携能无人机位置部署方法 |
CN111510192A (zh) * | 2020-03-20 | 2020-08-07 | 西安电子科技大学 | 一种具有高能效的无人机多维资源管理方法 |
CN111711960A (zh) * | 2020-01-16 | 2020-09-25 | 中国人民解放军陆军工程大学 | 一种能量效率知觉的无人机群三维部署方法 |
CN112020074A (zh) * | 2020-09-08 | 2020-12-01 | 三维通信股份有限公司 | 无线访问接入点部署方法和装置、存储介质 |
CN112074012A (zh) * | 2020-07-14 | 2020-12-11 | 南方科技大学 | 无人机位置优化方法、无人机终端、用户端及存储介质 |
CN112966060A (zh) * | 2021-03-03 | 2021-06-15 | 中国联合网络通信集团有限公司 | 无人机投递场景下边缘节点的确定方法、系统及存储介质 |
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN113727275A (zh) * | 2021-08-31 | 2021-11-30 | 吉林大学 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
CN114142912A (zh) * | 2021-11-26 | 2022-03-04 | 西安电子科技大学 | 高动态空中网络时间覆盖连续性保障的资源管控方法 |
CN116205536A (zh) * | 2023-03-06 | 2023-06-02 | 阿里巴巴(中国)有限公司 | 对象评估方法、计算设备及可读存储介质 |
CN116684273A (zh) * | 2023-06-08 | 2023-09-01 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600624A (zh) * | 2016-12-06 | 2017-04-26 | 昆山鲲鹏无人机科技有限公司 | 基于粒子群的粒子滤波视频目标跟踪方法 |
CN106647744A (zh) * | 2016-11-14 | 2017-05-10 | 深圳大学 | 一种机器人路径规划方法及装置 |
CN107037828A (zh) * | 2017-03-24 | 2017-08-11 | 西安电子科技大学 | 基于粒子群算法的无人机区域覆盖的单步寻优方法 |
CN107346458A (zh) * | 2017-05-10 | 2017-11-14 | 西北工业大学 | 一种无人机路径规划方法及其装置 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
CN108401438A (zh) * | 2017-12-21 | 2018-08-14 | 北京小米移动软件有限公司 | 无人机飞行路径的确定方法及装置 |
-
2018
- 2018-11-02 CN CN201811299673.6A patent/CN109275094B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647744A (zh) * | 2016-11-14 | 2017-05-10 | 深圳大学 | 一种机器人路径规划方法及装置 |
CN106600624A (zh) * | 2016-12-06 | 2017-04-26 | 昆山鲲鹏无人机科技有限公司 | 基于粒子群的粒子滤波视频目标跟踪方法 |
CN107037828A (zh) * | 2017-03-24 | 2017-08-11 | 西安电子科技大学 | 基于粒子群算法的无人机区域覆盖的单步寻优方法 |
CN107346458A (zh) * | 2017-05-10 | 2017-11-14 | 西北工业大学 | 一种无人机路径规划方法及其装置 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
CN108401438A (zh) * | 2017-12-21 | 2018-08-14 | 北京小米移动软件有限公司 | 无人机飞行路径的确定方法及装置 |
Non-Patent Citations (2)
Title |
---|
HAZIM SHAKHATREH等: "On The Continuous Coverage Problem for a Swarm of UAVs", 《IEEE COMMUNICATIONS SOCIETY》 * |
张建南: "基于优化粒子群算法的无人机航路规划", 《传感器与微系统》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN109862575B (zh) * | 2019-03-25 | 2021-10-08 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110213771A (zh) * | 2019-04-10 | 2019-09-06 | 中国人民解放军陆军工程大学 | 一种基于多探测无人机协同搜索的无人机中继部署方法 |
CN110213771B (zh) * | 2019-04-10 | 2022-02-18 | 中国人民解放军陆军工程大学 | 一种基于多探测无人机协同搜索的无人机中继部署方法 |
CN110300417B (zh) * | 2019-05-09 | 2021-04-13 | 清华大学 | 无人机通信网络的能量效率优化方法和装置 |
CN110300417A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 无人机通信网络的能量效率优化方法和装置 |
CN110310520A (zh) * | 2019-06-14 | 2019-10-08 | 西安理工大学 | 无人机自主充电坪的无线紫外光空中虚拟围栏方法 |
CN110956662A (zh) * | 2019-11-29 | 2020-04-03 | 北京邮电大学 | 载体避障方法、装置及电子设备 |
CN111132009A (zh) * | 2019-12-23 | 2020-05-08 | 北京邮电大学 | 物联网的移动边缘计算方法、装置及系统 |
CN111711960A (zh) * | 2020-01-16 | 2020-09-25 | 中国人民解放军陆军工程大学 | 一种能量效率知觉的无人机群三维部署方法 |
CN111510192A (zh) * | 2020-03-20 | 2020-08-07 | 西安电子科技大学 | 一种具有高能效的无人机多维资源管理方法 |
CN111405581A (zh) * | 2020-03-20 | 2020-07-10 | 重庆邮电大学 | 一种最大化加权采集能量的携能无人机位置部署方法 |
CN111405581B (zh) * | 2020-03-20 | 2023-03-28 | 重庆邮电大学 | 一种最大化加权采集能量的携能无人机位置部署方法 |
CN112074012A (zh) * | 2020-07-14 | 2020-12-11 | 南方科技大学 | 无人机位置优化方法、无人机终端、用户端及存储介质 |
CN112074012B (zh) * | 2020-07-14 | 2022-07-12 | 南方科技大学 | 无人机位置优化方法、无人机终端、用户端及存储介质 |
CN112020074A (zh) * | 2020-09-08 | 2020-12-01 | 三维通信股份有限公司 | 无线访问接入点部署方法和装置、存储介质 |
CN112020074B (zh) * | 2020-09-08 | 2023-11-17 | 三维通信股份有限公司 | 无线访问接入点部署方法和装置、存储介质 |
WO2022052489A1 (zh) * | 2020-09-08 | 2022-03-17 | 三维通信股份有限公司 | 无线访问接入点部署方法和装置、存储介质 |
CN112966060B (zh) * | 2021-03-03 | 2023-01-17 | 中国联合网络通信集团有限公司 | 无人机投递场景下边缘节点的确定方法、系统及存储介质 |
CN112966060A (zh) * | 2021-03-03 | 2021-06-15 | 中国联合网络通信集团有限公司 | 无人机投递场景下边缘节点的确定方法、系统及存储介质 |
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN113093785B (zh) * | 2021-03-09 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN113727275A (zh) * | 2021-08-31 | 2021-11-30 | 吉林大学 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
CN113727275B (zh) * | 2021-08-31 | 2022-04-15 | 吉林大学 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
CN114142912A (zh) * | 2021-11-26 | 2022-03-04 | 西安电子科技大学 | 高动态空中网络时间覆盖连续性保障的资源管控方法 |
CN116205536A (zh) * | 2023-03-06 | 2023-06-02 | 阿里巴巴(中国)有限公司 | 对象评估方法、计算设备及可读存储介质 |
CN116205536B (zh) * | 2023-03-06 | 2023-10-13 | 阿里巴巴(中国)有限公司 | 对象评估方法、计算设备及可读存储介质 |
CN116684273A (zh) * | 2023-06-08 | 2023-09-01 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
CN116684273B (zh) * | 2023-06-08 | 2024-01-30 | 中国人民解放军国防科技大学 | 一种基于粒子群的机动通信网络结构自动规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109275094B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109275094B (zh) | 一种高能效无人机覆盖点连续覆盖方法和装置 | |
Sun et al. | Optimal 3D-trajectory design and resource allocation for solar-powered UAV communication systems | |
Lin et al. | An adaptive UAV deployment scheme for emergency networking | |
CN111786713B (zh) | 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法 | |
Wang et al. | Online UAV-mounted edge server dispatching for mobile-to-mobile edge computing | |
Zhang et al. | Energy-efficient trajectory optimization for UAV-assisted IoT networks | |
Ho et al. | Optimization of wireless sensor network and UAV data acquisition | |
Sekander et al. | Statistical performance modeling of solar and wind-powered UAV communications | |
Xu et al. | Big data on the fly: UAV-mounted mobile edge computing for disaster management | |
Li et al. | Post-disaster unmanned aerial vehicle base station deployment method based on artificial bee colony algorithm | |
CN108768497A (zh) | 无人机辅助无线传感网及其节点调度与飞行参量设计方法 | |
CN109511134A (zh) | 基于能效最优的无人机辅助无线通信系统负载分流方法 | |
CN111836271B (zh) | 一种多无人机通信基站的3d位置部署方法 | |
He et al. | Towards 3D deployment of UAV base stations in uneven terrain | |
CN103873146B (zh) | 室内分布式可见光通信系统中的资源调度方法 | |
Sawalmeh et al. | Providing wireless coverage in massively crowded events using UAVs | |
Moorthy et al. | Beam learning in mmWave/THz-band drone networks under in-flight mobility uncertainties | |
CN109960279B (zh) | 一种基于启发式算法的无人机盘旋半径优化方法 | |
CN112702713B (zh) | 一种多约束条件下的低空无人机通信部署方法 | |
Liu et al. | Efficient deployment of UAVs for maximum wireless coverage using genetic algorithm | |
Chen et al. | Trajectory optimization for cellular-enabled UAV with connectivity outage constraint | |
Liu et al. | Multiobjective optimization for improving throughput and energy efficiency in UAV-enabled IoT | |
CN110312265A (zh) | 无人机编队通信覆盖的功率分配方法及系统 | |
CN113784314A (zh) | 一种智能反射表面辅助下的无人机数据与能量传输方法 | |
Sae et al. | Coverage aspects of temporary LAP network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |