CN109682380A - 一种通信无人机路径优化方法及设备 - Google Patents

一种通信无人机路径优化方法及设备 Download PDF

Info

Publication number
CN109682380A
CN109682380A CN201910041506.XA CN201910041506A CN109682380A CN 109682380 A CN109682380 A CN 109682380A CN 201910041506 A CN201910041506 A CN 201910041506A CN 109682380 A CN109682380 A CN 109682380A
Authority
CN
China
Prior art keywords
energy consumption
unmanned plane
multicast group
hovering position
hovering
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
Application number
CN201910041506.XA
Other languages
English (en)
Other versions
CN109682380B (zh
Inventor
许文俊
邓昶
张平
张治�
高晖
冯志勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910041506.XA priority Critical patent/CN109682380B/zh
Publication of CN109682380A publication Critical patent/CN109682380A/zh
Priority to PCT/CN2019/124036 priority patent/WO2020147456A1/zh
Application granted granted Critical
Publication of CN109682380B publication Critical patent/CN109682380B/zh
Priority to US17/023,813 priority patent/US11663920B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0004—Transmission of traffic-related information to or from an aircraft
    • G08G5/0013—Transmission of traffic-related information to or from an aircraft with a ground station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G08G5/0034—Assembly of a flight plan
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/185—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast with management of multicast group membership
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H04W4/08—User group management
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/20—UAVs specially adapted for particular uses or applications for use as communications relays, e.g. high-altitude platforms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/20—Remote controls
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

本发明公开了一种通信无人机路径优化方法及设备，涉及无人机通信技术领域，方法包括获得用户集合及其地理位置；将所述用户集合分裂成K个多播组；确定与K个多播组一一对应的K个初始悬停位置，并确定连接K个初始悬停位置的最短的初始飞行路径；对无人机初始悬停位置进行逐个优化，得到与K个多播组相对应的K个最终悬停位置及最终飞行路径。在本发明中，将用户集合分裂成若干个多播组，并在每个多播组中找到一个合适的悬停位置，以供无人机能够在该位置以较高的传输速率来传输文件，并对无人机飞行轨迹进行设计，找到一条经过所有悬停位置并返回起始位置的最短路径，使得无人机以最小的总能量消耗来完成多播业务传输任务。

Description

一种通信无人机路径优化方法及设备
技术领域
本发明涉及无人机通信技术领域，具体的说是一种通信无人机路径优化方法及设备。
背景技术
一方面，随着无人驾驶飞行器(简称为无人机)近年来在工业界的广泛应用，无人机通信也已经成为无线通信领域研究的热点。相比于传统的地面通信系统，无人机通信系统具有成本低，部署快，灵活性高，信道条件优良，移动可控等优点，因此无人机通信也将逐渐成为未来无线通信领域不可或缺的一部分。然而无人机无线通信并不完美，面临着许多挑战，其中能量不足问题是制约无人机通信发展的最大因素之一。
另一方面，无线多播已经成为用于多媒体传输的成熟技术，可以有效提高频谱利用率。然而传统的无线多播技术面临着一个十分具有挑战性的问题，即多播的传输速率本质上受限于多播组中最差的用户信道条件。
针对无线多播领域面临的问题以及结合当前无人机通信系统的优势和挑战，我们对无人机多播场景下的飞行路径进行设计，意在借助无人机通信系统成本低，移动可控及信道条件优良等优点来解决无线多播传输速率受限的问题，反之也借助多播能够同时给多个用户传输数据的优势，有效降低无人机执行传输任务所需要的时间和能量消耗，达到互利共赢的目的。
目前对于无人机多播通信系统的研究主要是通过对无人机飞行轨迹进行设计，进而提高无人机与用户间的通信性能。如《Capacity of UAV-Enabled Multicast Channel-Joint Trajectory Design and Power Allocation》中提出了一种无人机飞行方法，在无人机多播时，考虑到所有用户的信道条件，使得在无人机执行传输任务期间，每个用户与无人机之间都能拥有较高的平均信道容量，但没有考虑无人机的能量消耗，且没有对多播组进行划分，导致性能比较受限。以及《Trajectory Design for Completion TimeMinimization in UAV-Enabled Multicasting》中对无人机飞行轨迹进行设计，在保证了无人机通信有效性的同时减小了无人机执行任务所用的时间，但同样没有考虑无人机的能量消耗，且对于多播组的划分方式也不够灵活。
申请人发现，现有技术中至少存在如下问题：
首先，现有技术没有考虑到无人机执行任务时的能量消耗问题；其次，未能对用户进行分组，或分组方式不够灵活，使得多播传输速率始终无法得到大幅提升，从而增大了无人机执行任务所消耗的时间及能量；最后，现有的技术没有采用数据驱动的方法来解决这一多播传输问题，以往特征都是针对单个目标自身状态，不涉及对所有用户做分布型描述，因此不能有效反应用户的分布态势，不利于构建精确地模型，且以往确定多播组数目都是基于经验，或遍历所有可能的多播组数目，用户数较多时经验往往不准，遍历效率低下且计算量极大。
发明内容
根据以上现有技术的不足，本发明提出了一种通信无人机路径优化方法及设备，通过优化无人机悬停位置以及飞行路径，降低无人机能耗。
本发明解决其技术问题采用以下技术方案来实现：
作为本发明实施例的第一个方面，提供了一种通信无人机路径优化方法，包括
步骤1、获得用户数目N、地理位置Wn、需要传输的文件大小S；
步骤2、利用训练好的SVM模型和用户数目N、地理位置Wn及文件大小S计算得到多播组数量K，使用k-means算法将用户的数目N分裂成K个多播组；
步骤3、利用最小圆覆盖法获得与K个多播组一一对应的K个悬停位置，使用遗传算法获得连接K个悬停位置的最短的飞行路径，由所述文件大小S与所述悬停位置确定通信能耗和悬停能耗，由所述飞行路径确定飞行能耗，由所述通信能耗、悬停能耗以及飞行能耗构成无人机总能耗；
步骤4、利用内点法对悬停位置进行逐个优化，得到优化后的悬停位置，使用遗传算法获得连接K个优化后的悬停位置的最短的飞行路径，并由优化后的悬停位置与飞行路径得到优化后的无人机总能耗；
步骤5、将优化后的无人机总能耗与优化前的无人机总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本轮优化的基础上重复步骤4进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的无人机悬停位置及飞行路径即为最终悬停位置和最终飞行路径。
作为本发明一种可选的实施方式，所述SVM模型的训练方法包括
模拟生成X组数据，每组数据包括用户数目、用户地理位置、需要传输的文件大小和多播组分裂数目K模拟；
由每组数据中的用户数目、用户地理位置以及多播组分裂数目K模拟计算得到每组数据的模拟平均轮廓系数；
用k-means算法将每组中的用户数目分裂成K模拟个多播组，利用最小圆覆盖法获得与K模拟个多播组一一对应的K模拟个悬停位置，使用遗传算法获得与连接K模拟个悬停位置的最短的飞行路径，由文件大小与悬停位置确定通信能耗和悬停能耗，由飞行路径确定飞行能耗，由通信能耗、悬停能耗以及飞行能耗确定总能耗，对悬停位置和飞行路径进行优化，得到最终悬停位置和最终飞行路径，以及与最终悬停位置和最终飞行路径所对应的最终总能耗；
获得X组包括用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据以及对应的X组只包含最终总能耗的数据；
将包含用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据作为输入，将包含最终总能耗的数据作为输出，训练得到SVM模型。
作为本发明一种可选的实施方式，SVM模型训练过程中，悬停位置及飞行路径进行优化的步骤包括
步骤2.1、利用内点法对K模拟个悬停位置进行逐个优化，得到K模拟个优化后的悬停位置，使用遗传算法获得连接K模拟个优化后的悬停位置的最短的飞行路径，得到优化后的总能耗；
步骤2.2、将优化后的总能耗与优化前的总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本次优化的基础上重复步骤2.1进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的悬停位置及飞行路径即为最终悬停位置和最终飞行路径，优化后的总能耗即为最终总能耗。
作为本发明一种可选的实施方式，使用粒子群算法、蚁群算法、模拟退火算法及神经网络算法中的任意一种替代所述遗传算法。
作为本发明一种可选的实施方式，所述多播组数目K的计算方法包括
根据用户数目N，确定多播组分裂数目的可能值为K*∈[1,N]；
根据每一个具体的多播组分裂数目K*，使用k-means算法将用户数目N分成K*个多播组，并计算出与K*对应的平均轮廓系数λ*；
将用户数目N，文件大小S，具体的多播组分裂数目K*以及与多播组分裂数目K*对应的平均轮廓系数λ*输入训练好的SVM模型，得到与多播组分裂数目K*对应的预测能量消耗Ek*；
K*的取值是从1到N，所以SVM模型对当前场景下的每一个K*都得到一个无人机的预测能量消耗Ek*，其中最小的预测能量消耗Ek*所对应的K*，即为所求的多播组数目K。
作为本发明一种可选的实施方式，利用最小圆覆盖法确定所述悬停位置的具体步骤为：
步骤3.1.1、任取一个多播组，从该多播组里包含的用户中随意取三个用户Na,Nb,Nc；
步骤3.1.2、作一个包含Na,Nb,Nc三点的最小圆；
步骤3.1.3、在该多播组其他用户中找出距离步骤3.1.2所建的圆的圆心最远的点Nd，若Nd已在圆内或圆周上，则该圆即为所求的圆，算法结束，否则，执行步骤3.1.4；
步骤3.1.4、在Na,Nb,Nc,Nd中选3个点,使由它们生成的一个包含这4个点的圆为最小，这3点成为新的Na,Nb,Nc，返回执行步骤3.1.2和步骤3.1.3，若在步骤3.1.2中生成的圆的圆周只通过Na,Nb,Nc,Nd中的两点，则取圆周上的两点为新的Na,Nb，从另两点中任取一点作为新的Nc，返回执行步骤3.1.2和步骤3.1.3。
作为本发明一种可选的实施方式，所述遗传算法包括
步骤3.2.1、随机初始化L条飞行路径作为初代种群，计算这L条路径的距离，并对L条路径距离进行排序；
步骤3.2.2、根据轮盘赌策略，根据L条路径中每条路径的距离，为每条路径分别设定一个选择概率，其中距离越小的路径设定的选择概率越大，并做L次选择，每次选择均从L条路径中选择一条路径，被选中的路径再进行下一步操作；
步骤3.2.3、从步骤3.2.2得到的的L条路径中，依次任取两条以预设概率进行路径交叉并取代之前的路径，直至L条路径都被选择过，且不会重复选择；
步骤3.2.4、从交叉过程的L条路径中，依次对每一条路径以预设概率进行某段路径的反转，并取代之前的路径，直至L条路径都被选择过，且不会重复选择，得到新一代种群；
步骤3.2.5、将新一代种群重新带入步骤3.2.1至步骤3.2.4的过程并循环重复，设定循环重复的最大次数，直到获得的最短飞行路径不再变化或重复次数满足设定的次数。
作为本发明实施例的第二个方面，提供了一种优化通信无人机路径的电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任意一项所述的方法。
本发明的有益效果是：
在本发明中，充分考虑了用户的数目和地理分布情况，采用数据驱动的方法，将用户自适应的分裂成若干个多播组，并在每个多播组中找到一个合适的悬停位置，以供无人机能够在该位置以较高的传输速率来传输文件，达到减少无人机悬停和传输能量消耗的目的，并对无人机飞行轨迹进行设计，找到一条经过所有悬停位置并返回起始位置的最短路径，来降低无人机的飞行能量消耗，最终使得无人机能够兼顾机械能量和通信能量消耗，以最小的总能量消耗来完成多播业务传输任务。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本具体实施方式的使用场景图；
图2为本具体实施方式的流程图；
图3为本具体实施方式的SVM模型训练方法的流程图；
图4为本具体实施方式的一个实施例的硬件结构示意图。
具体实施方式
本发明的目的是，提出一种通信无人机路径优化方法及设备，将一系列用户自适应分裂成多个多播组，在每个多播组里找到一个合适的悬停点，并找到一条经过这些悬停点的最短路径，使得无人机完成多播传输任务所消耗的总能量最小。本发明的优点是，显著降低了无人机完成多播传输任务所消耗的总能量，提高能量利用效率，其中总能量包括机械能量和通信能量，机械能量又包括无人机在悬停位置处盘旋消耗的能量以及无人机在悬停位置间飞行消耗的能量，通信能量是指进行数据传输所需的能量。
下面通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
作为本发明实施例的第一个方面，提供了一种通信无人机路径优化方法的一个实施例，包括
步骤S1、获得用户数目N、地理位置Wn、需要传输的文件大小S；
步骤S2、利用训练好的SVM模型和用户数目N、地理位置Wn及文件大小S计算得到多播组数量K，使用k-means算法将用户的数目N分裂成K个多播组；
步骤S3、利用最小圆覆盖法获得与K个多播组一一对应的K个悬停位置，使用遗传算法获得连接K个悬停位置的最短的飞行路径，由所述文件大小S与所述悬停位置确定通信能耗和悬停能耗，由所述飞行路径确定飞行能耗，由所述通信能耗、悬停能耗以及飞行能耗构成无人机总能耗；
步骤S4、利用内点法对悬停位置进行逐个优化，得到优化后的悬停位置，使用遗传算法获得连接K个优化后的悬停位置的最短的飞行路径，并由优化后的悬停位置与飞行路径得到优化后的无人机总能耗；
步骤S5、将优化后的无人机总能耗与优化前的无人机总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本轮优化的基础上重复步骤四进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的无人机悬停位置及飞行路径即为最终悬停位置和最终飞行路径。
由于无人机多播传输速率受限于信道条件最差的用户，而信道条件的好坏主要取决于用户到无人机的距离，为提升无人机多播传输速率，减少无人机传输时间及能量消耗。本实施例中，如图1和2所示，在获得用户集合及其地理位置后，首先利用训练好的SVM模型求出最优的多播组数目K，然后将用户集合分裂成K个多播组，然后相对于每个多播组均确定一个初始悬停位置，该初始悬停位置下，无人机向位于该组内的用户传送文件时，传输速率较快，通信能耗较低，同时由于传输速率快，因此传输时间短，即悬停时间短，进而使悬停能耗降低，当与K个多播组一一对应的K个悬停位置确定后，再确定连接该K个悬停位置的最短飞行路线，使飞行能耗最低，由于无人机总能耗等于通信能耗、悬停能耗和飞行能耗之和，因此当确定无人机悬停位置和飞行路径后，即可确定无人机总能耗，进一步对悬停位置进行优化，再由优化后得到的悬停位置确定最短飞行路径，最终确定最低的无人机总能耗，以及与该最低的无人机总能耗相对应的无人机悬停位置与飞行路径。
本发明将一系列用户自适应分裂成多个多播组，在每个多播组里找到一个合适的悬停点，并找到一条经过这些悬停点的最短路径，使得一架无人机完成多播传输任务所消耗的总能量最小，使无人机的能量利用效率达到最优。
作为本发明的一种可选的实施方式，如图3所示，所述SVM模型的训练方法包括
模拟生成X组数据，每组数据包括用户数目、用户地理位置、需要传输的文件大小和多播组分裂数目K模拟；
由每组数据中的用户数目、用户地理位置以及多播组分裂数目K模拟计算得到每组数据的模拟平均轮廓系数；
用k-means算法将每组中的用户数目分裂成K模拟个多播组，利用最小圆覆盖法获得与K模拟个多播组一一对应的K模拟个悬停位置，使用遗传算法获得与连接K模拟个悬停位置的最短的飞行路径，由文件大小与悬停位置确定通信能耗和悬停能耗，由飞行路径确定飞行能耗，由通信能耗、悬停能耗以及飞行能耗确定总能耗，对悬停位置和飞行路径进行优化，得到最终悬停位置和最终飞行路径，以及与最终悬停位置和最终飞行路径所对应的最终总能耗；
获得X组包括用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据以及对应的X组只包含最终总能耗的数据；
将包含用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据作为输入，将包含最终总能耗的数据作为输出，训练得到SVM模型。
具体的，SVM模型训练过程中，悬停位置及飞行路径进行优化的步骤包括
步骤S2.1、利用内点法对K模拟个悬停位置进行逐个优化，得到K模拟个优化后的悬停位置，使用遗传算法获得连接K模拟个优化后的悬停位置的最短的飞行路径，得到优化后的总能耗；
步骤S2.2、将优化后的总能耗与优化前的总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本次优化的基础上重复步骤S2.1进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的悬停位置及飞行路径即为最终悬停位置和最终飞行路径，优化后的总能耗即为最终总能耗。
具体的，首先获取训练数据，在实际应用中，可以根据实际情况，模拟产生相关数据，本发明模拟产生x组数据，为了达到满意的精度，x的取值不低于100000，每一组数据包括用户数目、用户地理位置、所需文件大小和多播组分裂数目等属性。然后计算出上述每组数据的平均轮廓系数，平均轮廓系数通常被用来评价k-means聚类效果的好坏，当用户数目、位置及多播组分裂数目确定后，平均轮廓系数可以通过计算得到，计算方法如下：
其中：b(i)-用户i到其他多播组内所有用户的距离的平均值；
a(i)-用户i到自身多播组内其他所有用户的距离的平均值；
λ(i)-用户i的轮廓系数。
平均轮廓系数是所有用户的轮廓系数的和的平均，平均轮廓系数反映了同一多播组的聚合程度，以及不同多播组的离散程度，此处其也间接反应了用户的地理分布情况；每组数据的最终能量可以通过上文所述方法计算得到。
然后对数据进行简单的处理，产生x组包括用户数目、多播组分裂数目、所需文件大小和平均轮廓系数的数据和与之对应的x组只包括最终能量消耗的数据，将前者作为输入数据，后者作为输出数据，训练出一个SVM的预测模型。
当遇到一个新的场景时，即无人机需要给若干数目的用户传输一个通用文件时，获取该场景的相关属性，即获取用户的数目N、地理位置wn、所需文件大小S，并针对不同多播组分裂数目K∈[1,N]，计算出其平均轮廓系数，并将上述数据代入之前训练好的SVM预测模型，即可预测出在不同的多播组分裂数目K∈[1,N]下的能量消耗EK,比较找到最小的能量消耗所对应的多播组分裂数目即可。
作为本发明的一种可选的实施方式，所述多播组数目K的计算方法包括
根据用户数目N，确定多播组分裂数目的可能值为K*∈[1,N]；
根据每一个具体的多播组分裂数目K*，使用k-means算法将用户数目N分成K*个多播组，并计算出与K*对应的平均轮廓系数λ*；
将用户数目N，文件大小S，具体的多播组分裂数目K*以及与多播组分裂数目K*对应的平均轮廓系数λ*输入训练好的SVM模型，得到与多播组分裂数目K*对应的预测能量消耗Ek*；
K*的取值是从1到N，所以SVM模型对当前场景下的每一个K*都得到一个无人机的预测能量消耗Ek*，其中最小的预测能量消耗Ek*所对应的K*，即为所求的多播组数目K。
为了让无人机在每个多播组内可以拥有较高的数据传输速率，在每个多播组中先找一个传输数据的初始悬停位置uk＝(xk,yk,H)，当无人机飞到该位置时，将保持悬停并传输数据。根据香农公式，无人机在多播组k中的最大传输速率为：
其中：Pt-无人机传输功率；
H-无人机距离地面的高度；
σ2-附加高斯白噪声的功率；
β0-距离无人机1m处的信道功率增益；
B-无人机多播传输所用的带宽。
进而无人机在多播组k中传输数据所用的时间为：
其中：S-无人机需要传输的文件的大小。
无人机在所有多播组中传输消耗的总时间为则无人机用来传输数据消耗的总能量为Et＝PtTt。不考虑误差的情况下，无人机在各个悬停位置的悬停总时间等于无人机传输信息的总时间，即Th＝Tt，用来悬停消耗的总能量为Eh＝PhTh，其中Ph表示无人机悬停时的机械功率。此外，无人机需要依次飞过这些悬停位置并返回，假设飞行距离为D，则则无人机飞行所消耗的时间其中V表示无人机的飞行速率，为更快完成传输任务，假定无人机以最大速率飞行，无人机飞行消耗的能量为Ef＝PfTf，其中Pf表示无人机飞行时消耗的机械功率。
显然，为最小化无人机执行任务消耗的总能量，需要找到合适的多播组数目，并找到每个多播组内合适的悬停位置以及合适的最终飞行路径，具体求解方法如下：
可以采用最小圆覆盖法确定所述无人机初始悬停位置uk，即用一个半径最小的圆覆盖属于同一个多播组的所有用户，其圆心，即为初始悬停位置uk，具体步骤如下：
S3.1.1、任取一个多播组，从该多播组里包含的用户中随意取三个用户Na,Nb,Nc；
S3.1.2、作一个包含Na,Nb,Nc三点的最小圆,则要么这3点都在圆周上，要么只有2点在圆周上且该圆包含第3点。第二种情况圆周上的两点一定是位于圆的一条直径的两端；
S3.1.3、在该多播组其他用户中找出距离步骤S3.1.2所建圆圆心最远的点Nd，若Nd已在圆内或圆周上，则该圆即为所求的圆，算法结束，否则，执行步骤S3.1.4；
S3.1.4、在Na,Nb,Nc,Nd中选3个点,使由它们生成的一个包含这4个点的圆为最小，这3点成为新的Na,Nb,Nc，返回执行S3.1.2和S3.1.3；若在S3.1.2中生成的圆的圆周只通过Na,Nb,Nc,Nd中的两点，则取圆周上的两点为新的Na,Nb，从另两点中任取一点作为新的Nc，返回执行S3.1.2和S3.1.3。
待确定全部的多播组的悬停位置后，无人机需要依次飞过这些悬停位置，并在悬停位置处传输文件，为节约无人机飞行能量，降低飞行能耗，需要找到一条通过所有悬停位置并返回起始位置的最短路径，该问题等价于著名的旅行销售商问题，可用现有的方法求解，例如遗传算法、粒子群算法、蚁群算法、模拟退火算法及神经网络算法中的任意一种。如遗传算法，具体步骤如下：
步骤S3.2.1、随机初始化L条飞行路径作为初代种群，计算这L条路径的距离，并对L条路径距离进行排序；
步骤S3.2.2、根据轮盘赌策略，根据L条路径中每条路径的距离，为每条路径分别设定一个选择概率，其中距离越小的路径设定的选择概率越大，并做L次选择，每次选择均从L条路径中选择一条路径，被选中的路径再进行下一步操作；
步骤S3.2.3、从步骤S3.2.2得到的的L条路径中，依次任取两条以预设概率进行路径交叉并取代之前的路径，直至L条路径都被选择过，且不会重复选择；
步骤S3.2.4、从交叉过程的L条路径中，依次对每一条路径以预设概率进行某段路径的反转，并取代之前的路径，直至L条路径都被选择过，且不会重复选择，得到新一代种群；
步骤S3.2.5、将新一代种群重新带入步骤3.2.1至步骤3.2.4的过程并循环重复，设定循环重复的最大次数，直到获得的最短飞行路径不再变化或重复次数满足设定的次数。综上，初始的飞行路径确定后，无人机执行传输任务所消耗的总能量为：
由于在确定悬停位置时，只考虑了无人机悬停的机械能量消耗和传输时的通信能量消耗，没有考虑到经过所有悬停位置的飞行路径的长短，可能导致无人机飞行所消耗的能量过大，因此需要对各个多播组中的悬停位置进行了进一步优化，具体优化方法如下：
任取一个悬停位置uk，并固定其他悬停位置，根据上述总能量E的公式，优化问题的数学表达式为：
其中：Qk-无人机在其他K-1个多播组所消耗的总能量。
引入辅助变量η，令：
即：
则优化问题变为:
这是一个非线性优化问题，可用一种求解非线性优化的算法，如内点法来优化这一悬停位置。同理，剩下来的悬停位置可依次获得优化。当所有悬停位置优化完成后，由于和初始位置相比发生了变化，因此需要根据之前的方法(遗传算法、粒子群算法、蚁群算法、模拟退火算法及神经网络算法中的任意一种)重新找一条经过这些悬停位置的最短路径，然后求出无人机在新悬停位置和路径下完成传输任务的总能量消耗，若此能量消耗与之前能量消耗的差的绝对值小于设定的阈值，则认为算法已经收敛，此悬停位置及飞行路径即为最终确定的解，否则，进行新一轮的迭代优化，直至收敛。
在本发明中，充分考虑了用户的数目和地理分布情况，采用数据驱动的方法，将用户自适应的分裂成若干个多播组，并在每个多播组中找到一个合适的悬停位置，以供无人机能够在该位置以较高的传输速率来传输文件，达到减少无人机悬停和传输能量消耗的目的，并对无人机飞行轨迹进行设计，找到一条经过所有悬停位置并返回起始位置的最短路径，来降低无人机的飞行能量消耗，最终使得无人机能够兼顾机械能量和通信能量消耗，以最小的总能量消耗来完成多播业务传输任务。
本发明通过对无人机的飞行轨迹进行设计，显著提升了无人机能量的使用价值和多播传输效率。
本发明通过对用户进行自适应多播组分裂，使得无人机可以根据具体场景选择合适的传输方式，减少了无人机执行任务所花费的时间和能量。
本发明训练了一个SVM模型，可以根据用户的数目、地理位置和所需传输文件的大小，直接预测出合适的多播组分裂数目，降低了计算复杂度。
本发明利用数据驱动方法进行建模，可基于模型实时输出精确的多播组数目的预测值，可大幅提高确定多播组数目的效率，有极强的实用性。
作为本发明实施例的第二个方面，提供了一种优化通信无人机路径的电子设备的一个实施例。
图4示出的是本发明提供的优化通信无人机路径的电子设备的一个实施例的硬件结构示意图。
所述优化通信无人机路径的电子设备包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一种方法。
该电子设备中包括一个处理器以及一个存储器，并还可以包括：输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述移动终端程序的计算迁移方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的移动终端程序的计算迁移方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据移动终端程序的计算迁移装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可接收输入的数字或字符信息，以及产生与移动终端程序的计算迁移装置的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行上述任意方法实施例中的移动终端程序的计算迁移方法。所述执行所述移动终端程序的计算迁移方法的电子设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

Claims (8)

1.一种通信无人机路径优化方法，其特征在于：包括
步骤1、获得用户数目N、地理位置Wn、需要传输的文件大小S；
步骤2、利用训练好的SVM模型和用户数目N、地理位置Wn及文件大小S计算得到多播组数量K，使用k-means算法将用户的数目N分裂成K个多播组；
步骤3、利用最小圆覆盖法获得与K个多播组一一对应的K个悬停位置，使用遗传算法获得连接K个悬停位置的最短的飞行路径，由所述文件大小S与所述悬停位置确定通信能耗和悬停能耗，由所述飞行路径确定飞行能耗，由所述通信能耗、悬停能耗以及飞行能耗构成无人机总能耗；
步骤4、利用内点法对悬停位置进行逐个优化，得到优化后的悬停位置，使用遗传算法获得连接K个优化后的悬停位置的最短的飞行路径，并由优化后的悬停位置与飞行路径得到优化后的无人机总能耗；
步骤5、将优化后的无人机总能耗与优化前的无人机总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本轮优化的基础上重复步骤4进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的无人机悬停位置及飞行路径即为最终悬停位置和最终飞行路径。
2.根据权利要求1所述的通信无人机路径优化方法，其特征在于：所述SVM模型的训练方法包括
模拟生成X组数据，每组数据包括用户数目、用户地理位置、需要传输的文件大小和多播组分裂数目K模拟；
由每组数据中的用户数目、用户地理位置以及多播组分裂数目K模拟计算得到每组数据的模拟平均轮廓系数；
用k-means算法将每组中的用户数目分裂成K模拟个多播组，利用最小圆覆盖法获得与K模拟个多播组一一对应的K模拟个悬停位置，使用遗传算法获得与连接K模拟个悬停位置的最短的飞行路径，由文件大小与悬停位置确定通信能耗和悬停能耗，由飞行路径确定飞行能耗，由通信能耗、悬停能耗以及飞行能耗确定总能耗，对悬停位置和飞行路径进行优化，得到最终悬停位置和最终飞行路径，以及与最终悬停位置和最终飞行路径所对应的最终总能耗；
获得X组包括用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据以及对应的X组只包含最终总能耗的数据；
将包含用户数目、多播组分裂数目K模拟、文件大小和平均轮廓系数的数据作为输入，将包含最终总能耗的数据作为输出，训练得到SVM模型。
3.根据权利要求2所述的通信无人机路径优化方法，其特征在于：SVM模型训练过程中，悬停位置及飞行路径进行优化的步骤包括
步骤2.1、利用内点法对K模拟个悬停位置进行逐个优化，得到K模拟个优化后的悬停位置，使用遗传算法获得连接K模拟个优化后的悬停位置的最短的飞行路径，得到优化后的总能耗；
步骤2.2、将优化后的总能耗与优化前的总能耗相比较，如果两者的差的绝对值大于设定的阈值，则在本次优化的基础上重复步骤2.1进行下一轮优化；如果两者差的绝对值小于或等于设定的阈值，则优化后的悬停位置及飞行路径即为最终悬停位置和最终飞行路径，优化后的总能耗即为最终总能耗。
4.根据权利要求1或3所述的通信无人机路径优化方法，其特征在于：使用粒子群算法、蚁群算法、模拟退火算法及神经网络算法中的任意一种替代所述遗传算法。
5.根据权利要求1所述的通信无人机路径优化方法，其特征在于：所述多播组数目K的计算方法包括
根据用户数目N，确定多播组分裂数目的可能值为K*∈[1,N]；
根据每一个具体的多播组分裂数目K*，使用k-means算法将用户数目N分成K*个多播组，并计算出与K*对应的平均轮廓系数λ*；
将用户数目N，文件大小S，具体的多播组分裂数目K*以及与多播组分裂数目K*对应的平均轮廓系数λ*输入训练好的SVM模型，得到与多播组分裂数目K*对应的预测能量消耗Ek*；
K*的可能取值是从1到N，所以SVM模型对当前场景下的每一个K*都能得到一个无人机的预测能量消耗Ek*，其中最小的预测能量消耗Ek*所对应的K*，即为所求的多播组数目K。
6.根据权利要求1所述的通信无人机路径优化方法，其特征在于：利用最小圆覆盖法确定所述悬停位置的具体步骤为：
步骤3.1.1、任取一个多播组，从该多播组里包含的用户中随意取三个用户Na,Nb,Nc；
步骤3.1.2、作一个包含Na,Nb,Nc三点的最小圆；
步骤3.1.3、在该多播组其他用户中找出距离步骤3.1.2所建的圆的圆心最远的点Nd，若Nd已在圆内或圆周上，则该圆即为所求的圆，算法结束，否则，执行步骤3.1.4；
步骤3.1.4、在Na,Nb,Nc,Nd中选3个点,使由它们生成的一个包含这4个点的圆为最小，这3点成为新的Na,Nb,Nc，返回执行步骤3.1.2和步骤3.1.3；若在步骤3.1.2中生成的圆的圆周只通过Na,Nb,Nc,Nd中的两点，则取圆周上的两点为新的Na,Nb，从另两点中任取一点作为新的Nc，返回执行步骤3.1.2和步骤3.1.3。
7.根据权利要求1或3所述的通信无人机路径优化方法，其特征在于：所述遗传算法包括
步骤3.2.1、随机初始化L条飞行路径作为初代种群，计算这L条路径的距离，并对L条路径距离进行排序；
步骤3.2.2、根据轮盘赌策略，根据L条路径中每条路径的距离，为每条路径分别设定一个选择概率，其中距离越小的路径设定的选择概率越大，并做L次选择，每次选择均从L条路径中选择一条路径，被选中的路径再进行下一步操作；
步骤3.2.3、从步骤3.2.2得到的的L条路径中，依次任取两条以预设概率进行路径交叉并取代之前的路径，直至L条路径都被选择过，且不会重复选择；
步骤3.2.4、从交叉过程的L条路径中，依次对每一条路径以预设概率进行某段路径的反转，并取代之前的路径，直至L条路径都被选择过，且不会重复选择，得到新一代种群；
步骤3.2.5、将新一代种群重新带入步骤3.2.1至步骤3.2.4的过程并循环重复，设定循环重复的最大次数，直到获得的最短飞行路径不再变化或重复次数满足设定的次数。
8.一种优化通信无人机路径的电子设备，其特征在于：包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任意一项所述的方法。
CN201910041506.XA 2019-01-16 2019-01-16 一种通信无人机路径优化方法及设备 Active CN109682380B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910041506.XA CN109682380B (zh) 2019-01-16 2019-01-16 一种通信无人机路径优化方法及设备
PCT/CN2019/124036 WO2020147456A1 (zh) 2019-01-16 2019-12-09 无人机路径优化方法、设备及存储介质
US17/023,813 US11663920B2 (en) 2019-01-16 2020-09-17 Method and device of path optimization for UAV, and storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910041506.XA CN109682380B (zh) 2019-01-16 2019-01-16 一种通信无人机路径优化方法及设备

Publications (2)

Publication Number Publication Date
CN109682380A true CN109682380A (zh) 2019-04-26
CN109682380B CN109682380B (zh) 2020-01-10

Family

ID=66193304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910041506.XA Active CN109682380B (zh) 2019-01-16 2019-01-16 一种通信无人机路径优化方法及设备

Country Status (3)

Country Link
US (1) US11663920B2 (zh)
CN (1) CN109682380B (zh)
WO (1) WO2020147456A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110190888A (zh) * 2019-05-06 2019-08-30 北京邮电大学 一种基于信息时效性的无人机信息收集方法及装置
CN110290542A (zh) * 2019-06-28 2019-09-27 清华大学 海上无人机通信覆盖优化方法及系统
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN110634331A (zh) * 2019-09-12 2019-12-31 广州大学 基于负载均衡的多uav路径设计方法
CN111193537A (zh) * 2019-12-20 2020-05-22 中移（杭州）信息技术有限公司 优化飞行设备传输数据时的能量消耗方法、系统及装置
WO2020147456A1 (zh) * 2019-01-16 2020-07-23 北京邮电大学 无人机路径优化方法、设备及存储介质
CN111711974A (zh) * 2020-07-10 2020-09-25 河南科技大学 基于轨迹预测的飞行自组织网络能量有效型机会路由方法
CN112256054A (zh) * 2020-10-09 2021-01-22 北京邮电大学 一种无人机轨迹规划方法及装置
CN112511197A (zh) * 2020-12-01 2021-03-16 南京工业大学 基于深度强化学习的无人机辅助弹性视频多播方法
CN112564767A (zh) * 2020-11-30 2021-03-26 北京邮电大学 无人机网络中基于自组织优化协作的连续覆盖方法
CN112731967A (zh) * 2020-12-24 2021-04-30 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN113050453A (zh) * 2021-03-25 2021-06-29 四川大学 一种固定翼无人机通信过程能量优化方法
CN114337785A (zh) * 2021-12-30 2022-04-12 陕西锐远信息科技有限公司 太阳能无人机通信能量管理策略、系统、终端及存储介质

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110809244B (zh) * 2019-11-07 2023-04-18 腾讯科技（深圳）有限公司 一种数据传输方法及相关设备
CN112784963B (zh) * 2021-01-22 2022-07-01 重庆邮电大学 基于模拟退火优化bp神经网络的室内外无缝定位方法
CN112911534B (zh) * 2021-01-29 2022-03-29 大连理工大学 高能效无人机绿色数据采集系统设计方法
CN113203417B (zh) * 2021-04-06 2022-08-19 广东安恒电力科技有限公司 基于头脑风暴优化算法的无人机巡检路径规划方法
CN113034981B (zh) * 2021-04-14 2022-07-08 北京航空航天大学 一种不确定信道环境中多中继无人机航迹规划方法、系统及存储介质
US20220380042A1 (en) * 2021-05-06 2022-12-01 Board Of Regents, The University Of Texas System Intercepting or surrounding a group of hostile uavs with a net
CN113364495B (zh) * 2021-05-25 2022-08-05 西安交通大学 一种多无人机轨迹和智能反射面相移联合优化方法及系统
CN113395706B (zh) * 2021-06-17 2022-07-22 郑州大学 基于粒子群算法的异构无人机三维空间部署方法及设备
CN113518361B (zh) * 2021-06-18 2022-06-17 中南林业科技大学 一种无人机辅助无线通信的轨迹优化方法、设备及介质
CN113325875B (zh) * 2021-06-21 2022-06-07 西安电子科技大学 一种实现无人机数目最小化的无人机路径规划方法
CN113592148B (zh) * 2021-07-01 2024-03-15 合肥工业大学 改进车辆与无人机配送路线的优化方法及系统
CN113825145B (zh) * 2021-09-15 2022-08-12 云南大学 一种面向用户体验的无人机系统服务方法及系统
CN114265363B (zh) * 2021-12-17 2024-02-20 中科航迈数控软件(深圳)有限公司 一种数控机床加工路径智能优化方法及其系统
CN114944999B (zh) * 2022-04-08 2023-10-10 北京遥测技术研究所 一种基于gpu和粒子群优化算法的高速路由通信系统及方法
CN115118724A (zh) * 2022-06-23 2022-09-27 福州大学 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法
CN115358497B (zh) * 2022-10-24 2023-03-10 湖南长理尚洋科技有限公司 基于gis技术的智慧全景巡河方法及系统
CN117371638B (zh) * 2023-12-06 2024-02-20 合肥工业大学 基于浣熊优化算法的多鱼雷罐多轨道行走路径优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055605A1 (en) * 2014-08-21 2016-02-25 Uber Technologies, Inc. Arranging a transport service for a user based on the estimated time of arrival of the user
US20160189545A1 (en) * 2014-12-31 2016-06-30 Venuenext, Inc. Modifying directions to a parking lot associated with a venue based on traffic conditions proximate to the parking lot
US20160300494A1 (en) * 2015-04-10 2016-10-13 Architecture Technology, Inc. Communication travel plan generation system
CN108521667A (zh) * 2018-03-07 2018-09-11 杭州电子科技大学 一种低传输能耗的无人机数据传输方法
CN108616303A (zh) * 2018-05-03 2018-10-02 广东工业大学 无人机基站通信系统的控制方法、系统、装置及存储介质
CN108832998A (zh) * 2018-08-15 2018-11-16 中国人民解放军陆军工程大学 一种空地融合通信网络中的协同数据分发方法
CN108848465A (zh) * 2018-08-15 2018-11-20 中国人民解放军陆军工程大学 一种面向数据分发的无人机飞行轨迹与资源调度联合优化方法
CN108924791A (zh) * 2018-07-13 2018-11-30 广东工业大学 一种无线通信方法、装置、设备及可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10312993B2 (en) * 2015-10-30 2019-06-04 The Florida International University Board Of Trustees Cooperative clustering for enhancing MU-massive-MISO-based UAV communication
CN107017940B (zh) * 2017-04-25 2019-11-05 中国民航大学 无人机中继广播通信系统航迹优化方法
CN107450587B (zh) * 2017-09-19 2023-03-21 广东电网有限责任公司佛山供电局 一种无人机精细化巡检的智能飞行控制方法及系统
CN108834049B (zh) * 2018-06-15 2020-09-11 广东工业大学 无线供能通信网络及确定其工作状态的方法、装置
CN109213712B (zh) * 2018-09-06 2020-05-29 北京邮电大学 用于机器类通信系统的服务提供方法、装置及电子设备
CN109682380B (zh) * 2019-01-16 2020-01-10 北京邮电大学 一种通信无人机路径优化方法及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055605A1 (en) * 2014-08-21 2016-02-25 Uber Technologies, Inc. Arranging a transport service for a user based on the estimated time of arrival of the user
US20160189545A1 (en) * 2014-12-31 2016-06-30 Venuenext, Inc. Modifying directions to a parking lot associated with a venue based on traffic conditions proximate to the parking lot
US20160300494A1 (en) * 2015-04-10 2016-10-13 Architecture Technology, Inc. Communication travel plan generation system
CN108521667A (zh) * 2018-03-07 2018-09-11 杭州电子科技大学 一种低传输能耗的无人机数据传输方法
CN108616303A (zh) * 2018-05-03 2018-10-02 广东工业大学 无人机基站通信系统的控制方法、系统、装置及存储介质
CN108924791A (zh) * 2018-07-13 2018-11-30 广东工业大学 一种无线通信方法、装置、设备及可读存储介质
CN108832998A (zh) * 2018-08-15 2018-11-16 中国人民解放军陆军工程大学 一种空地融合通信网络中的协同数据分发方法
CN108848465A (zh) * 2018-08-15 2018-11-20 中国人民解放军陆军工程大学 一种面向数据分发的无人机飞行轨迹与资源调度联合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅伟等: "基于地理位置的无人机网络分段优化路由算法", 《计算机与现代化》 *
符小卫等: "无人机协同中继过程中的路径规划与通信优化", 《系统工程与电子技术》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020147456A1 (zh) * 2019-01-16 2020-07-23 北京邮电大学 无人机路径优化方法、设备及存储介质
US11663920B2 (en) 2019-01-16 2023-05-30 Beijing University Of Posts And Telecommunications Method and device of path optimization for UAV, and storage medium thereof
CN110190888A (zh) * 2019-05-06 2019-08-30 北京邮电大学 一种基于信息时效性的无人机信息收集方法及装置
CN110290542A (zh) * 2019-06-28 2019-09-27 清华大学 海上无人机通信覆盖优化方法及系统
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN110426039B (zh) * 2019-07-04 2023-06-09 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN110634331A (zh) * 2019-09-12 2019-12-31 广州大学 基于负载均衡的多uav路径设计方法
CN111193537A (zh) * 2019-12-20 2020-05-22 中移（杭州）信息技术有限公司 优化飞行设备传输数据时的能量消耗方法、系统及装置
CN111711974A (zh) * 2020-07-10 2020-09-25 河南科技大学 基于轨迹预测的飞行自组织网络能量有效型机会路由方法
CN111711974B (zh) * 2020-07-10 2023-03-17 河南科技大学 基于轨迹预测的飞行自组织网络能量有效型机会路由方法
CN112256054B (zh) * 2020-10-09 2022-03-29 北京邮电大学 一种无人机轨迹规划方法及装置
CN112256054A (zh) * 2020-10-09 2021-01-22 北京邮电大学 一种无人机轨迹规划方法及装置
CN112564767B (zh) * 2020-11-30 2021-09-21 北京邮电大学 无人机网络中基于自组织优化协作的连续覆盖方法
CN112564767A (zh) * 2020-11-30 2021-03-26 北京邮电大学 无人机网络中基于自组织优化协作的连续覆盖方法
CN112511197A (zh) * 2020-12-01 2021-03-16 南京工业大学 基于深度强化学习的无人机辅助弹性视频多播方法
CN112731967B (zh) * 2020-12-24 2021-11-19 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN112731967A (zh) * 2020-12-24 2021-04-30 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN113050453A (zh) * 2021-03-25 2021-06-29 四川大学 一种固定翼无人机通信过程能量优化方法
CN113050453B (zh) * 2021-03-25 2022-02-01 四川大学 一种固定翼无人机通信过程能量优化方法
CN114337785A (zh) * 2021-12-30 2022-04-12 陕西锐远信息科技有限公司 太阳能无人机通信能量管理策略、系统、终端及存储介质

Also Published As

Publication number Publication date
US20210003412A1 (en) 2021-01-07
CN109682380B (zh) 2020-01-10
WO2020147456A1 (zh) 2020-07-23
US11663920B2 (en) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109682380A (zh) 一种通信无人机路径优化方法及设备
Cui et al. Multi-agent reinforcement learning-based resource allocation for UAV networks
CN111867139B (zh) 基于q学习的深度神经网络自适应退避策略实现方法及系统
Bouachir et al. A mobility model for UAV ad hoc network
CN112737837B (zh) 一种高动态网络拓扑下无人机群带宽资源分配方法
CN110620611B (zh) 一种基于geo与leo双层卫星网络的协同频谱感知方法
CN111193536A (zh) 一种多无人机基站轨迹优化和功率分配方法
CN107766135A (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN108632831A (zh) 一种基于动态航迹的无人机群频谱资源分配方法
CN103298009B (zh) 复杂无线网络控制系统的建模及故障传播方法
CN103971160A (zh) 基于复杂网络的粒子群优化方法
CN111628855A (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN102904815B (zh) 基于无尺度网络的路由级拓扑建模方法
WO2021036414A1 (zh) 一种低轨移动卫星星座下星地下行链路同频干扰预测方法
CN103002520A (zh) 多模终端选择能够保证服务质量的目标网络的方法
CN110519849B (zh) 一种针对移动边缘计算的通信和计算资源联合分配方法
CN110601748A (zh) 一种多状态空间信息网络拓扑生成优化算法
CN115065678A (zh) 一种基于深度强化学习的多智能设备任务卸载决策方法
CN115499921A (zh) 面向复杂无人机网络的三维轨迹设计及资源调度优化方法
CN114885340A (zh) 一种基于深度迁移学习的超密集无线网络功率分配方法
CN114828146A (zh) 一种基于神经网络和迭代学习的无人集群地理位置路由方法
CN117098189A (zh) 一种基于gat混合动作多智能体强化学习的计算卸载和资源分配方法
Yang et al. Research on cognitive radio engine based on genetic algorithm and radial basis function neural network
Chen et al. The contract net based task allocation algorithm for wireless sensor network
CN116634450A (zh) 一种基于强化学习的动态空地异构网络用户关联增强方法

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