CN109819453B

CN109819453B - 基于改进遗传算法的成本最优化无人机基站部署方法

Info

Publication number: CN109819453B
Application number: CN201910162378.4A
Authority: CN
Inventors: 李勇朝; 王超; 阮玉晗; 张锐; 王伟
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2019-03-05
Filing date: 2019-03-05
Publication date: 2021-07-06
Anticipated expiration: 2039-03-05
Also published as: CN109819453A

Abstract

本发明公开了一种基于改进遗传算法的成本最优化无人机基站部署方法，主要解决现有技术对无人机基站部署成本难以优化的问题。其实现方法如下：1)建立无人机基站对地无线通信覆盖模型；2)在无人机基站对地无线通信覆盖模型场景中计算无人机基站最大覆盖半径与最佳悬停高度；3)将无人机基站部署在最佳悬停高度上，使部署问题从三维降维到二维平面，建立以无人机基站部署数量最优化为目标的无人机基站部署优化模型，求解该模型得到最优染色体；4)将最优染色体转化为对应的无人机基站坐标集合，得到最优的无人机基站部署方案。本发明降低了部署问题的复杂度，提高了求解的准确性，可用于通信网络部署规划，临时通信网络搭建，灾区应急通信。

Description

基于改进遗传算法的成本最优化无人机基站部署方法

技术领域

本发明属于通信技术领域，特别涉及一种成本最优化无人机基站部署方法，可用于通信网络部署规划，临时通信网络搭建，灾区应急通信。

背景技术

随着无人机近年来的快速发展，搭载基站的无人机低空平台日益受到人们的关注。由于其具有机动性高、部署灵活，成本较其他通信设施低廉等优点，关于无人机基站的通信网络部署日益成为通信领域的研究热点，如何快速部署组建满足需求的通信网络，合理规划无人机基站部署数量及位置具有重要的意义。

无人机最早的发展起源于军用需求，与载人飞机相比，由于无人机造价低、环境要求低、风险低、机动灵活等特点，已被广泛应用在国家生态环境保护、灾情监视、测绘、航空摄影、交通巡逻、治安监控电力巡线、应急指挥、环境监测、森林防火、国防安全、海事侦察、边境巡视等领域，这使得基于无人机的空中通信平台的实现成为可能。而对于空中通信网络的应用，例如移动通信的灾难恢复，其中正在由欧盟政府机构资助的ABSOLUTE项目，越来越受欢迎。该项目旨在利用低空平台LAP和LTE技术设计和实施以基站侧嵌入分布式EPC为特征的独立空中基站AeNB进行组网，用于为急救队和公共安全机构提供移动覆盖。在ABSOLUTE项目中，实现了使用空中平台提供广域无线覆盖。美国为建立一个灾后救援与公共安全的网络计划FirstNet也在积极研究如何利用无人机空中基站进行全面的网络接入。Facebook在2015年推出了旨在为农村和偏远地区提供网络覆盖，进行覆盖补盲的空中基站天鹰无人机计划。此外，无人机基站的应用还包括为通信热点地区提升容量，为用户提供更好的网络体验，给部分人流量较髙的地区，如像演唱会、体育馆、艺术节等场景临时加强网络信号等。

虽然基于无人机空中平台的应用前景广阔，但其也面临着诸多技术挑战，不同于地面基站无线通信系统，无人机基站使用空地信道，且其位置由高度与水平维度位置共同决定，变化灵活，可随时根据需求进行改变，如何对无人机基站进行部署是一个值得研究的问题。

文献“A mixed breadth-depth first strategy for the branch and boundtree of Euclidean k-center problems”中H.A.Fayed等人提出一种核集优化算法用于解决基站部署类问题，但该算法运行效率较差，只适用于约束较少的简单问题。

文献“Placement Optimization of UAV-Mounted Mobile Base Stations”中J.Lyu等人提出一种螺旋布局算法，优化无人机基站部署数量，该布局算法虽较以前的区域划分类算法复杂度降低，但解空间不全面，不能够得到最佳部署方案。

文献“Deployment of UAV-mounted access points according to spatialuser locations in two-tier cellular networks”中B.Galkin等人使用K均值聚类算法优化无人机基站部署位置，但该算法受聚类数量的影响较大，K值难以评估，很难得到最佳的部署方案。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于改进遗传算法的成本最优化无人机基站部署方法，以解决现有技术对无人机基站部署成本难以优化的问题，得到在满足给定目标区域内用户通信需求条件下的最佳部署方案。

为实现上述目的，本发明采取的技术方案包括如下步骤：

1.一种基于改进遗传算法的成本最优化无人机基站部署方法，其特征在于，包括如下：

(1)建立无人机基站对地无线通信覆盖模型，即在面积为X km×Y km的地面矩形区域范围内随机分布m个用户，用户集合用U表示，假设每个用户只能连接一个无人机基站，采取最优接收信噪比原则分配用户；

(2)假设无人机基站的发射功率均为P_t，用户接收灵敏度为P_rth，计算用户的路径损耗门限记为L_th；

(3)根据城市环境下“无人机基站-用户”最佳仰角θ，结合用户的路径损耗门限L_th计算无人机基站最大覆盖半径R，再根据无人机基站覆盖半径R计算无人机基站最佳悬停高度h；

(4)假设无人机基站建造成本相同，则将总成本的优化等效为无人机基站对地无线通信覆盖模型中部署的无人机基站数量的优化，建立以无人机基站部署数量最优化为目标的无人机基站部署优化模型：

min size(A)

其中，A是优化后部署的无人机基站集合，集合大小为size(A)，(x_j,y_j)是无人机基站j的坐标，(x_i,y_i)是用户i的坐标，U是用户集合，M是一个保证u_i为0时满足第一个约束条件的大常数，u_ij是表示用户i被无人机基站j覆盖情况的变量，u_ij为0时用户i不被覆盖，u_ij为1时用户i被覆盖，X_max、X_min分别是目标区域的横坐标上下限，Y_max、Y_min分别是目标区域的纵坐标上下限；

(5)基于改进的遗传算法对无人机基站部署优化模型求解，得到最优染色体；

(6)将求解得到的最优染色体转化为对应的无人机基站坐标集合，得到成本最优的无人机基站部署方案。

本发明与现有技术相比，具有以下优点：

第一，本发明由于在对无人机基站进行部署时，首先计算无人机基站的最佳悬停高度，最大化无人机基站覆盖能力，将问题降维为二维平面部署问题，降低基站部署的复杂度。

第二，本发明由于将无人机基站部署问题模型化，通过改进遗传算法求解模型，使用网格法划分部署的目标区域，得到无人机基站可部署位置集合，将无人机基站部署情况映射为染色体基因序列，降低了染色体编码复杂度；

第三，本发明由于对遗传算法中新种群中的染色体进行安全距离修正与覆盖约束修正，减少解空间冗余，去除不可行解，有效防止了进化失败，可快速得到全局最优解。

附图说明

图1为本发明的实现流程框图；

图2为本发明部署无人机基站的仿真图。

具体实施方式

以下结合附图，对本发明的实施例和效果作进一步详细说明：

参照图1，本发明的实现步骤为：

步骤1：建立无人机基站对地无线通信覆盖模型。

在面积为X km×Y km的地面矩形区域范围内随机分布m个用户，用户集合用U表示；

设无人机基站位于目标区域的上空为地面用户提供通信服务，假设每个用户只能连接一个无人机基站，考虑无人机基站能够为用户提供更好的服务，采取最优接收信噪比原则分配用户。

步骤2：计算无人机基站最大覆盖半径与最佳悬停高度。

2a)假设无人机基站的发射功率都为P_t，用户接收灵敏度为P_rth，计算用户的路径损耗门限记为L_th：

L_th＝P_t-P_rth

2b)计算无人机基站最大覆盖半径R与最佳悬停高度h：

由于无人机基站覆盖半径越大，系统所需的无人机基站数量越少，成本越优，因此根据文献“Optimal LAP Altitude for Maximum Coverage”提出的在城市环境下“无人机基站-用户”最佳仰角θ，结合用户的路径损耗门限L_th进行如下计算：

2b1)计算无人机基站最大覆盖半径：

其中，r为无人机基站覆盖半径，L为空地路径损耗，其计算公式为：

其中η_Los是视距链路LoS的平均额外损耗，η_NLos是非视距链路NLoS的平均额外损耗，a和b是视距概率函数中两个取值不同的拟合参数，f_c是载波频率，θ在城市环境下为42.44度；

2b2)根据无人机基站覆盖半径R，计算无人机基站最佳悬停高度h：

h＝Rtan(θ)。

步骤3：建立以无人机基站部署数量最优化为目标的无人机基站部署优化模型。

无人机基站对地无线通信覆盖模型的总成本仅考虑无人机基站的建造成本，假设无人机基站建造成本相同，则对总成本的优化等效为无人机基站对地无线通信覆盖模型中部署的无人机基站数量的优化，建立以无人机基站部署数量最优化为目标的无人机基站部署优化模型：

min size(A)

其中，A是优化后部署的无人机基站集合，集合大小为size(A)，(x_j,y_j)是无人机基站j的坐标，(x_i,y_i)是用户i的坐标，U是用户集合，M是一个保证u_i为0时满足第一个约束条件的大常数，u_ij是表示用户i被无人机基站j覆盖情况的变量，u_ij为0时用户i不被覆盖，u_ij为1时用户i被覆盖，X_max、X_min分别是目标区域的横坐标上下限，Y_max、Y_min分别是目标区域的纵坐标上下限。

步骤4：基于改进的遗传算法对无人机基站部署优化模型求解，得到最优染色体。

现有的模型求解方法有0-1整数规划法、K均值聚类算法、LINGO算例求解等方法，本实例采用改进的遗传算法求解，其实现如下：

4a)将无人机基站部署优化模型中的无人机基站位置坐标映射为对目标区域划分的网格：(x_j,y_j)→w_j，并将映射后的无人机基站位置组成序列w₁w₂w₃...w_n，

其中，w_j表示第j个无人机基站对应的网格，j的值为1到n，w_j的值为1时表示该网格位置处部署无人机基站，w_j的值为0时表示该网格位置处不部署无人机基站，n为对目标区域划分的网格总数；

4b)对序列w₁w₂w₃...w_n进行二进制编码，将其作为一条染色体，染色体基因序列的每一位与对目标区域划分的网格一一对应，若该网格位置部署无人机基站，则基因序列对应位的值置1，否则，置0；

4c)计算用户i到无人机基站j部署位置的距离d_ij：

d_ij＝(x_i-x_j)²+(y_i-y_j)²，

其中，(x_i,y_i)是用户i的坐标，(x_j,y_j)是无人机基站j的坐标；

4d)比较d_ij与无人机基站覆盖半径R的大小，若d_ij<R，则无人机基站j为用户i的可连接无人机基站，遍历整个用户集合与无人机基站集合，得到用户可选择连接的无人机基站集合，编排用户与可连接无人机基站的序号；

4e)初始化种群：

4e1)设种群规模为染色体长度的整数倍，记为p_n；

4e2)根据用户与可连接无人机基站的序号对每一个用户随机选取一个可连接到的无人机基站，得到一组无人机基站序号，将无人机基站序号对应的染色体基因序列位的值置1，其余位的值置0，得到一条满足约束条件的染色体，作为种群中的一个个体；

4e3)重复4e2)共p_n次，得到初始种群；

4f)计算初始种群中染色体s的适应度：

fit(s)＝size(A_s)，

其中A_s表示第s条染色体对应部署的无人机基站集合，size(A_s)表示该集合的大小；

4g)使用轮盘赌方法选择作为亲代的个体用于交叉操作；

4h)将选出的亲代进行单点交叉，然后对交叉产生的子代进行变异操作，此时得到一个由子代组成的新的种群；

4i)对新种群中的染色体进行安全距离修正与覆盖约束修正。

4i1)检查每一条染色体代表的无人机基站部署方案中两两无人机基站间的距离：

如果该距离小于设定的安全距离，则随机舍弃其中一个无人机基站，将对应染色体基因序列位的值置0；

否则，将两无人机基站全部保留；

4i2)检查每一条染色体代表的无人机基站部署方案是否满足全覆盖约束，即根据无人机基站与用户的覆盖关系，计算每一种部署方案中用户被覆盖情况，建立未覆盖用户集合，存储每一种部署方案中未被覆盖的用户点，如果部署方案对应的未覆盖用户集合为空，则表示该方案满足全覆盖约束；否则，不满足全覆盖约束，执行4i3)；

4i3)对不满足全覆盖约束的部署方案进行修正，即先根据用户与可连接无人机基站的序号集合，为不满足全覆盖约束的部署方案对应的未被覆盖用户随机选取一个可以连接到的无人机基站，再将无人机基站序号对应的染色体基因序列位的值置1，最终得到一个修正后的新种群；

4j)计算新种群中染色体的适应度，对比上一代种群中染色体的适应度，留下最优个体，组成当前最优种群；

4k)重复4f)-4j)，迭代T代，记录最优染色体。

步骤5：将求解得到的最优染色体转化为对应的无人机基站坐标集合，得到成本最优的无人机基站部署方案。

以下结合仿真实验，对本发明的效果作进一步说明：

1.依据仿真条件：

无人机基站与地面通信信道为空地ATG信道，信道模型采用Akram Al-Hourani等人于2014年在无线通信会议中提出的一种简单的具有普适性的ATG信道模型，模型中相关参数采用国际电信联盟ITU标准参数；无人机发射功率为30dbm，接收灵敏度为-72dbm，载波频率为2GHz，最佳仰角为42.44°；目标区域为4Km×4Km矩形区域，用户数为100；

2.仿真内容：

使用本发明方法对目标区域进行无人机基站部署，使得无人机基站在满足目标区域通信覆盖条件下成本最优化，结果如图2所示，其中图2a表示目标区域用户分布状态图，图2b表示无人机基站在满足目标区域用户全覆盖的情况下成本最优的部署图。

从图2b中我们可以看出，无人机基站可为目标区域所有用户提供通信服务，无人机基站部署不存在冗余，成本达到最优，此时无人机基站数量为7，无人机基站位置坐标分别为(250，1450，914)，(850，3150，914)，(1650，250，914)，(1850，1850，914)，(2750，3750，914)，(3050，850，914)，(3950，2350，914)。

综上所述，本发明方法可给出在满足给定目标区域内用户通信需求条件下的成本最优化无人机基站部署方案。对于本领域的技术人员来说，可以根据以上的技术方案和构思，做出各种相应的改变和变形，而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。

Claims

1.一种基于改进遗传算法的成本最优化无人机基站部署方法，其特征在于，包括如下步骤：

(2)假设无人机基站的发射功率均为P_t，用户接收灵敏度为P_rth，计算用户的路径损耗门限记为L_th：

L_th＝P_t-P_rth；

所述的无人机基站最大覆盖半径R，其计算公式为：

其中r为无人机基站覆盖半径，L为空地路径损耗，其计算公式为：

其中η_Los、η_NLos分别是视距链路(LoS)与非视距链路(NLoS)的平均额外损耗，a、b分别是环境参数，f_c是载波频率，θ在城市环境下为42.44度，

所述的无人机基站最佳悬停高度h，其计算公式为：

h＝R tan(θ)；

min size(A)

其中，A是优化后部署的无人机基站集合，集合大小为size(A)，(x_j,y_j)是无人机基站j的坐标，(x_i,y_i)是用户i的坐标，U是用户集合，M是一个保证u_ij为0时满足第一个约束条件的大常数，u_ij是表示用户i被无人机基站j覆盖情况的变量，u_ij为0时用户i不被覆盖，u_ij为1时用户i被覆盖，X_max、X_min分别是目标区域的横坐标上下限，Y_max、Y_min分别是目标区域的纵坐标上下限；

(5)基于改进的遗传算法对无人机基站部署优化模型求解，得到最优染色体；其实现如下：

(5a)将无人机基站部署优化模型中的无人机基站位置坐标映射为对目标区域划分的网格：(x_j,y_j)→w_j；并将映射后的无人机基站位置组成序列w₁w₂w₃...w_n，

(5b)对序列w₁w₂w₃...w_n进行二进制编码作为一条染色体，染色体基因序列的每一位与对目标区域划分的网格一一对应，若该网格位置部署无人机基站，则基因序列对应位的值置1，否则置0；

(5c)计算用户i到无人机基站j部署位置的距离d_ij：

d_ij＝(x_i-x_j)²+(y_i-y_j)²

(5d)比较d_ij与无人机基站覆盖半径R的大小，若d_ij<R，则无人机基站j为用户i的可连接无人机基站，遍历整个用户集合与无人机基站集合，得到用户可选择连接的无人机基站集合，编排用户与可连接无人机基站的序号；

(5e)初始化种群；

(5f)计算初始种群中染色体s的适应度：

fit(s)＝size(A_s)

(5g)使用轮盘赌方法选择作为亲代的个体用于交叉操作；

(5h)将选出的亲代进行单点交叉，然后对交叉产生的子代进行变异操作，得到一个由子代组成的新的种群；

(5i)对新种群中的染色体进行安全距离修正与覆盖约束修正，得到一个修正后的新种群；

(5j)计算修正后的新种群中染色体的适应度，对比上一代种群中染色体的适应度，留下最优个体，组成当前最优种群；

(5k)重复步骤(5f)-(5j)，迭代T代，记录最优染色体；

2.根据权利要求1所述的方法，其特征在于：步骤(5e)中初始化种群，其实现步骤如下：

(5e1)设种群规模为染色体长度的整数倍，记为p_n；

(5e2)根据用户与可连接无人机基站的序号对每一个用户随机选取一个可连接到的无人机基站，得到一组无人机基站序号，将无人机基站序号对应的染色体基因序列位的值置1，其余位的值置0，得到一条满足约束条件的染色体，作为种群中的一个个体；

(5e3)重复步骤(5e2)p_n次，得到初始种群。

3.根据权利要求1所述的方法，其特征在于：步骤(5i)对新种群中的染色体进行安全距离修正与覆盖约束修正，其实现步骤如下：

(5i1)检查每一条染色体代表的无人机基站部署方案中两两无人机基站间的距离：

否则，将两无人机基站全部保留；

(5i2)检查每一条染色体代表的无人机基站部署方案是否满足全覆盖约束，即根据无人机基站与用户的覆盖关系，计算每一种部署方案中用户被覆盖情况，建立未覆盖用户集合，存储每一种部署方案中未被覆盖的用户点，如果部署方案对应的未覆盖用户集合为空，则表示该方案满足全覆盖约束；否则，不满足全覆盖约束，执行步骤(5i3)；

(5i3)对不满足全覆盖约束的部署方案进行修正，即先根据用户与可连接无人机基站的序号集合，为不满足全覆盖约束的部署方案对应的未被覆盖用户随机选取一个可以连接到的无人机基站，再将无人机基站序号对应的染色体基因序列位的值置1，最终得到一个修正后的新种群。