CN109960279B - 一种基于启发式算法的无人机盘旋半径优化方法 - Google Patents
一种基于启发式算法的无人机盘旋半径优化方法 Download PDFInfo
- Publication number
- CN109960279B CN109960279B CN201910285206.6A CN201910285206A CN109960279B CN 109960279 B CN109960279 B CN 109960279B CN 201910285206 A CN201910285206 A CN 201910285206A CN 109960279 B CN109960279 B CN 109960279B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- ground
- algorithm
- radius
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000003016 pheromone Substances 0.000 claims description 16
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 238000004043 dyeing Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于启发式算法的无人机盘旋半径优化方法。该方法如下：无人机基站为目标区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；上报地面用户的数量、位置和QoS需求：无人机通过QoS需求得出无人机盘旋的高度，并根据用户的数量划分盘旋周期；无人机为用户分配时隙：无人机通过启发式算法，联合优化地面用户的时隙分配方案与无人机盘旋半径；无人机向地面用户反馈时隙分配结果：无人机基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；地面用户接入无人机网络：用户根据无人机的时隙分配方案按时隙依次接入网络，直至所有用户完成通信。本发明对无人机盘旋半径的优化速度快，且用户公平性好。
Description
技术领域
本发明属于无人机通信技术领域，特别是一种基于启发式算法的无人机盘旋半径优化方法。
背景技术
近年来，小型化无人机凭借着造价低、灵活性强、易于控制和部署等诸多优点，在军用和民用领域都发挥着重要作用，如应急通信、数据采集、巡逻监控、资源勘探、人员搜救等，引起了广泛关注。特别是在军事领域，无人机作战被认为是颠覆现有作战模式的新型作战样式，引起了全球范围内的广泛关注，中央军委科技委和美国国防部高级研究计划局(DARPA)都设立了相关研究项目，旨在形成无人系统作战能力。同时，无人机也被认为是5G中解决偏远地区覆盖和应急通信的关键技术。
无人机系统相比于传统的地面移动自组织网络(Mobile Ad-hoc Network，MANET)和车载自组织网络(vehicle Ad Hoc network，VANET)有很大的不同。第一，区别于传统地面系统，为了提升任务完成效果，无人机往往以大规模群体的形式完成任务或服务大量用户，数量规模大。第二，“高动态”是无人机网络最为突出的特点之一：一方面，节点位置移动速度快，速度通常在30～460km/h，这种高速移动的特性使得节点之间的相互位置变化快；另一方面，无人机群的任务复杂性较高，所处的环境可能是未知的，而且复杂多变，信号衰减模型类型多样且不固定，使得无人机网络节点之间的连通性和通信质量受到严重影响；此外，受限于当前技术水平下的体积与载荷约束，无人机在空中停留或飞行时间较短，其能量是受限的。总体来说，无人机具有大规模、高机动和能量受限等特点。
从应用形态来说，基于无人机的通信可分为：无人机辅助的覆盖通信、无人机辅助的中继通信和无人辅助的信息收集与分发，其中无人机辅助的覆盖通信，指的是部署无人机来协助现有的通信基础设施提供服务区域内无缝的无线覆盖。无人机辅助的覆盖通信有两种典型的应用场景，一是用于由于自然灾害造成部分或全部基础设施损坏后的快速服务恢复，二是用于在极其拥挤地区的基站分流。
公平性是通信中的一项重要指标，在无人机作为空中基站的覆盖通信中，也应该考虑到地面用户的公平性。当无人机基站确定高度及水平位置后，无人机基站就在指定位置上为目标区域上的地面用户提供无线服务。然而根据空对地信道的特点可知，处于目标区域中心位置的用户，接收信噪比高于边缘用户的接收信噪比。若无人机保持在一点对地面用户进行覆盖，就会导致在目标区域边缘的用户信噪比总是处于较低的状态。
总之，现有技术存在的问题是：在无人机基站覆盖通信中，单个无人机基站的覆盖范围有限，对较大区域进行覆盖时，若将无人机固定在一点进行通信无法满足所有用户的需求。
发明内容
本发明的目的在于提供一种无人机覆盖通信中基于启发式算法的无人机盘旋半径优化方法，根据启发式算法来优化无人机基站的盘旋半径，从而提高用户的公平性。
实现本发明目的的技术解决方案为：一种基于启发式算法的无人机盘旋半径优化方法，包括如下步骤：
(10)无人机基站为目标区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；
(20)上报地面用户的数量、位置和QoS需求：无人机通过QoS需求得出无人机盘旋的高度，并根据地面用户的数量划分盘旋周期，使得划分的时隙数量等于用户数量；
(30)无人机为地面用户分配时隙：无人机通过启发式算法，联合优化地面用户的时隙分配方案与无人机盘旋半径；
(40)无人机向地面用户反馈时隙分配结果：无人机基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；
(50)地面用户接入无人机网络：地面用户根据无人机的时隙分配方案按时隙依次接入网络，直至所有地面用户完成通信。
进一步地，所述(10)无人机基站为目标区域提供通信覆盖，具体步骤包括：
(11)紧急事件发生或基站过载：在紧急事件发生，或由于地面用户数量过多而导致基站过载后，地面基站无法提供正常的服务；
(12)使用无人机临时基站：地面基站无法为地面用户提供正常的服务，使用无人机基站来为地面用户提供服务，以缓解地面基站的负担。
进一步地，所述(20)无人机通过QoS需求得出无人机盘旋的高度，具体步骤如下：
无人机基站利用地面用户的QoS需求，根据所处的环境和信道的路径损耗，得到在该QoS需求下，使无人机基站对地面用户覆盖范围最大的高度，即该QoS需求下无人机的最佳高度；同时，无人机按照地面用户的数量来划分盘旋周期，将盘旋周期均匀的分成与地面用户数理相等的分数，并且每一个时隙只允许一个地面用户接入，从而将无人机时隙优化问题转化为地面用户公平性最高问题。
进一步地，所述(30)无人机为地面用户分配时隙，具体步骤如下：
(31)初始化算法参数：无人机基站在启动基于启发式算法的时隙分配算法后，需要初始化算法的各项参数，包括：地面用户的数量、地面用户的位置、环境参数、地面用户的QoS需求、无人机初始半径、蚁群算法和遗传算法的初始参数；
(32)蚁群算法优化时隙分配方案：根据无人机初始半径和蚁群算法初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机时隙分配方案，得到该盘旋半径下的最优时隙分配方案；
(33)遗传算法优化无人机盘旋半径：根据蚁群算法得到的时隙分配方案和遗传算法的初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机盘旋半径，得到该时隙分配方案下的最优盘旋半径；
(34)蚁群算法和遗传算法多次迭代：将遗传算法得出的盘旋半径赋给蚁群算法，然后将蚁群算法和遗传算法即步骤(33)～(34)进行反复迭代，直至遗传算法得出的盘旋半径不再变化，此时用户的公平性最高，该盘旋半径即为最优盘旋半径，算法结束。
进一步地，地面用户公平性最高问题，具体如下：
每个地面用户在一个时隙内的信噪比为SNRi[n]，通过空对地信道模型求出；引入一个二进制变量ui[n]，当ui[n]＝1时表示用户i在n时隙接入，当ui[n]＝0时表示用户i在n时隙不接入；
记所有用户的时隙分配方案为
则推导出的用户公平性最大化的时隙分配问题为
其中，Ro、r分别表示目标区域的半径和无人机的盘旋半径；SNRmax为整个区域上的全局最大信噪比，它是地面用户处于无人机正下方时地面用户的接收信噪比；约束a)表示一个无人机只能与一个地面用户通信；约束b)表示在一个时隙内只有一个地面用户与无人机通信；约束c)表示ui[n]为一二进制变量；约束d)表示无人机的盘旋半径不得大于目标区域的半径。
进一步地，所述(32)蚁群算法优化时隙分配方案，具体如下：
(321)初始化参数：初始化包括蚂蚁数量、信息素重要程度因子、启发函数重要因子、信息素挥发因子、最大迭代次数的参数；
(322)计算信噪比矩阵：根据每个地面用户的位置、以及无人机在每个时隙内的位置计算出信噪比矩阵，该矩阵表示了所有用户在所有时隙内的信噪比；
(323)计算距离矩阵：根据所计算的信噪比矩阵，进一步计算用于蚁群算法寻优的距离矩阵；
(324)构建解空间：随机生成多个位置作为蚂蚁的出发点，每个蚂蚁按照规定的转移概率公式，计算下一个访问的节点，直到所有蚂蚁访问完所有节点；
(325)更新信息素：计算各个蚂蚁经过的路径长度，记录当前迭代次数中的最优解，同时对各个节点连接路径上的信息素浓度进行更新；
(326)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该盘旋半径下的最佳时隙分配方案。
进一步地，所述(33)遗传算法优化无人机盘旋半径，具体如下：
(331)初始化参数：初始化包括种群规模、交叉概率、变异概率、最大迭代次数的参数，同时通过编码把可行解表示成遗传空间的染色体或个体；
(332)设计适应度函数：适应度函数是用来区分种群中个体好坏的标准，用目标函数来作为适应度函数；
(333)计算个体适应度函数值：计算生成的每个个体的适应度函数值，由于目标函数值越小，表示用户公平性越高，因此适应度函数值越小，适应度值越大，个体越优；
(334)选择操作：根据旧群体中个体的适应度函数值设定各个个体的选择概率，适应度函数值越大，被选择的概率越大，然后从旧群体中以设定概率选择个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率跟适应度函数值有关，个体适应度函数值越高，被选中的概率越大；
(335)交叉与变异：交叉是从种群中随机选择两个个体，通过两个染色特的交换组合，得到新的个体；变异是从种群中随机选取一个个体，选择染色体中的一点进行变异，得到新的个体；
(336)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该时隙分配方案下的最佳无人机盘旋半径。
本发明与现有技术相比，其显著优点为：(1)覆盖全面：通过无人机在目标区域上空盘旋，根据地面用户数量划分时隙，并为每个用户分配时隙，使得盘旋一周后无人机能够覆盖整个地面区域，覆盖范围大且覆盖全面；(2)公平性高：通过无人机的盘旋来解决覆盖问题，在优化无人机盘旋半径时以提高用户公平性为目标，最终使无人机在一个使得用户公平性最高的盘旋半径上盘旋，提高了公平性；(3)算法复杂度低、运行速度快、算法性能好。
附图说明
图1为本发明基于启发式算法的无人机盘旋半径优化方法的流程图。
图2为图1中无人机基站为指定区域提供通信覆盖步骤的流程图。
图3为图1中无人机为地面用户分配时隙步骤的流程图。
图4为图3中蚁群算法优化时隙分配方案步骤的流程图。
图5为图3中遗传算法优化无人机盘旋半径步骤的流程图。
图6为无人机覆盖通信中基于启发式算法的无人机盘旋半径优化模型图。
具体实施方式
普通的无人机基站部署方式，是将无人机固定在一点为地面用户提供服务，这样虽然能有效的保证地面用户的QoS需求，但是由于无人机的覆盖范围有限，当地面区域较大时无法完全覆盖。另外，根据空对地信道模型可知，处于目标区域中心位置的用户，其接收信噪比高于边缘用户的接收信噪比。若无人机保持在一点对地面用户进行覆盖，就会导致在目标区域边缘的用户信噪比总是处于较低的状态。
本发明基于启发式算法的无人机盘旋半径优化方法，通过无人机在目标区域上空盘旋，根据地面用户数量划分时隙，并为每个用户分配时隙，使得盘旋一周后无人机能够覆盖整个地面区域，覆盖范围大且覆盖全面；同时，通过无人机的盘旋来解决覆盖问题，在优化无人机盘旋半径时以提高用户公平性为目标，最终使无人机在一个使得用户公平性最高的盘旋半径上盘旋，具体包括如下步骤：
(10)无人机基站为目标区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；
(20)上报地面用户的数量、位置和QoS需求：无人机通过QoS需求得出无人机盘旋的高度，并根据地面用户的数量划分盘旋周期，使得划分的时隙数量等于用户数量；
(30)无人机为地面用户分配时隙：无人机通过启发式算法，联合优化地面用户的时隙分配方案与无人机盘旋半径；
(40)无人机向地面用户反馈时隙分配结果：无人机基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；
(50)地面用户接入无人机网络：地面用户根据无人机的时隙分配方案按时隙依次接入网络，直至所有地面用户完成通信。
进一步地，所述(10)无人机基站为目标区域提供通信覆盖，具体步骤包括：
(11)紧急事件发生或基站过载：在紧急事件发生，或由于地面用户数量过多而导致基站过载后，地面基站无法提供正常的服务；
(12)使用无人机临时基站：地面基站无法为地面用户提供正常的服务，使用无人机基站来为地面用户提供服务，以缓解地面基站的负担。
进一步地，所述(20)无人机通过QoS需求得出无人机盘旋的高度，具体步骤如下：
无人机基站利用地面用户的QoS需求，根据所处的环境和信道的路径损耗，得到在该QoS需求下，使无人机基站对地面用户覆盖范围最大的高度，即该QoS需求下无人机的最佳高度；同时，无人机按照地面用户的数量来划分盘旋周期，将盘旋周期均匀的分成与地面用户数理相等的分数，并且每一个时隙只允许一个地面用户接入，从而将无人机时隙优化问题转化为地面用户公平性最高问题。
进一步地，所述(30)无人机为地面用户分配时隙，具体步骤如下：
(31)初始化算法参数：无人机基站在启动基于启发式算法的时隙分配算法后，需要初始化算法的各项参数，包括：地面用户的数量、地面用户的位置、环境参数、地面用户的QoS需求、无人机初始半径、蚁群算法和遗传算法的初始参数；
(32)蚁群算法优化时隙分配方案：根据无人机初始半径和蚁群算法初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机时隙分配方案，得到该盘旋半径下的最优时隙分配方案；
(33)遗传算法优化无人机盘旋半径：根据蚁群算法得到的时隙分配方案和遗传算法的初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机盘旋半径，得到该时隙分配方案下的最优盘旋半径；
(34)蚁群算法和遗传算法多次迭代：将遗传算法得出的盘旋半径赋给蚁群算法，然后将蚁群算法和遗传算法即步骤(33)～(34)进行反复迭代，直至遗传算法得出的盘旋半径不再变化，此时用户的公平性最高，该盘旋半径即为最优盘旋半径，算法结束。
进一步地，地面用户公平性最高问题，具体如下：
每个地面用户在一个时隙内的信噪比为SNRi[n]，通过空对地信道模型求出；引入一个二进制变量ui[n]，当ui[n]＝1时表示用户i在n时隙接入，当ui[n]＝0时表示用户i在n时隙不接入；
记所有用户的时隙分配方案为
则推导出的用户公平性最大化的时隙分配问题为
其中，Ro、r分别表示目标区域的半径和无人机的盘旋半径；SNRmax为整个区域上的全局最大信噪比，它是地面用户处于无人机正下方时地面用户的接收信噪比；约束a)表示一个无人机只能与一个地面用户通信；约束b)表示在一个时隙内只有一个地面用户与无人机通信；约束c)表示ui[n]为一二进制变量；约束d)表示无人机的盘旋半径不得大于目标区域的半径。
进一步地，所述(32)蚁群算法优化时隙分配方案，具体如下：
(321)初始化参数：初始化包括蚂蚁数量、信息素重要程度因子、启发函数重要因子、信息素挥发因子、最大迭代次数的参数；
(322)计算信噪比矩阵：根据每个地面用户的位置、以及无人机在每个时隙内的位置计算出信噪比矩阵，该矩阵表示了所有用户在所有时隙内的信噪比；
(323)计算距离矩阵：根据所计算的信噪比矩阵，进一步计算用于蚁群算法寻优的距离矩阵；
(324)构建解空间：随机生成多个位置作为蚂蚁的出发点，每个蚂蚁按照规定的转移概率公式，计算下一个访问的节点，直到所有蚂蚁访问完所有节点；
(325)更新信息素：计算各个蚂蚁经过的路径长度，记录当前迭代次数中的最优解，同时对各个节点连接路径上的信息素浓度进行更新；
(326)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该盘旋半径下的最佳时隙分配方案。
进一步地，所述(33)遗传算法优化无人机盘旋半径，具体如下：
(331)初始化参数：初始化包括种群规模、交叉概率、变异概率、最大迭代次数的参数，同时通过编码把可行解表示成遗传空间的染色体或个体；
(332)设计适应度函数：适应度函数是用来区分种群中个体好坏的标准，用目标函数来作为适应度函数；
(333)计算个体适应度函数值：计算生成的每个个体的适应度函数值，由于目标函数值越小，表示用户公平性越高，因此适应度函数值越小，适应度值越大，个体越优；
(334)选择操作：根据旧群体中个体的适应度函数值设定各个个体的选择概率，适应度函数值越大，被选择的概率越大，然后从旧群体中以设定概率选择个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率跟适应度函数值有关，个体适应度函数值越高，被选中的概率越大；
(335)交叉与变异：交叉是从种群中随机选择两个个体，通过两个染色特的交换组合，得到新的个体；变异是从种群中随机选取一个个体，选择染色体中的一点进行变异，得到新的个体；
(336)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该时隙分配方案下的最佳无人机盘旋半径。
下面结合附图和具体实施方式对本发明作进一步的详细描述。
实施例
本实施例无人机覆盖通信中基于启发式算法的无人机盘旋半径优化方法，包括如下步骤：
(10)无人机基站为指定区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；
(20)上报用户的数量、位置和QoS需求：无人机通过QoS需求得出盘旋的高度，并根据用户的数量划分盘旋周期，使得划分的时隙数量等于用户数量；
(30)无人机为地面用户分配时隙：无人机通过启发式算法联合优化用户分配方案与无人机盘旋半径；
(40)无人机向用户反馈时隙分配结果：无人机基站基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；
(50)用户接入无人机网络：地面用户按照无人机的分配方案分时隙依次接入网络，直至所有地面用户完成通信。
优选地，上述方案中，所述用户最大化公平性问题，具体如下：
每个地面用户在一个时隙内的信噪比为SNRi[n]，可通过空对地信道模型求出。引入一个二进制变量ui[n]，当ui[n]＝1时表示用户i在n时隙接入，当ui[n]＝0时表示用户i在n时隙不接入。记所有用户的时隙分配方案为
则推导出的用户公平性最大化的时隙分配问题为：
其中Ro、r分别表示目标区域的半径和无人机的盘旋半径，SNRmax为整个区域上的全局最大信噪比，它是地面用户处于无人机正下方时地面用户的接收信噪比。约束a表示一个无人机在只能与一个地面用户通信；约束b表示在一个时隙内只有一个地面用户与无人机通信；约束c表示ui[n]为一二进制变量；约束d表示无人机的盘旋半径不得大于目标区域的半径。
如图1所示，本实施例应对无人机覆盖通信中基于启发式算法的无人机盘旋半径优化方法，包括如下步骤：
(10)无人机基站为指定区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；
如图2所示，所述(10)无人机基站为指定区域提供通信覆盖的步骤包括：
(11)紧急事件发生或基站过载：在紧急事件发生或由于用户数量过多而导致基站过载后，地面基站无法提供正常的服务；
(12)使用无人机临时基站：地面基站无法为用户提供正常的服务，使用无人机基站来为地面用户提供服务，以缓解地面基站的负担。
(20)上报用户的数量、位置和QoS需求：无人机通过QoS需求得出盘旋的高度，并根据用户的数量划分盘旋周期，使得划分的时隙数量等于用户数量；
所述(20)无人机通过QoS需求得出盘旋的高度步骤具体如下：
无人机基站利用用户的QoS需求，根据所处的环境和信道的路径损耗，得到在该QoS需求下，使无人机基站对地面用户覆盖范围最大的高度，即该QoS需求下无人机的最佳高度；同时，无人机按照用户的数量来划分盘旋周期，即有多少地面用户就把盘旋周期均匀的分成多少份，并且每一个时隙只允许一个用户接入，将无人机时隙优化问题转化为用户公平性最高问题。
(30)无人机为地面用户分配时隙：无人机通过启发式算法联合优化用户分配方案与无人机盘旋半径；
如图3所示，所述(30)无人机为地面用户分配时隙的步骤具体为：
(31)初始化算法参数：无人机基站在启动基于启发式算法的时隙分配算法后，需要初始化算法的各项参数，包括：地面用户的数量、地面用户的位置、环境参数、地面用户的QoS需求、无人机初始半径、蚁群算法和遗传算法的相关初始参数；
(32)蚁群算法优化时隙分配方案：根据无人机初始半径和蚁群算法相关初始参数，以用户公平性最高为目标、使用蚁群算法优化无人机时隙分配方案，得到该盘旋半径下的最优时隙分配方案；
如图4所示，所述(32)蚁群算法优化时隙分配方案的具体步骤如下：
(321)初始化参数：初始化各种参数，包括蚂蚁数量、信息素重要程度因子、启发函数重要因子、信息素挥发因子、最大迭代次数等；
(322)计算信噪比矩阵：根据每个用户的位置、以及无人机在每个时隙内的位置计算出信噪比矩阵，该矩阵表示了所有用户在所有时隙内的信噪比；
(323)计算距离矩阵：根据上步骤所计算的信噪比矩阵，进一步计算用于蚁群算法寻优的“距离”矩阵。“距离”矩阵是蚁群算法寻优的关键，在用蚁群算法对该问题寻优时，其“距离”矩阵不同于一般的蚁群算法寻优问题，因此需要专门进行计算；
(324)构建解空间：随机生成多个位置作为蚂蚁的出发点，每个蚂蚁按照规定的转移概率公式，计算下一个访问的节点，直到所有蚂蚁访问完所以节点；
(325)更新信息素：计算各个蚂蚁经过的路径长度，记录当前迭代次数中的最优解，同时对各个节点连接路径上的信息素浓度进行更新；
(326)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该盘旋半径下的最佳时隙分配方案。
(33)遗传算法优化无人机盘旋半径：根据蚁群算法得到的时隙分配方案和遗传算法的相关初始参数，以用户公平性最高为目标、使用蚁群算法优化无人机盘旋半径，得到该时隙分配方案下的最优盘旋半径；
如图5所示，所述(33)遗传算法优化无人机盘旋半径的具体步骤如下：
(331)初始化参数：初始化各种参数，包括种群规模、交叉概率、变异概率、最大迭代次数等，同时通过编码把可行解表示成遗传空间的染色体或个体
(332)设计适应度函数：适应度函数是用来区分种群中个体好坏的标准，本问题中直接用目标函数来作为适应度函数；
(333)计算个体适应度函数值：计算生成的每个个体的适应度函数值，由于目标函数值越小，表示用户公平性越高，因此适应度函数值越小，适应度值越大，个体越优；
(334)选择操作：从旧群体中以一定概率选择优良个体组成行的种群，以繁殖得到下一代个体，个体被选中的概率跟适应度值有关，个体适应度值越高，被选中的概率越大；
(335)交叉与变异：交叉是从种群中随机选择两个个体，通过两个染色特的交换组合，得到新的个体；变异是从种群中随机选取一个个体，选择染色体中的一点进行变异，得到新的个体；交叉与变异本质上是产生新解，在使最优解向理想的方向变化的同时、减小算法陷入局部最优的可能性；
(336)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该时隙分配方案下的最佳无人机盘旋半径。
(34)蚁群算法和遗传算法多次迭代：将遗传算法得出的盘旋半径赋给蚁群算法，如此反复迭代，直至遗传算法出的盘旋半径不再变化，此时用户的公平性最高，该盘旋半径即为最优盘旋半径，算法结束。
(40)无人机向用户反馈时隙分配结果：无人机基站基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；
(50)用户接入无人机网络：地面用户按照无人机的分配方案分时隙依次接入网络，直至所有地面用户完成通信。
图6所示为无人机覆盖通信中基于启发式算法的无人机盘旋半径优化模型图。一片较大的区域由于意外事故而导致地面基站出现故障无法使用，此时需要用无人机作为空中临时基站来为地面用户提供服务。由于该区域的面积较大，而单个无人机基站的覆盖范围有限，若将无人机固定在某一点无法实现对该区域的全面覆盖。因此使无人机在该目标区域上空盘旋，以使得该区域内的所有用户都能被无人机覆盖。根据地面用户的数量将无人机的盘旋半径均分成若干个时隙，并且每个时隙只允许一个地面用户接入与无人机进行通信。当无人机盘旋一周之后则所有的用户都与无人机进行了通信。
综上所述，本发明通过无人机在目标区域上空盘旋，根据地面用户数量划分时隙，并为每个用户分配时隙，使得盘旋一周后无人机能够覆盖整个地面区域，覆盖范围大且覆盖全面；另外，通过无人机的盘旋来解决覆盖问题，在优化无人机盘旋半径时以提高用户公平性为目标，最终使无人机在一个使得用户公平性最高的盘旋半径上盘旋，相比于传统的方法提高了公平性。
Claims (4)
1.一种基于启发式算法的无人机盘旋半径优化方法，其特征在于，包括如下步骤：
(10)无人机基站为目标区域提供通信覆盖：无人机基站在目标区域上空盘旋为地面用户提供无线服务；
(20)上报地面用户的数量、位置和QoS需求：无人机通过QoS需求得出无人机盘旋的高度，并根据地面用户的数量划分盘旋周期，使得划分的时隙数量等于用户数量；
(30)无人机为地面用户分配时隙：无人机通过启发式算法，联合优化地面用户的时隙分配方案与无人机盘旋半径；
(40)无人机向地面用户反馈时隙分配结果：无人机基站将时隙分配方案转发给地面用户，无人机以最优半径盘旋；
(50)地面用户接入无人机网络：地面用户根据无人机的时隙分配方案按时隙依次接入网络，直至所有地面用户完成通信；
所述(20)无人机通过QoS需求得出无人机盘旋的高度，具体步骤如下：
无人机基站利用地面用户的QoS需求，根据所处的环境和信道的路径损耗，得到在该QoS需求下，使无人机基站对地面用户覆盖范围最大的高度，即该QoS需求下无人机的最佳高度；同时，无人机按照地面用户的数量来划分盘旋周期，将盘旋周期均匀的分成与地面用户数理相等的分数，并且每一个时隙只允许一个地面用户接入，从而将无人机时隙优化问题转化为地面用户公平性最高问题；
所述(30)无人机为地面用户分配时隙，具体步骤如下：
(31)初始化算法参数：无人机基站在启动基于启发式算法的时隙分配算法后，需要初始化算法的各项参数，包括：地面用户的数量、地面用户的位置、环境参数、地面用户的QoS需求、无人机初始半径、蚁群算法和遗传算法的初始参数；
(32)蚁群算法优化时隙分配方案：根据无人机初始半径和蚁群算法初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机时隙分配方案，得到该盘旋半径下的最优时隙分配方案；
(33)遗传算法优化无人机盘旋半径：根据蚁群算法得到的时隙分配方案和遗传算法的初始参数，以地面用户公平性最高为目标、使用蚁群算法优化无人机盘旋半径，得到该时隙分配方案下的最优盘旋半径；
(34)蚁群算法和遗传算法多次迭代：将遗传算法得出的盘旋半径赋给蚁群算法，然后将蚁群算法和遗传算法即步骤(33)～(34)进行反复迭代，直至遗传算法得出的盘旋半径不再变化，此时用户的公平性最高，该盘旋半径即为最优盘旋半径，算法结束；
地面用户公平性最高问题，具体如下：
每个地面用户在一个时隙内的信噪比为SNRi[n]，通过空对地信道模型求出；引入一个二进制变量ui[n]，当ui[n]＝1时表示用户i在n时隙接入，当ui[n]＝0时表示用户i在n时隙不接入；
记所有用户的时隙分配方案为
则推导出的用户公平性最大化的时隙分配问题为
s.t.
d)r≤Ro
其中，Ro、r分别表示目标区域的半径和无人机的盘旋半径；SNRmax为整个区域上的全局最大信噪比，它是地面用户处于无人机正下方时地面用户的接收信噪比；约束a)表示一个无人机只能与一个地面用户通信；约束b)表示在一个时隙内只有一个地面用户与无人机通信；约束c)表示ui[n]为一二进制变量；约束d)表示无人机的盘旋半径不得大于目标区域的半径。
2.根据权利要求1所述的基于启发式算法的无人机盘旋半径优化方法，其特征在于，所述(10)无人机基站为目标区域提供通信覆盖，具体步骤包括：
(11)紧急事件发生或基站过载：在紧急事件发生，或由于地面用户数量过多而导致基站过载后，地面基站无法提供正常的服务；
(12)使用无人机临时基站：地面基站无法为地面用户提供正常的服务，使用无人机基站来为地面用户提供服务，以缓解地面基站的负担。
3.根据权利要求1所述的基于启发式算法的无人机盘旋半径优化方法，其特征在于，所述(32)蚁群算法优化时隙分配方案，具体如下：
(321)初始化参数：初始化包括蚂蚁数量、信息素重要程度因子、启发函数重要因子、信息素挥发因子、最大迭代次数的参数；
(322)计算信噪比矩阵：根据每个地面用户的位置、以及无人机在每个时隙内的位置计算出信噪比矩阵，该矩阵表示了所有用户在所有时隙内的信噪比；
(323)计算距离矩阵：根据所计算的信噪比矩阵，进一步计算用于蚁群算法寻优的距离矩阵；
(324)构建解空间：随机生成多个位置作为蚂蚁的出发点，每个蚂蚁按照规定的转移概率公式，计算下一个访问的节点，直到所有蚂蚁访问完所有节点；
(325)更新信息素：计算各个蚂蚁经过的路径长度，记录当前迭代次数中的最优解，同时对各个节点连接路径上的信息素浓度进行更新；
(326)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该盘旋半径下的最佳时隙分配方案。
4.根据权利要求1所述的基于启发式算法的无人机盘旋半径优化方法，其特征在于，所述(33)遗传算法优化无人机盘旋半径，具体如下：
(331)初始化参数：初始化包括种群规模、交叉概率、变异概率、最大迭代次数的参数，同时通过编码把可行解表示成遗传空间的染色体或个体；
(332)设计适应度函数：适应度函数是用来区分种群中个体好坏的标准，用目标函数来作为适应度函数；
(333)计算个体适应度函数值：计算生成的每个个体的适应度函数值，由于目标函数值越小，表示用户公平性越高，因此适应度函数值越小，适应度值越大，个体越优；
(334)选择操作：根据旧群体中个体的适应度函数值设定各个个体的选择概率，适应度函数值越大，被选择的概率越大，然后从旧群体中以设定概率选择个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率跟适应度函数值有关，个体适应度函数值越高，被选中的概率越大；
(335)交叉与变异：交叉是从种群中随机选择两个个体，通过两个染色特的交换组合，得到新的个体；变异是从种群中随机选取一个个体，选择染色体中的一点进行变异，得到新的个体；
(336)判断算法是否终止：当迭代次数达到指定值时，算法终止计算，输出最优解，即在该时隙分配方案下的最佳无人机盘旋半径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910285206.6A CN109960279B (zh) | 2019-04-10 | 2019-04-10 | 一种基于启发式算法的无人机盘旋半径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910285206.6A CN109960279B (zh) | 2019-04-10 | 2019-04-10 | 一种基于启发式算法的无人机盘旋半径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109960279A CN109960279A (zh) | 2019-07-02 |
| CN109960279B true CN109960279B (zh) | 2022-03-22 |
Family
ID=67025794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910285206.6A Active CN109960279B (zh) | 2019-04-10 | 2019-04-10 | 一种基于启发式算法的无人机盘旋半径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109960279B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111194037B (zh) * | 2019-08-23 | 2022-04-22 | 中国电子科技集团公司第三十八研究所 | 一种基于艇地稳定覆盖的飞艇部署方法及系统 |
| CN111836271B (zh) * | 2020-07-28 | 2021-08-20 | 河海大学 | 一种多无人机通信基站的3d位置部署方法 |
| CN112188515B (zh) * | 2020-08-27 | 2022-08-16 | 清华大学 | 基于无人机网络的深远海信息服务质量优化方法 |
| CN112752271B (zh) * | 2020-12-28 | 2022-04-22 | 华南理工大学 | 基于无人机无线能量传输网络的多波束阵列设计方法 |
| CN114489128B (zh) * | 2022-01-20 | 2023-04-07 | 北京远度互联科技有限公司 | 中继无人机的飞行位置规划方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104581862A (zh) * | 2014-12-27 | 2015-04-29 | 中国人民解放军63655部队 | 一种基于低空无人飞行器自组网的测控通信方法和系统 |
| CN105979603A (zh) * | 2016-06-24 | 2016-09-28 | 贵州宇鹏科技有限责任公司 | 基于TD-LTE技术面向信流QoS保证的无人机上行链路调度方法 |
| CN107239078A (zh) * | 2017-06-26 | 2017-10-10 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
| CN108768497A (zh) * | 2018-04-27 | 2018-11-06 | 郑州航空工业管理学院 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9950791B2 (en) * | 2016-03-08 | 2018-04-24 | International Business Machines Corporation | Drone receiver |
-
2019
- 2019-04-10 CN CN201910285206.6A patent/CN109960279B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104581862A (zh) * | 2014-12-27 | 2015-04-29 | 中国人民解放军63655部队 | 一种基于低空无人飞行器自组网的测控通信方法和系统 |
| CN105979603A (zh) * | 2016-06-24 | 2016-09-28 | 贵州宇鹏科技有限责任公司 | 基于TD-LTE技术面向信流QoS保证的无人机上行链路调度方法 |
| CN107239078A (zh) * | 2017-06-26 | 2017-10-10 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
| CN108768497A (zh) * | 2018-04-27 | 2018-11-06 | 郑州航空工业管理学院 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| A 3D Placement of Unmanned Aerial Vehicle Base Station Based on Multi-Population Genetic Algorithm for Maximizing Users with Different QoS Requirements;Yancheng Chen等;《2018 IEEE 18th International Conference on Communication Technology (ICCT)》;20190103;第967-972页 * |
| 利用无人机搭建高空基站的研究;李威等;《通信设计与应用》;20170531;第12-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109960279A (zh) | 2019-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109960279B (zh) | 一种基于启发式算法的无人机盘旋半径优化方法 | |
| Yang et al. | Proactive drone-cell deployment: Overload relief for a cellular network under flash crowd traffic | |
| CN109275094B (zh) | 一种高能效无人机覆盖点连续覆盖方法和装置 | |
| Li et al. | Post-disaster unmanned aerial vehicle base station deployment method based on artificial bee colony algorithm | |
| CN103873146B (zh) | 室内分布式可见光通信系统中的资源调度方法 | |
| CN109885088B (zh) | 边缘计算网络中基于机器学习的无人机飞行轨迹优化方法 | |
| Rahimi et al. | An efficient 3-D positioning approach to minimize required UAVs for IoT network coverage | |
| Deng et al. | Joint resource allocation and trajectory control for UAV-enabled vehicular communications | |
| CN112702713B (zh) | 一种多约束条件下的低空无人机通信部署方法 | |
| CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
| Dai et al. | Efficient deployment of multiple UAVs for IoT communication in dynamic environment | |
| CN112333767B (zh) | 一种在灾后地区部署无人机应急通信系统的方法 | |
| Wu et al. | 3D aerial base station position planning based on deep Q-network for capacity enhancement | |
| 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 | |
| Huang et al. | A method for deploying the minimal number of UAV base stations in cellular networks | |
| CN113919483A (zh) | 一种无线通信网络中无线电地图的构造和定位方法及其系统 | |
| CN113727278B (zh) | 一种路径规划方法、接入网设备及飞行控制设备 | |
| CN109600756A (zh) | 一种基于最大度优先染色算法的物理小区识别分配方法 | |
| CN115225142B (zh) | 多无人机通信中用户匹配与频谱资源联合优化方法及系统 | |
| CN112702719A (zh) | 一种无人机场景下高能效d2d资源分配方法 | |
| Shakhatreh et al. | Efficient 3D positioning of UAVs and user association based on hybrid PSO-K-means clustering algorithm in future wireless networks | |
| Fu et al. | Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas | |
| CN115665775A (zh) | 一种基于多时间尺度的空地一体化通信网络覆盖方法 | |
| Danilchenko et al. | Covering users with QoS by a connected swarm of drones: graph theoretical approach and experiments | |
| Ryu et al. | Energy efficient deployment of aerial base stations for mobile users in multi-hop UAV networks |
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 |