CN110650039B - 一种基于多峰优化的无人机群辅助车辆网络协同通信模型 - Google Patents

Abstract

本发明涉及智能技术领域，特别是涉及一种基于多峰优化的无人机群辅助车辆网络协同通信模型。该算法通过对地面车辆分布情况的预测、对地面各个位置对无人机辅助需求程度的评估、多峰优化得到无人机最佳分布方案三个过程组成；具体的步骤如下：步骤1：定义协同通信模型架构；步骤2：预测未来时刻车辆位置；步骤3：以评估模型计算任意位置对无人机的需求程度；步骤4：执行多峰游牧算法求解；步骤5：调度多架无人机前往目的地进行通信；本发明充分发挥无人机移动灵活易部署等优势，通过我们的多峰算法同时调配多架无人机，有效缓解了传统车联网中难以通过网络层技术解决的问题，有效提升了车辆网络通信的包交付率、吞吐量，降低了通信平均跳数。

Description

一种基于多峰优化的无人机群辅助车辆网络协同通信模型

技术领域

本发明涉及智能技术领域，特别是涉及一种基于多峰优化的无人机群辅助车辆网络协同通信模型。

背景技术

随着车辆数目与日俱增，智能交通系统逐渐普及，为驾驶者提供多种便利服务如碰撞避免、转向预警、智能导航、实时交通信息、车载娱乐影音等，旨在提升驾驶过程中的安全性、便利性、舒适性。这一切服务都需要以网络接入为前提，而对于城市中数量庞大且高度动态的车辆而言，网络通信是一项艰难的挑战。近年来兴起的车辆自组网(VehicularAd-hoc Networks，VANETs)技术使用基于802.11p协议的无线网络技术和专门的路由协议，一定程度上解决了这些挑战。除了高度动态引发的网络拓扑频繁变化，通信链路的质量也是至关重要的问题。无线通信链路对环境敏感，距离、障碍物、其他设备的信号等因素都会对链路质量产生影响。这些网络通信问题都是难以单独通过网络层的技术手段来克服的，因此近年来研究者们开始考虑通过外部辅助设备，如在空中的无人机群，对地面车辆网络进行辅助。

相较于其他基础设施，无人机有许多特有的优势。其成本低，易控制，移动灵活，可迅速部署在各种复杂环境如拥堵街道、山洪地区、灾区等基础设施无法快速布置的地方。在城市中，由于无人机在高空中活动高度高于绝大多数建筑，其移动过程基本无视地形，且无线通信不会被各种地面设施阻隔，十分适合协同地面车辆通信，在高空中为地面节点提供无线信号中继。然而现有的无人机辅助通信网络仅限于对网络路由协议的优化，未能充分发挥无人机灵活部署的优势。

基于软件定义网络的架构(Software Defined Network，SDN)，本发明设计了一种无人机群辅助城市中车辆自组织网络(VANETs)的空地协同通信方案，该方案根据对交通状况的预测，将多架无人机分别调度到不同的最佳位置，从而缓解传统车载网络不可避免的缺陷。此外，该问题是一个多目标、多峰优化问题，多解且解数量固定、距离受限、对时间敏感，传统优化算法的形式无法满足这些需求，我们专门设计一种可解决该问题的多峰优化算法。经我们的算法优化后的无人机群辅助车辆网络协同通信模型，多项网络性能得到提升，可有效缓解传统车辆网络中孤岛车辆通信、超视距通信、负载均衡等问题。

发明内容

针对城市车辆网络中由车辆位置分布而产生的远离其他车辆的孤岛节点车辆、由建筑物遮挡导致的非视距通信(Non-Line-of-Sight，NLoS)、由局部极端车辆密度引发的负载不均衡三种情景，我们引入多无人机辅助，设计了一种空地协同通信的模型。评估出对无人机辅助需求程度最大、最适宜无人机部署的多个位置，分别调度无人机前往执行高空中继，从而提升多方面网络性能。

具体的步骤如下：

步骤1：定义协同通信模型架构；

该系统中，所有车辆和无人机作为SDN架构的基础设施层的网络设备，装有车载单元(On Board Unit，OBU)可收集自身的运动信息、与其他装有OBU的节点进行无线通信，MAC层协议为车联网通用的802.11p协议。城市中分布的路侧单元(Road Side Unit，RSU)与基站(Base Station，BS)组成SDN控制层的控制器，控制器负责信息采集、处理、存储、运算与控制管理命令的传播，所有车辆定期向附近的控制器汇报自己的位置信息。应用层面向用户，根据用户需求控制整个系统。系统实时运行，划分成多个等长度的时间片，工作流程可描述为算法(1)：

步骤2：预测未来时刻车辆位置；

由于车辆位置实时变化，且无人机的位置计算与调遣需要一定时间，使用当前时刻的车辆分布来调度无人机是不合理的。当根据当前车辆位置完成计算并调遣无人机到指定位置时，车辆分布已改变。所以我们要对车辆分布进行预测，提前完成部署，其计算方式如下：

其中

是一个向量表示一辆车在t_n+1时间片的预测位置，x(t_n)则是该车在t_n时间片的真实位置。Δx(t_n-1)表示第t_n-1时间片里车辆的位置变化，

是对t_n时间片内车辆位置变化的矫正因子，这两个参数由过去几个时间片的车辆轨迹决定，计算如下：

Δx(t_n-1)＝x(t_n)-x(t_n-1) 公式(2)

根据该公式，矫正因子拥有反惯性的性质，会使车辆延续之前的速度变化趋势。考虑到时间相隔较久远的轨迹影响较小，之前第i个时间片车辆变化的权重ω_i应满足即权重之和为1，但越久远的轨迹权重越低，即下式：

∑ω_i＝1 公式(4)

ω_i+1＜ω_i 公式(5)

步骤3：以评估模型计算任意位置对无人机的需求程度；

根据预测的车辆分布，我们设计评估模型来计算任意位置对无人机辅助的需求程度。考虑城市车辆网络中的三种情景：孤岛车辆节点、非视距通信、负载均衡。三种需求组成了多目标评估函数：

f(x)＝c₁·f₁(x)+c₂·f₂(x)+c₃·f₁(x) 公式(6)

其中x是一个待评估位置，f(·)是评估函数，f₁，f₂和f₃是三个子评估函数用以评估以上三种情景，所有函数的值域都是(0，1)，越大意味着越需要无人机。c是各种情景对最终评估值的权重，权重之和为1。三种情景的评估模型如下：

A.孤岛车辆

在城市车辆网络中，一些车辆远离其他所有车辆，其距离超出车辆通信范围，无法与其他车辆连接通信，犹如信息孤岛。在适当位置部署无人机可以作为中继节点，使得离群车辆可以与其他车辆相连接入网络。考虑到聚集的多辆车不需要中继、远离飞机的车辆有较大可能随后驶出无人机覆盖范围，评估一个位置是否有助于孤岛节点通信的计算过程如下：

n是无人机在待评估位置x可覆盖的车辆数，

是这些车辆的平均位置，X_i代表第i量车的位置。||·||₂算子代表求2范式，可视为节点的欧几里得距离。R_d是无人机的通信半径，用来对结果进行归一化。根据上述公式，对于一个待评估位置，附近的车辆距该位置越近、且车辆之间越离散，则评估函数适应度值越高，即越适合无人机中继部署。

B.非视距通信

由于车辆网络通信使用无线链路，会被城市中随处可见的各种建筑物和基础设施阻碍和干扰，这种情况称为非视距通信(Non-Line-of-Sight，NLoS)。当路口车辆与相邻街道的车辆通信时，信号需绕过或穿过建筑，此时虽然两车处于各自通信范围内，但通信链路质量严重受损难以维持通信。而无人机的活动在高空，移动和通信都不受限制，可不受阻隔地建立链路辅助地面车辆非视距通信。对于该情景的评估如下：

l_x是该位置距最近的路口的距离，如果该距离超出无人机通信半径，则无人机只能覆盖自己所在的街道，而该街道上的车辆互相通信不受建筑遮挡无需辅助，不适合无人机部署。θ是该位置到路口的连线与最近的街道的夹角。ω是调整角度与距离影响权重比例的控制因子。该公式表示，目标位置距离路口越近、夹角越大(最大为π/4)，则越有助于NLoS通信。此外，距离路口越近处角度的影响越小(如极端情况，当距离为0时无人机恰好位于路口中心，无论角度多大都没有区别)。该评估函数通过下式将值域转化为0到1之间：

C.负载均衡

当某一区域内的车辆数目过于稀薄时有出现孤岛节点的风险，而车辆过于密集时中心车辆通信压力剧增，均会影响网络负载均衡。针对极端车辆密度导致的网络不均衡，我们引入无人机辅助扩展车辆稀疏区域的带宽，分流车辆密集区域链路压力，计算模型如下：

N_x和N_i分别表示目标位置和第i架无人机周围半径R_d内的车辆数，max(·)是用来求最大值的函数。N_avg是全局的平均车辆密度，计算如下式：

其中N_total和S_total分别表示实验区域的车辆总数和总面积。针对以上三种场景的评估模型共同组成了最终的多目标评估模型。

步骤4：执行多峰游牧算法求解；

确定评估模型后，可使用优化算法在整个实验空间中找到多个适应度值最高的解，即最迫切需要无人机的多个位置，这是一个典型的多峰优化问题。然而我们的系统对时间要求严格，要求确定数量(等同于无人机数)的解，且多解之间不能邻近(多架无人机集中部署没有意义)。传统多峰优化算法无法同时满足这些需求。

受启发于草原上游牧部落迁徙行为，我们专门设计了一种能满足我们需求的、简洁而高效的多峰优化算法——多峰游牧算法(Mulitmodal Nomad Algorithm，MNA)。该算法将待优化问题的搜索空间当作一片草原，游牧部落总是向着水草更加丰茂即适应度更好的地方迁徙，将部落成员，即搜索代理，划分为牧民和斥候(斥候指行动迅捷负责侦察的人，本算法中指负责全局搜索的搜索代理)，分别以不同的策略进行搜索作业，对应算法的局部开采和全局勘探。多个部落同时独立活动对应多个解，为防止闯入其他部落的领地，部落迁徙前要进行判断。综上，算法由牧民放牧，斥候探索、迁徙决策三个部分组成：

A.牧民放牧

初始化阶段确定每个部落的种群个数M，最大迭代次数Max_ite。由待优化问题确定维度N，搜索空间的范围的下界X_min，上界X_max。经试验比较，牧民在整个种群中所占比例的上限max_p＝0.9，比例下限min_p＝0.4时搜索效果较好。在搜索空间中，随机生成M个点，分别计算其适应度，适应度值最小的点保留，作为该部落所在。

根据以下公式计算牧民的数量M_H，其中t＝1，2，3...Max_ite，为当前迭代次数：

第i个部落的牧民在第t轮迭代时的搜索范围R_i(t)计算如下：

其中，α是大于1的增长因子，β是大于0小于1的凋萎因子。这两个系数应接近于1，防止搜索范围骤变而导致算法不稳定。α分别取1.05、1.1、1.15、1.2，β分别取0.8、0.85、0.9、0.95，通过网格搜索的方法确定最终系数。经验证，取α＝1.1，β＝0.9时算法效果较好。f_i(t)表示在第t轮迭代时，部落i所在的位置的适应度值。即当前一轮迭代发现了更好的位置，则牧民活动的范围可增长，未找到更好的位置，随着资源消耗，牧民应缩小活动范围。最终牧民放牧活动伪代码描述如下算法(2)：

X^k表示种群中一个成员X在第k维度上的坐标位置，k＝1，2，3...N。X_i ^k为部落所在的位置在第k维度的坐标。Rand(a，b)表示生成在a和b之间均等概率分布的一个随机数。

B.斥候探索

根据以下公式计算斥候的数量M_S：

M_S＝M-M_H 公式(14)

斥候以部落为中心，探索一定的范围，其探索位置X_Scout服从数学期望值为X_i，方差为σ²的高斯分布N(X_i，σ²)，该分布决定探索的范围，第t轮迭代第i个部落的探索幅度σ_i(t)由公式(5)计算：

斥候探索活动的最终形式用伪代码描述如算法(3)：

C.迁徙决策

多个部落同时活动在搜索空间，应避免闯入其他部落领地。当牧民或斥候发现了适应度更好的地方但过于接近其他部落，则不进行迁徙。采用欧式距离比较：

d_i，j＝||X_i-X_j||₂ 公式(16)

以d_i，j表示两个位置X_i和X_j之间的距离，当第i个部落发现了新的更好的位置X_b时，执行算法(4)：

其中γ是一个控制系数，用以定义边界的范围，在我们的协同通信模型中，该参数取决于无人机通讯距离，用以确保找出的多个最优解分散，防止多架无人机被集中调度到密集的空间里，无法发挥多架无人机的作用。多峰游牧算法的部落数量T取决于实际问题需要，即无人机数量。当算法的最大迭代次数为t，每个部落种群规模为N时，时间复杂度可简化为O(t×T×N)。结合以上3部分，MNA的最终计算流程如算法(5)：

步骤5：调度多架无人机前往目的地进行通信；

按照步骤1定义的结构和整体流程，调用步骤2、步骤3、步骤4，循环执行直至人为终止系统。考虑到无人机的能耗问题及调度的时间限制，调度T架位置已知的无人机前往T个新目标位置时，应合理分配使得总路线最短或最大飞行时间最短。无人机前往T个新目标位置时，应合理分配使得总路线最短或最大飞行时间最短。

本发明的有益效果：

(1)发明了一种全新的基于多峰优化的SDN架构下无人机群辅助车辆网络的协同通信模型；

(2)设计了一种基于对车辆分布的预测，评估任意位置对无人机辅助需求程度的评估模型；

(3)该系统独立于网络路由协议，理论上任何车辆自组织网络常用的路由协议均可使用我们的模型。在采用相同路由协议的条件下，使用本发明可有效的提升了地面车辆网络的平均包交付率、吞吐量，降低了网络通信的平均跳数。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明所述系统框架图；

图2为实施例1所述的仿真区域地图模型；

图3(a)-(c)为实施例1所述的网络平均包交付率比较；

(a)稀疏车辆情景

(b)密集车辆情景

(c)盒形图统计

图4(a)-(c)为实施例2所述的平均跳数比较；

(a)稀疏车辆情景

(b)密集车辆情景

(c)盒形图统计

图5(a)-(c)为实施例3所述的平均吞吐量比较；

(a)稀疏车辆情景

(b)密集车辆情景

(c)盒形图统计

具体实施方式

为验证本申请提出的协同通信模型的有效性，现选取四川省成都市中心一环路地区真实地图进行仿真，地图来自OpenStreetMap提供的开源地图信息，车辆数据为滴滴出行“盖亚”数据开放计划(Data source：Didi Chuxing GAIA Initiative)提供的浮动车数据。地形及路网示意见图2：

实验环境为windows10操作系统，NetworkSimulator2网络仿真平台。硬件配置为：英特尔i5-2400@3.10GHz处理器，4GB内存；为了避免偶然性，使实验具有统计意义，每个仿真实验独立运行20次取平均值，实验参数设置在表(1)中列出：

在该仿真环境下，我们的模型与三种其他方案对比：方案1为没有无人机辅助(NoDrone-assist，ND)的传统车辆自组织网络，作为对照基准；方案2为引入悬停不动的无人机辅助(Fixed Drone-assist，FD)车辆网络，固定无人机可看作是基站，用以验证引入固定基础设施而非动态的无人机的缺陷；方案3采用3D随机游走模型巡航的无人机辅助(CruisingDrone-assist，CD)车辆网络，以验证我们多峰优化的必要性；方案4为我们发明的多峰游牧算法优化的无人机辅助(MNA-optimized Drone-assist，以下简称MNAD)车辆网络通信模型。所有的仿真按车辆密度，分为稀疏车辆场景(100辆车)和密集车辆场景(200辆车)两种情况分别实验。

实施例1

包交付率(Packet Delivery Rate，PDR)是成功被交付的包的百分比，即P_R/P，其中P_R代表目的节点收到的包数，P代表源节点产生的总包数。这一指标衡量了一个网络系统在路由选择上的效率和准确率。四种方案随着无人机数量变化的对比结果见图3：

如图3所示，我们发明的MNAD方案在所有仿真情景中均达到了最高的交付率。FD和CD方案表现很相似，在稀疏车辆情景下优于没有无人机的ND。在密集车辆情景下，所有方案的交付率都有所下降。这种精度的损失是路由协议的延展性差导致的，即网络质量会随着网络节点数增加而变差，通常可以通过使用基于地理位置的路由协议来缓解。虽然车辆密集时的包交付率受损，我们发明的MNAD方案仍然优于其他对比方案。

为了观察仿真结果的统计分布情况，我们选取一种典型的场景——12架无人机辅助200辆车，绘出该场景下四种方案的盒形统计图如图3(c)：

在盒形图的所有评价指标中，我们发明的MNAD均高于其他3种对比方案。其中最高包交付率MNAD高达84％，优于其他方案的上限。而最坏情况时，ND和CD十分低效不足20％，FD相对较好达到25％但仍然不及MNAD的31％。MNAD半数的包交付率高于45％，而其他三种的中位数不足40％。盒形图的所有指标都显示，MNAD在包交付率上拥有优势。

实施例2

平均跳数代表的是所有数据包从源节点到目的节点平均要经过的转发次数，可简单视作网络路由的距离。越多的跳数意味着更远的距离和通信链路上消耗更高的代价，换言之，一条理想的通信链路的平均跳数应该尽可能少。关于平均跳数的仿真结果如图4所示：

图4中无论车辆密度和无人机数如何变化，ND、FD和CD没有明显差异，唯一差异是FD稳定性相对较差仿真结果一直在波动。与之形成对比的是，我们发明的MNAD在每种场景中的跳数都减少了。在车辆稀疏时，我们的方案比起其他方案有1跳左右的优势，且这种优势随着辅助无人机数增加而扩大。而在车辆密度稠密时，其他方案的跳数已达到6条左右，而MNAD较之拥有2跳的优势。简言之，我的模型在跳数上的优势随着车辆数或无人机数的增加而进一步扩大。

如图4(c)中所示，MNAD的盒形统计图在各项参数上均优于其他方案，其仿真结果有四分之三低于5跳，最小值甚至低于2跳。这种优势归因于我们的优化算法和对无人机群的合理调度，部署在恰当位置的无人机有效的辅助传输，避免了不必要的转发跳数。而未经过规划的无人机仅作为系统中冗余的节点，为反应式路由协议带来了额外的网络负担，发挥消极作用。

实施例3

吞吐量表示单位时间内被成功传输的总数据量，即有效的传输速率。图5对各种场景的吞吐量进行了统计。在稀疏车辆情境下，无人机的引入提升了系统的吞吐量，即使是无人机位置未经合理规划的FD和CD方案，仍然对吞吐量有增益效果。其中，我们的多峰游牧算法优化后的无人机辅助方案获得了所有方案中最高的吞吐量。虽然车辆密度增加后各种方案的吞吐量都有所下降，我们的方案仍然在所有方案中最优。

图5(a)和(b)显示，无人机数量的改变对吞吐量的影响不大，而车辆密度的改变却使得吞吐量呈现出巨大差异。当车辆密度较为稠密时，小幅度增加无人机数量对整个系统的影响很微小，只有我们的方案在稠密车辆环境通信中发挥了明显的作用。

观察图5(c)中的盒形统计图可发现，我们的方案的仿真结果有超过半数高于60KB/s，显著高于其他方案的平均水平。另外，简单的引入无人机而不经合理的部署(如方案CD和FD)不仅对吞吐量没有提升，还加大了结果的波动性，使系统变得不稳定。所以多峰优化是该模型必不可少的一步，未经优化的无人机辅助方案无法发挥作用。

由此可以得出结论：我们发明的基于SDN架构与多峰游牧算法优化的无人机群辅助车辆网络协同通信模型，通过对车辆位置的预测、对无人机需求的评估模型、以及多峰优化寻优，同时调度多架无人机前往最需要的位置，作为高空中继节点辅助地面车辆网络通信。可有效应对车辆网络中孤岛节点、非视距通信、负载均衡的场景，提升网络通信的包交付率、吞吐量，降低路由跳数，是一种灵活、高效、通用的协同通信模型。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.一种基于多峰优化的无人机群辅助车辆网络协同通信模型，其特征在于，该模型通过对地面车辆分布情况的预测、地面各个位置对无人机辅助需求程度的评估、多峰优化得到无人机最佳分布方案这三个过程组成；

具体的步骤如下：

步骤1：定义协同通信模型架构；

步骤2：预测未来时刻车辆位置；

步骤3：以评估模型计算任意位置对无人机的需求程度；

步骤4：执行多峰游牧算法求解；

步骤5：调度多架无人机前往目的地进行通信；按照步骤1定义的结构和整体流程，调用步骤2、步骤3、步骤4，循环执行直至人为终止系统；

所述步骤3考虑了城市车辆网络中的三种情景：孤岛车辆节点、非视距通信、负载均衡，三种需求组成了多目标评估函数：

f(x)＝c₁·f₁(x)+c₂·f₂(x)+c₃·f₁(x) 公式(6)

其中x是一个待评估位置，f(·)是评估函数，f₁,f₂和f₃是三个子评估函数用以评估以上三种情景，所有函数的值域都是(0,1)，越大意味着越需要无人机，c是各种情景对最终评估值的权重，权重之和为1；

所述步骤4多峰游牧算法由牧民放牧，斥候探索、迁徙决策三个部分组成；

所述迁徙决策的具体内容为：

多个部落同时活动在搜索空间，应避免闯入其他部落领地；当牧民或斥候发现了适应度更好的地方但过于接近其他部落，则不进行迁徙；采用欧式距离比较：

d_i,j＝||X_i-X_j||₂ 公式(15)

以d_i,j表示两个位置X_i和X_j直之间的距离。

2.根据权利要求1所述的一种基于多峰优化的无人机群辅助车辆网络协同通信模型，其特征在于，所述步骤1的具体内容为：该系统中，所有车辆和无人机作为SDN架构的基础设施层的网络设备，装有车载单元Onboard Unit，OBU可收集自身的运动信息、与其他装有OBU的节点进行无线通信，MAC层协议为车联网通用的802.11p协议；城市中分布的路侧单元与基站组成SDN控制层的控制器，所有车辆定期向附近的控制器汇报自己的位置信息；应用层面向用户，根据用户需求控制整个系统。

3.根据权利要求1所述的一种基于多峰优化的无人机群辅助车辆网络协同通信模型，其特征在于，所述步骤2预测未来时刻车辆位置，其计算方式如下：

其中

是一个向量表示一辆车在t_n+1时间片的预测位置，x(t_n)则是该车在t_n时间片的真实位置，Δx(t_n-1)表示第t_n-1时间片里车辆的位置变化，

是对t_n时间片内车辆位置变化的矫正因子，这两个参数由过去几个时间片的车辆轨迹决定，计算如下：

Δx(t_n-1)＝x(t_n)-x(t_n-1) 公式(2)

考虑到时间相隔较久远的轨迹影响较小，之前第i个时间片车辆变化的权重ω_i应满足即权重之和为1，但越久远的轨迹权重越低，即下式：

∑ω_i＝1 公式(4)

ω_i+1<ω_i 公式(5)。

4.根据权利要求1所述的一种基于多峰优化的无人机群辅助车辆网络协同通信模型，其特征在于，三种情景的评估模型如下：

A.孤岛车辆

在适当位置部署无人机可以作为中继节点，使得离群车辆可以与其他车辆相连接入网络，考虑到聚集的多辆车不需要中继、远离飞机的车辆有较大可能随后驶出无人机覆盖范围，评估一个位置是否有助于孤岛节点通信的计算过程如下：

n是无人机在待评估位置x可覆盖的车辆数，

是这些车辆的平均位置，X_i代表第i辆车的位置；‖·‖₂算子代表求2范式，可视为节点的欧几里得距离；R_d是无人机的通信半径，用来对结果进行归一化；根据上述公式，对于一个待评估位置，附近的车辆距该位置越近、且车辆之间越离散，则评估函数适应度值越高，即越适合无人机中继部署；

B.非视距通信

当路口车辆与相邻街道的车辆通信时，信号需绕过或穿过建筑，此时虽然两车处于各自通信范围内，但通信链路质量严重受损难以维持通信，而无人机的活动在高空，移动和通信都不受限制，可不受阻隔地建立链路辅助地面车辆非视距通信；对于该情景的评估如下：

l_x是该位置距最近的路口的距离，如果该距离超出无人机通信半径，则无人机只能覆盖自己所在的街道，而该街道上的车辆互相通信不受建筑遮挡无需辅助，不适合无人机部署；θ是该位置到路口的连线与最近的街道的夹角，ω是调整角度与距离影响权重比例的控制因子，该评估函数通过下将值域转化为0到1之间：

C.负载均衡

针对极端车辆密度导致的网络不均衡，引入无人机辅助扩展车辆稀疏区域的带宽，分流车辆密集区域链路压力，计算模型如下：

N_x和N_i分别表示目标位置和第i架无人机周围半径R_d内的车辆数，max(·)是用来求最大值的函数，N_avg是全局的平均车辆密度，计算如下式：

其中N_total和S_total分别表示实验区域的车辆总数和总面积；针对以上三种场景的评估模型共同组成了最终的多目标评估模型。

Images