CN111565394B - 一种面向动态无人机群Mesh网络的信道绑定与接入方法及系统 - Google Patents

Abstract

本发明公开了一种面向动态无人机群Mesh网络的信道绑定接入方法及系统，首先，该方法针对无人机群Mesh网络中具有动态活跃特性的节点，将信道绑定与接入问题构建为二元对称博弈模型；其次，所有节点初始化信道绑定和接入策略，在每个时隙开始时，各节点依据活跃概率门限决定活跃状态；然后，活跃节点随机依据现有信道绑定与接入策略，计算当前策略对应的干扰值；然后，各活跃节点改变信道绑定与接入策略并重新计算效用函数值，同时根据前后两次效用函数值的变化更新接入信道绑定与接入策略的概率；最后，循环迭代，直至所有节点的信道绑定与接入策略实现收敛或者达到设定的迭代次数。本发明可通过更加高效的频谱资源复用提高网络吞吐量。

Description

一种面向动态无人机群Mesh网络的信道绑定与接入方法及 系统

技术领域

本发明属于无线通信技术领域，提出了一种面向动态无人机群Mesh网络的信道绑定系统与接入方法。

背景技术

随着无人机技术的发展，集群化作为其未来重要的应用方向，越来越受到研究者的重视。与此同时，电磁频谱作为信息传播的载体，其使用方式决定了无人机群的通信服务质量，已成为研究热点。目前，有关无人机集群的频谱资源使用方式研究还处于起步阶段，大部分现有的架构都采用固定的频谱分配方式。但是，由于无人机的动态特性，容易造成节点之间的相互干扰，尤其是当机群编队密度较大时，干扰更加严重。最近有文献(JiaxinChen,Qihui Wu,Yuhua Xu,et al.,“Distributed Demand-Aware Channel-SlotSelection for Multi-UAV Networks:A Game-Theoretic Learning Approach”,IEEEAccess,vol.6,pp.14799-14811,2018.)考虑了无人机频谱资源的动态接入方式，但假设无人机节点始终处于活跃的状态，与实际通信过程中节点通信状态受业务量影响的情况不符。

此外，目前的相关研究中，无人机群使用的信道都是正交的单信道，并没有从信道复用的角度对频谱资源的利用进行深入优化。而信道绑定与接入技术(Joshi S,PawelczakP,Cabric D,et al.When channel bonding is beneficial for opportunisticspectrum access networks.IEEE Transactions on Wireless Communications,2012,11(11):3942-3956.)能够将相邻的信道绑定在一起进行通信，通过增加信道带宽，以提高系统的整体吞吐量。目前，有关信道绑定与接入的研究主要集中于单节点信道绑定与接入问题(Huang P,Yang X,Xiao L.Dynamic channel bonding:Enabling flexible spectrumaggregation.IEEE Transactions on Mobile Computing,2016,15(12):3042-3056.)，比如绑定带宽，功率配置等，而对于多节点之间的信道绑定与接入方法，以及多节点之间相互干扰的研究还较少。

发明内容

本发明的目的在于提供一种能够适应动态无人机群Mesh网络的信道绑定与接入方法，以提升无人机群Mesh网络的频谱资源利用率。

本发明的技术方案是：

一种面向动态无人机群Mesh网络的信道绑定与接入方法，首先，对于无人机群Mesh网络中的节点，根据其业务需求，生成信道绑定策略；其次，根据节点之间的相互干扰情况，将其他节点按照通信范围划分为邻居节点和非邻居节点；最后，在进行信道接入时，节点根据其活跃度和邻居节点的信道接入情况，计算干扰大小并优化信道绑定与接入策略，降低节点间的互干扰，使得频谱资源在活跃度不同的节点之间实现共享，提升无人机群Mesh网络的吞吐量；该方法具体包括以下步骤：

步骤1，将动态无人机群Mesh网络中节点的信道绑定与接入问题建模为非合作博弈模型，计算节点最大化吞吐量获取对应的信道接入策略，博弈的参与者是网络内所有无人机群节点，将其作为节点全集；

步骤2，对于节点全集中的任一节点，将节点全集范围内对应于前述节点的其他节点按照通信范围是否在一跳范围内，分为邻居和非邻居节点；引入二元对称博弈模型将节点最大化吞吐量问题转化为最小化干扰问题，并定义效用函数；

步骤3，对于所有节点，初始化随机生成信道绑定与接入策略，计算当前信道绑定与接入策略下的效用函数值；对于所有节点，每个时隙开始基于活跃概率确定节点状态；针对所有活跃节点，重新生成信道绑定与接入策略并计算效用函数值；对于各活跃节点，分别获取前述信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；

步骤4，循环步骤3中以下步骤，对于所有节点，重新生成节点状态、信道绑定与接入策略并计算效用函数值；对于各活跃节点，分别获取当前时刻和随机生成的信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；节点不断优化信道绑定与接入策略，直至所有节点的信道选择实现收敛，达到预设定的迭代次数。

进一步地，步骤1中，博弈模型G定义为：

G＝{N,A,E,u_n}

其中，N是参与者集合，即节点全集；A为节点的动作策略集合，E为节点的网络拓扑关系，u_n为节点n的效用函数，n表示节点n。

进一步地，步骤2所述引入二元对称博弈模型将节点最大化吞吐量转化为最小化干扰的问题的具体步骤如下：

步骤2.1定义节点全集为N＝{1,2,3,...,N}，N表示节点总数，信道集合为M＝{1，2，...，M}，M表示信道总数，节点n的活跃概率为0＜θ_n＜1，n表示节点编号；每一个节点表示无人机群Mesh网络中的一个子群，包括一个头节点和其他若干小无人机作为附属节点；其中，头节点负责规划子群内部的通信频率和信息的中继转发；

令节点n的信道接入策略a_n如下：

a_n表示节点n选择连续的s_n个信道

进行数据发送，s_n表示节点n连续选择的信道总数，令节点发送的总功率为P_sum，则每个信道的发送功率为P_n＝P_sum/s_n；

定义节点n的一跳干扰邻居集合J_n为与其信道集合有交叠的节点，即J_n＝{i:|c_ix-c_ny|＝0},x≤s_i,y≤s_n；其中i代表一跳干扰邻居集合内邻居节点的编号，c_ix表示i节点的第x个信道选择，s_i表示节点i连续选择的信道总数，c_ny表示节点n的第y个信道选择；

区分不同信道的干扰邻居，按照节点n连续选择的信道总数s_n对一跳干扰邻居集合进行划分，将J_n细化为s_n个子集，各子集J_ny,y≤s_n采用下述表达；

J_ny＝{i:|c_ix-c_ny|＝0,i∈J_n,x≤s_i,y≤s_n}，代表节点n在信道c_ny上的一跳干扰邻居集合；

步骤2.2、计算两个节点n、i选择同一个信道且都为活跃时，节点n受到节点i的干扰期望I_in：

其中，θ_i与θ_n代表节点i和节点n的活跃概率，P_i表示节点i的发送功率，α为路径衰落因子，d_in节点i和n之间的距离；

获取节点n在信道c_ny上受到的总干扰为

其中：a_n表示节点n的信道接入策略；a_-n表示除节点n外其余节点的信道接入策略；

步骤2.3、计算节点n在信道c_ny上邻居节点的状态为Λ(J_ny)的概率Pr[Λ(J_ny)]；

其中：Λ(J_ny)表示一跳干扰邻居对应的活跃状态，λ_i表示节点的状态，当λ_i＝1时，节点活跃；当λ_i＝0时，节点静默；

步骤2.4、计算节点n在信道c_ny上的吞吐量

然后计算节点n的总吞吐量为r_n(a_n,a_-n)：

其中，d_n表示节点n与其目的节点间的距离，α为路径衰落因子，N₀表示噪声方差；P_n表示节点n的发送功率，

表示在网络节点活跃状态Λ(J_ny)下，节点n在信道c_ny上收到干扰的期望；

步骤2.5、建立优化目标即为通过合理选择节点的信道绑定与接入策略，使得节点吞吐量最大化，即：

将上述吞吐量最大化问题转化为干扰最小化问题；构造二元对称博弈，将效用函数定义如下：

进一步地，步骤3中信道绑定与接入策略更新步骤具体如下：

a)初始化：设置各节点的活跃概率阈值θ_n ^*，随机生成各节点的活跃概率θ_n以及信道接入策略a_n；

b)干扰估计：对于所有节点，依据活跃概率θ_n和活跃概率阈值θ_n ^*决定信道接入状态，如果θ_n<θ_n ^*，则接入信道，节点根据预设时间段内的信道感知，计算其效用函数值u_n；如果θ_n≥θ_n ^*，此次迭代不接入，返回步骤a)中，重新随机生成各节点的活跃概率θ_n以及信道接入策略a_n；

c)策略生成：对于所有节点，随机改变信道绑定与接入策略，得到新策略下对应的效用函数值u_n′；

d)更新：每个节点依据步骤b)和步骤c)获得的前后两次策略对应的干扰效用函数值，按照下式计算两次策略对应的选择概率，并依据此概率对下一步接入策略进行选择，

其中，j表示时刻，Pr[a_n(j+1)＝a_n(j)]表示节点n选择策略a_n(j)作为下一时刻策略的概率，Pr[a_n(j+1)＝a′_n(j)表示节点n选择策略a′_n(j)作为下一时刻策略的概率，X＝exp(βu_n)+exp(βu_n′)，β是学习参数。

进一步地，β的范围是0.1-0.15。

一种面向动态无人机群Mesh网络的信道绑定与接入方法所采用的系统，该系统包括：

非合作博弈模型建立模块：将动态无人机群Mesh网络中节点的信道绑定与接入问题建模为非合作博弈模型，计算节点最大化吞吐量获取对应的信道接入策略，博弈的参与者是网络内所有无人机群节点，将其作为节点全集；

效用函数定义模块：对于节点全集中的任一节点，将节点全集范围内对应于前述节点的其他节点按照通信范围是否在一跳范围内，分为邻居和非邻居节点；引入二元对称博弈模型将节点最大化吞吐量问题转化为最小化干扰问题，并定义效用函数；

信道绑定与接入策略更新模块：对于所有节点，初始化随机生成信道绑定与接入策略，计算当前策略下的效用函数值；对于所有节点，每个时隙开始基于活跃概率确定节点状态；针对所有活跃节点，重新生成信道绑定与接入策略并计算当前策略下的效用函数值；对于各活跃节点，分别获取前述信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；

循环策略更新模块：循环步骤3中以下步骤，对于所有节点，重新生成节点状态、信道绑定与接入策略并计算当前策略下的效用函数值；对于各活跃节点，分别获取当前时刻和随机生成的信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点策略进行更新；节点不断优化信道绑定与接入策略，直至所有节点的信道选择实现收敛，达到预设定的迭代次数。

本发明的有益效果：

本发明与现有技术相比，其显著优点在于：(1)在无人机群Mesh网络中，考虑无人机群由于业务需求变化造成通信状态动态活跃的场景，基于信道绑定技术，提出了信道绑定接入的频谱共享模型，有效减低了无人机群之间的相互干扰，提高了频谱资源利用率；(2)将吞吐量最大化问题转化为干扰最小化问题，通过引入二元对称博弈模型，证明了该信道接入博弈存在纳什均衡稳定解；(3)通过对节点所受干扰进行估计，无需信息交互，通过学习算法即可收敛，减少了分布式网络中算法运行对外部信息的依赖。

本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1是无人机群Mesh网络系统系统示意图。

图2是本发明面向动态无人机群Mesh网络的信道绑定与接入流程框图。

图3是不同节点数目下网络干扰的示意图。

图4是信道绑定技术对吞吐量的影响示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

本发明提供一种面向动态无人机群Mesh网络的信道绑定与接入方法，首先，对于无人机群Mesh网络中的节点，根据其业务需求，生成信道绑定策略；其次，根据节点之间的相互干扰情况，将其他节点按照通信范围划分为邻居节点和非邻居节点；最后，在进行信道接入时，节点根据其活跃度和邻居节点的信道接入情况，计算干扰大小并优化信道绑定与接入策略，降低节点间的互干扰，使得频谱资源在活跃度不同的节点之间实现共享，提升无人机群Mesh网络的吞吐量，该方法具体包括以下步骤：

步骤1，将动态无人机群Mesh网络中节点的信道绑定与接入问题建模为非合作博弈模型，计算节点最大化吞吐量获取对应的信道接入策略，博弈的参与者是网络内所有无人机群节点，将其作为节点全集；博弈模型G定义为：

G＝{N,A,E,u_n}

其中，N是参与者集合，即节点全集；A为节点的动作策略集合，E为节点的网络拓扑关系，u_n为节点n的效用函数，n表示节点n。

步骤2，对于节点全集中的任一节点，将节点全集范围内对应于前述节点的其他节点按照通信范围是否在一跳范围内，分为邻居和非邻居节点；进一步引入二元对称博弈模型将节点最大化吞吐量问题转化为最小化干扰问题，并定义效用函数；非合作博弈是想表明节点之间是没有合作的，二元对称博弈指构建的效用函数是对称的，具体建立步骤如下：

步骤2.1定义节点全集为N＝{1,2,3,...,N}，N表示节点总数，信道集合为

M表示信道总数，节点n的活跃概率为0＜θ_n＜1，n表示节点编号；每一个节点表示无人机群Mesh网络中的一个子群，包括一个头节点和其他若干小无人机作为附属节点；其中，头节点负责规划子群内部的通信频率和信息的中继转发；

令节点n的信道选择策略a_n如下：

a_n表示节点n选择连续的s_n个信道

进行数据发送，s_n表示节点n连续选择的信道总数，令节点发送的总功率为P_sum，则每个信道的发送功率为P_n＝P_sum/s；

定义节点n的一跳干扰邻居集合J_n为与其信道集合有交叠的节点，即J_n＝{i:|c_ix-c_ny|＝0},x≤s_i,y≤s_n；其中i代表一跳干扰邻居集合内邻居节点的编号，c_ix表示i节点的第x个信道选择，s_i表示节点i连续选择的信道总数，c_ny表示节点n的第y个信道选择；J_n表达式的意义是只要两个邻居节点存在任一相同的信道选择，两者就会发生干扰；

进一步区分不同信道的干扰邻居，按照节点n连续选择的信道总数s_n对一跳干扰邻居集合进行划分，将J_n细化为s_n个子集，各子集J_ny,y≤s_n采用下述表达；

J_ny＝{i:|c_ix-c_ny|＝0,i∈J_n,x≤s_i,y≤s_n}，代表节点n在信道c_ny上的一跳干扰邻居集合；

步骤2.2、计算两个节点n、i选择同一个信道且都为活跃时，节点n受到节点i的干扰期望I_in：

其中，θ_i与θ_n代表节点i和节点n的活跃概率，P_i表示节点i的发送功率，α为路径衰落因子，d_in节点i和n之间的距离；

获取节点n在信道c_ny上受到的总干扰为

其中：a_n表示节点n的信道选择；a_-n表示除节点n外其余节点的信道选择；

步骤2.3、计算节点n在信道c_ny上邻居节点的状态为Λ(J_ny)的概率Pr[Λ(J_ny)]；

其中：Λ(J_ny)表示一跳干扰邻居对应的活跃状态，λ_i表示节点的状态，当λ_i＝1时，节点活跃；当λ_i＝0时，节点静默；

步骤2.4、计算节点n在信道c_ny上的吞吐量

然后进一步计算节点n的总吞吐量为r_n(a_n,a_-n)：

其中，d_n表示节点n与其目的节点间的距离，N₀表示噪声方差；P_n表示节点n的发送功率，

表示在节点活跃状态Λ(J_ny)下，节点n在信道c_ny上收到干扰的期望；

步骤2.5、建立优化目标即为通过合理选择节点的信道绑定与接入策略，使得节点吞吐量最大化，即：

由于节点吞吐量和干扰之间呈现负相关的关系，将上述吞吐量最大化问题转化为干扰最小化问题；构造二元对称博弈，将效用函数定义如下：

对博弈的目标进行优化，建立最小化节点干扰的效用函数，如下所示，通过最小化效用函数来获得对应的信道绑定和接入策略a_n；

步骤3，对于所有节点，初始化随机生成信道绑定与接入策略，计算当前策略下的效用函数值；对于所有节点，每个时隙开始基于活跃概率确定节点状态。针对所有活跃节点，重新生成信道绑定和接入策略并计算当前策略下的效用函数值；对于各活跃节点，分别获取前述两种缓存策略作为下一时刻缓存策略进行更新的概率，基于前述概率对相应的各节点缓存策略进行更新；

进一步地，步骤3中信道绑定与接入策略更新步骤具体如下：

a)初始化：设置各节点的活跃概率阈值θ_n ^*，随机生成各节点的活跃概率θ_n以及信道绑定与接入策略a_n；

b)干扰估计：对于所有节点，依据活跃概率θ_n和活跃概率阈值θ_n ^*决定信道接入状态，如果θ_n<θ_n ^*，则接入信道，节点根据预设时间段内的信道感知，计算其效用函数值u_n；如果θ_n≥θ_n ^*，此次迭代不接入，返回步骤a)中，重新随机生成各节点的活跃概率θ_n以及信道绑定与接入策略a_n；

c)策略生成：对于所有节点，随机改变活跃概率θ_n，以及各信道的绑定与接入策略，得到新策略下对应的效用函数值u_n′；

d)更新：每个节点依据前后两次策略对应的干扰效用函数值，按照下式计算两次策略对应的选择概率，并依据此概率对下一步接入策略进行选择，

其中，j表示时刻，Pr[a_n(j+1)＝a_n(j)]表示节点n选择策略a_n(j)作为下一时刻策略的概率，Pr[a_n(j+1)＝a′_n(j)]表示节点n选择策略a′_n(j)作为下一时刻策略的概率，X＝exp(βu_n)+exp(βu_n′)，β是学习参数：0.1-0.15，其余非活跃节点保持策略不变；

步骤4，循环步骤3中的b-d步骤，对于所有节点，重新生成节点状态、信道绑定和接入策略并计算当前策略下的效用函数值；对于活跃节点，分别获取当前时刻和随机生成的缓存策略作为下一时刻缓存策略进行更新的概率，基于前述概率对相应的各节点缓存策略进行更新；节点通过学习算法不断优化信道绑定与接入策略，直至所有节点的信道选择实现收敛，达到预设定的迭代次数。

实施示例

按照本发明提供的面向动态无人机群Mesh网络的信道绑定与接入方法流程图如图2所示。以下采用仿真的方法来验证本发明博弈过程可以收敛到相关均衡解，给出的迭代递推求解方法。

仿真场景设置如下：考虑一个分布式Mesh网络场景，有N＝10个无人机群，信道数量为M＝4，单个节点的功率是0.1W。当绑定两个信道时，每个信道的功率为0.05W。信道衰落因子α＝3，噪声功率N₀＝-110dBm，节点收发机之间距离d_n＝30，节点活跃概率为0.3＜θ＜0.9。

图3为当机群节点数目从4个增加到13个时，Mesh网络干扰的变化情况。对比算法为随机接入方法，由图可以看出，所提的空间自适应算法拥有更小的干扰。另一方面，随着节点数目的增加，所提算法干扰增加速率远小于随机算法，表明具有较好的频谱资源空间服用效率高。

图4给出了信道绑定技术对算法性能的影响。对比场景为有无信道绑定的空间自适应算法和基于信道绑定的随机算法。由图可以看出，信道绑定技术能够明显提升网络吞吐量，尤其是当网络节点密度增加时，信道绑定能够通过增加带宽，减小单个信道干扰，从侧面减轻节点之间干扰。

综上，本发明提出的面向动态无人机群Mesh网络的信道绑定与接入方法，可充分考虑动态节点之间的干扰关系，将吞吐量最大化问题转化为干扰最小问题，通过势能博弈的性质约束，在仅利用节点干扰估计信息的基础上能够通过空间自适应算法实现收敛。所提信道绑定接入模型和算法有效减低了节点间的相互干扰，充分利用节点异构活跃的特点，提高了频谱资源空间和时间的利用率，增加了网络吞吐量。通过算法仿真表明了所提算法相比随机接入算法能够获得更低的网络干扰水平，同时信道绑定技术明显提升了全网吞吐量

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (6)

1.一种面向动态无人机群Mesh网络的信道绑定与接入方法，其特征在于：首先，对于无人机群Mesh网络中的节点，根据其业务需求，生成信道绑定策略；其次，根据节点之间的相互干扰情况，将其他节点按照通信范围划分为邻居节点和非邻居节点；最后，在进行信道接入时，节点根据其活跃度和邻居节点的信道接入情况，计算干扰大小并优化信道绑定与接入策略，降低节点间的互干扰，使得频谱资源在活跃度不同的节点之间实现共享，提升无人机群Mesh网络的吞吐量；该方法具体包括以下步骤：

步骤1，将动态无人机群Mesh网络中节点的信道绑定与接入问题建模为非合作博弈模型，计算节点最大化吞吐量获取对应的信道接入策略，博弈的参与者是网络内所有无人机群节点，将其作为节点全集；

步骤2，对于节点全集中的任一节点，将节点全集范围内对应于前述节点的其他节点按照通信范围是否在一跳范围内，分为邻居和非邻居节点；引入二元对称博弈模型将节点最大化吞吐量问题转化为最小化干扰问题，并定义效用函数；

步骤3，对于所有节点，初始化随机生成信道绑定与接入策略，计算当前信道绑定与接入策略下的效用函数值；对于所有节点，每个时隙开始基于活跃概率确定节点状态；针对所有活跃节点，重新生成信道绑定与接入策略并计算效用函数值；对于各活跃节点，分别获取前述信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；

步骤4，循环步骤3中以下步骤，对于所有节点，重新生成节点状态、信道绑定与接入策略并计算效用函数值；对于各活跃节点，分别获取当前时刻和随机生成的信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；节点不断优化信道绑定与接入策略，直至所有节点的信道选择实现收敛，达到预设定的迭代次数。

2.根据权利要求1所述的面向动态无人机群Mesh网络的信道绑定与接入方法，其特征在于，步骤1中，博弈模型G定义为：

G＝{N,A,E,u_n}

其中，N是参与者集合，即节点全集；A为节点的动作策略集合，E为节点的网络拓扑关系，u_n为节点n的效用函数，n表示节点n。

3.根据权利要求1所述的面向动态无人机群Mesh网络的信道绑定与接入方法，其特征在于，步骤2所述引入二元对称博弈模型将节点最大化吞吐量转化为最小化干扰的问题的具体步骤如下：

步骤2.1定义节点全集为N＝{1,2,3,...,N}，N表示节点总数，信道集合为M＝{1，2，...，M}，M表示信道总数，节点n的活跃概率为0＜θ_n＜1，n表示节点编号；每一个节点表示无人机群Mesh网络中的一个子群，包括一个头节点和其他若干小无人机作为附属节点；其中，头节点负责规划子群内部的通信频率和信息的中继转发；

令节点n的信道接入策略a_n如下：

a_n表示节点n选择连续的s_n个信道

进行数据发送，s_n表示节点n连续选择的信道总数，令节点发送的总功率为P_sum，则每个信道的发送功率为P_n＝P_sum/s_n；

定义节点n的一跳干扰邻居集合J_n为与其信道集合有交叠的节点，即J_n＝{i:|c_ix-c_ny|＝0},x≤s_i,y≤s_n；其中i代表一跳干扰邻居集合内邻居节点的编号，c_ix表示i节点的第x个信道选择，s_i表示节点i连续选择的信道总数，c_ny表示节点n的第y个信道选择；

区分不同信道的干扰邻居，按照节点n连续选择的信道总数s_n对一跳干扰邻居集合进行划分，将J_n细化为s_n个子集，各子集J_ny,y≤s_n采用下述表达；

J_ny＝{i:|c_ix-c_ny|＝0,i∈J_n,x≤s_i,y≤s_n}，代表节点n在信道c_ny上的一跳干扰邻居集合；

步骤2.2、计算两个节点n、i选择同一个信道且都为活跃时，节点n受到节点i的干扰期望I_in：

其中，θ_i与θ_n代表节点i和节点n的活跃概率，P_i表示节点i的发送功率，α为路径衰落因子，d_in节点i和n之间的距离；

获取节点n在信道c_ny上受到的总干扰为

其中：a_n表示节点n的信道接入策略；a_-n表示除节点n外其余节点的信道接入策略；

步骤2.3、计算节点n在信道c_ny上邻居节点的状态为Λ(J_ny)的概率Pr[Λ(J_ny)]；

其中：Λ(J_ny)表示一跳干扰邻居对应的活跃状态，λ_i表示节点的状态，当λ_i＝1时，节点活跃；当λ_i＝0时，节点静默；

步骤2.4、计算节点n在信道c_ny上的吞吐量

然后计算节点n的总吞吐量为r_n(a_n,a_-n)：

其中，d_n表示节点n与其目的节点间的距离，α为路径衰落因子，N₀表示噪声方差；P_n表示节点n的发送功率，

表示在网络节点活跃状态Λ(J_ny)下，节点n在信道c_ny上收到干扰的期望；

步骤2.5、建立优化目标即为通过合理选择节点的信道绑定与接入策略，使得节点吞吐量最大化，即：

将上述吞吐量最大化问题转化为干扰最小化问题；构造二元对称博弈，将效用函数定义如下：

4.根据权利要求3所述面向动态无人机群Mesh网络的信道绑定与接入方法，其特征在于，步骤3中信道绑定与接入策略更新步骤具体如下：

a)初始化：设置各节点的活跃概率阈值θ_n ^*，随机生成各节点的活跃概率θ_n以及信道接入策略a_n；

b)干扰估计：对于所有节点，依据活跃概率θ_n和活跃概率阈值θ_n ^*决定信道接入状态，如果θ_n<θ_n ^*，则接入信道，节点根据预设时间段内的信道感知，计算其效用函数值u_n；如果θ_n≥θ_n ^*，此次迭代不接入，返回步骤a)中，重新随机生成各节点的活跃概率θ_n以及信道接入策略a_n；

c)策略生成：对于所有节点，随机改变信道绑定与接入策略，得到新策略下对应的效用函数值u_n′；

d)更新：每个节点依据步骤b)和步骤c)获得的前后两次策略对应的干扰效用函数值，按照下式计算两次策略对应的选择概率，并依据此概率对下一步接入策略进行选择，

其中，j表示时刻，Pr[a_n(j+1)＝a_n(j)]表示节点n选择策略a_n(j)作为下一时刻策略的概率，Pr[a_n(j+1)＝a′_n(j)表示节点n选择策略a′_n(j)作为下一时刻策略的概率，X＝exp(βu_n)+exp(βu_n′)，β是学习参数。

5.根据权利要求4所述面向动态无人机群Mesh网络的信道绑定与接入方法，其特征在于，β的范围是0.1-0.15。

6.一种根据权利要求1-5之一所述的面向动态无人机群Mesh网络的信道绑定与接入方法所采用的系统，其特征在于：该系统包括：

非合作博弈模型建立模块：将动态无人机群Mesh网络中节点的信道绑定与接入问题建模为非合作博弈模型，计算节点最大化吞吐量获取对应的信道接入策略，博弈的参与者是网络内所有无人机群节点，将其作为节点全集；

效用函数定义模块：对于节点全集中的任一节点，将节点全集范围内对应于前述节点的其他节点按照通信范围是否在一跳范围内，分为邻居和非邻居节点；引入二元对称博弈模型将节点最大化吞吐量问题转化为最小化干扰问题，并定义效用函数；

信道绑定与接入策略更新模块：对于所有节点，初始化随机生成信道绑定与接入策略，计算当前策略下的效用函数值；对于所有节点，每个时隙开始基于活跃概率确定节点状态；针对所有活跃节点，重新生成信道绑定与接入策略并计算当前策略下的效用函数值；对于各活跃节点，分别获取前述信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点信道绑定与接入策略进行更新；

循环策略更新模块：循环步骤3中以下步骤，对于所有节点，重新生成节点状态、信道绑定与接入策略并计算当前策略下的效用函数值；对于各活跃节点，分别获取当前时刻和随机生成的信道绑定与接入策略作为下一时刻策略进行更新的概率，基于前述概率对相应的各节点策略进行更新；节点不断优化信道绑定与接入策略，直至所有节点的信道选择实现收敛，达到预设定的迭代次数。

Images