CN111682895B - 一种基于缓存的无人机中继辅助车联网传输优化方法 - Google Patents

Abstract

本发明公开了一种基于缓存的无人机中继辅助车联网传输优化方法，首先，构建基于缓存的无人机中继辅助车联网通信系统，同为行驶车辆提供改进的、灵活的服务，具有缓存存储的无人机可以预先缓存一些常用文件，并从卫星请求未存储的数据；其次，构建以最大化地面车辆最小可达到速率和为目标的优化函数：分别固定无人机轨迹变量与调度变量，将优化问题分解转化为两个子问题；然后，采用一个两层的迭代算法迭代无人机轨迹与资源分配策略，直到优化问题收敛到预先设定的精度。本发明优化无人机的飞行轨迹与车辆‑无人机分配策略，达到优化整个系统中最大地面车辆可接受速率和的效果。

Description

一种基于缓存的无人机中继辅助车联网传输优化方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于缓存的无人机中继辅助车联网传输优化方法。

背景技术

随着信息技术的发展和智能生活方式的普及，汽车作为一种重要的交通工具，被赋予了越来越多的智能，以缓解交通拥挤，保护环境，节约能源。很多数据是由车辆的传感器产生的，这些传感器数据需要被传输到云端进行分析和处理。因此，如何实现稳定、高性能的车联网传输是非常重要的。近年来，车辆对网络(V2N)的研究成为实现智能车辆通信的热点。通过路边单位的帮助，车辆可以从网络上获取地图更新、交通管理、交通报告等信息。因此，车辆与路侧单元之间的传输方案设计在V2N通信中也越来越受到重视。在V2N中部署路边单元，以支持来自车辆的各种服务请求。然而，由于车辆的高速移动，仅靠路边单位的合作来满足V2N通信需求是非常具有挑战性的。

不仅如此，随着社会对通信系统要求的提高，通信系统的能量消耗对人类生存、健康及环境所带来的问题越来越受到关注。由此，业界提出了以追求高能效为目标的绿色通信概念，而功率分配问题则直接影响到了整个系统的能效指标。系统的总功率消耗，不仅包括发射机的实际发射功率，也包括维持设备运转时的电路功耗。

在这种情况下，产生了一种无人机(UAV)作为移动基站(BS)的方案，可以根据通信的需求，灵活部署或撤离，从而降低功耗。与地面BSs相比，无人机可以在没有基础设施覆盖或传统地面基站较难支持的场景，如车辆高速移动的车联网中，提供更可靠的无线传输。因此，利用无人机进行辅助通信十分有必要。而研究无人机的轨迹优化问题对于充分有效地利用无人机辅助通信至关重要。

本发明设计了一种基于缓存的无人机中继辅助车联网传输优化方法。该通信系统由一架单天线无人机和路边包含多天线的基站组成，协同为行驶车辆提供通信服务，具有缓存存储的无人机可以预先缓存一些常用文件，并从卫星请求未存储的数据。该方法以最大化地面车辆最小可达到速率和为目标，以满足无人机轨迹限制、无人机提供车辆所需数据的能力为约束条件，建立了以无人机轨迹与无人机-车辆分配策略为设计变量的数学优化模型。通过分别固定两个变量，将原始的非凸优化问题分解为两个子问题。再利用泰勒展开法和拉格朗日对偶法，并借助于SCA技术，将两个子问题转化为凸优化问题。最后通过一个两层的迭代算法，联合优化无人机轨迹与车辆分配策略。

发明内容

发明目的：本发明为使车联网通信系统获得良好的传输性能而提出一种基于缓存的无人机中继辅助车联网传输优化方法，并得到最优的地面车辆最小可接受速率和。

发明内容：本发明提出一种基于缓存的无人机中继辅助车联网传输优化方法，具体包括以下步骤：

(1)构建基于缓存的无人机中继辅助车联网通信系统，所述系统由卫星、地面车辆、单天线无人机和路边包含多天线的基站组成；

(2)构建以最大化地面车辆最小可达到速率和为目标的优化函数：

(3)分别固定无人机轨迹变量与调度变量，将步骤(2)中的优化问题分解转化为两个子问题；

(4)采用一个两层的迭代算法迭代无人机轨迹与资源分配策略，直到步骤(2)中的优化问题收敛到预先设定的精度。

进一步地，步骤(2)所述的优化函数为：

约束条件为：

L_u[0]＝L_I

L_u[N]＝L_F

x_k[n]∈{0，1}

其中，L_u[n]是无人机在时隙n时的横坐标，x_k[n]是时隙n时的调度变量，x_k[n]＝1表示无人机和基站在时隙n联合与车辆k进行通信，反之x_k[n]＝0，在每个时隙n无人机只服务一辆地面车辆，R_k[n]，R_u[n]分别是地面车辆和无人机在时隙n的传输速率，V_max为无人机的最大速度，L_I，L_F分别是无人机的起始与最终横坐标，B_v，B_u分别是无人机和卫星的传输带宽，y_k是缓存变量，y_k＝1表示无人机缓存中存在请求的文件，反之y_k＝0，E(x)是无人机的能量消耗函数，

是无人机的最大携带能量。

进一步地，所述步骤(3)包括以下步骤：

(31)通过固定无人机调度变量，并将步骤2中优化问题的非凸目标和约束通过一阶泰勒展开替换成其相应的下界，将步骤2中优化问题转化凸优化问题，原优化函数转化为：

其中，

V[n]为无人机在时隙n的速度，v₀为无人机悬浮过程中平均旋翼速度，H²为无人机高度；

(32)固定无人机轨迹变量，利用泰勒展开法将其转化为一个凸优化问题，然后利用拉格朗日对偶法推导出转化子问题的封闭解，原优化函数转化为：

其中，{Γ₂[n]}为辅助向量，有助于设计拉格朗日对偶法来得到整数解，将k[n]，{V_k[n]}作为拉格朗日乘子向量，取得对偶问题

可解得最优

和

进一步地，所述步骤(4)包括以下步骤：

(41)初始化无人机轨迹

(42)循环以下操作，直到原优化问题收敛到指定精确度：

固定无人机分配策略，通过解步骤(31)中的凸优化问题，得到

使用SCA技术更新

基于定义计算

直到收敛；

固定无人机轨迹，

通过车辆-无人机分配算法取得，

通过SCA技术更新，直到收敛；

(43)输出无人机轨迹

和分配策略

进一步地，所述步骤(42)包括以下步骤：

(421)固定L_u[n]和拉格朗日乘子k⁽⁰⁾[n]和

初始化步骤3.2优化问题中向量X[n]和Γ[n]，使迭代t＝0；

(422)循环以下操作，直到步骤(32)中的优化问题收敛到指定精度：取得

和

通过梯度法计算k^(t+1)[n]和

(423)输出车辆-无人机分配策略X^*[n]。

有益效果：与现有技术相比，本发明的有益效果：本发明提出了一种基于缓存的无人机中继辅助车联网传输优化方法，即带有缓存的单天线无人机和路边基站协同为行驶车辆提供灵活的通信服务，具有缓存存储的无人机可以预先缓存一些常用文件，并从卫星请求未存储的数据，通过一个两层的迭代算法，优化无人机的飞行轨迹与车辆-无人机分配策略，达到优化整个系统中最大地面车辆可接受速率和的效果。

附图说明

图1为本发明的系统模型图；

图2为无人机轨迹与分配策略联合优化算法流程图；

图3为车辆-无人机分配算法流程图；

图4为本联合优化算法求解子问题1和子问题2时外层循环的收敛性分析图；

图5为不同T下无人机轨迹图；

图6为无人机关联车辆与各时隙的关系图；

图7为在不同T优化目标与总可达速率的关系图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供的一种基于缓存的无人机中继辅助车联网传输优化方法，具体包括以下步骤：

步骤1：构建基于缓存的无人机中继辅助车联网通信系统。

如图1所示，通信系统由卫星、地面车辆、单天线无人机和路边包含多天线的基站组成，协同为行驶车辆提供通信服务，具有缓存存储的无人机可以预先缓存一些常用文件，并从卫星请求未存储的数据。无人机与基站协同为车辆提供数据通信，无人机中部署了缓存以存储常用及热门文件；当车辆所请求数据包含在无人机缓存中时，将直接由无人机提供数据；卫星从远程地面站(可认为是内容服务器)传输热门文件内容到无人机缓存中。

步骤2：构建以最大化地面车辆最小可达到速率和为目标的优化函数。

以最大化地面车辆最小可接受速率和为目标，以满足无人机轨迹限制、无人机提供车辆所需数据的能力为约束条件，建立以无人机轨迹与无人机-车辆分配策略为设计变量的数学优化模型，即：

约束条件为：

L_u[0]＝L_I

L_u[N]＝L_F

x_k[n]∈{0，1}

其中，L_u[n]是无人机在时隙n时的横坐标，x_k[n]是时隙n时的调度变量，x_k[n]＝1表示无人机和基站在时隙n联合与车辆k进行通信，反之x_k[n]＝0，在每个时隙n无人机只服务一辆地面车辆，R_k[n]，R_u[n]分别是地面车辆和无人机在时隙n的传输速率，V_max为无人机的最大速度，L_I，L_F分别是无人机的起始与最终横坐标，B_v，B_u分别是无人机和卫星的传输带宽，y_k是缓存变量，y_k＝1表示无人机缓存中存在请求的文件，反之y_k＝0，E(x)是无人机的能量消耗函数，

是无人机的最大携带能量。

步骤3：分别固定无人机轨迹变量与调度变量，将步骤2中的优化问题分解转化为两个子问题。

由于上述优化问题是多变量且非凸的，无法直接通过现有的方法进行处理，因此考虑分别固定无人机轨迹与分配策略变量，将原优化问题转化为两个子问题，具体步骤如下：

1)固定无人机分配策略变量，优化无人机轨迹。通过固定无人机调度变量，并将原问题中的非凸目标和约束通过一阶泰勒展开替换成其相应的下界，将原问题转化凸优化问题。

由于关于L_u[n]的函数R_k[n]是非凸的，因此构造函数：

λ_k[n]＝||L_u[n]-L_k[n]||²+H²

对R_k[n]进行一阶泰勒展开，给定

经过t次迭代，将步骤2中的目标函数与约束条件转化。同样的，构造函数：

采用以上方法对下面的非凸函数进行处理：

其中，

其中，U_tip是无人机螺旋桨尖端速度，d₀是机身阻力比，ρ是空气密度，s是转子稳定性，A是螺旋桨旋转范围，R是转子半径，v₀是无人机悬浮过程中平均旋翼速度，δ是形状阻力系数，Ω是叶片角速度，ω是感应功率的增量修正系数，W是无人机重量，最后将原优化问题转化为子问题1：

约束条件为：

L_u[0]＝L_I

L_u[N]＝L_F

其中，

2)类似的，固定无人机轨迹变量，优化车辆-无人机分配策略。固定无人机轨迹变量，利用泰勒展开法将其转化为一个凸优化问题，然后利用拉格朗日对偶法推导出转化子问题的封闭解，将原优化问题转化为子问题2：

约束条件为：

其中，

其中，

和p_u[n]分别是时隙n内基站b_k到车辆k和无人机的传输功率，

和

分别表示矩阵

和

的k和l列，

是无人机的加性高斯白噪声功率。{Γ₂[n]}为辅助向量，有助于设计拉格朗日对偶法来得到整数解，将k[n]，{V_k[n]}作为拉格朗日乘子向量，取得对偶问题：

可解得最优

和

步骤4：采用一个两层的迭代算法迭代无人机轨迹与资源分配策略，直到步骤2中的优化问题收敛到预先设定的精度。

采用如图2、图3所示的两层迭代算法联合优化无人机轨迹与分配策略，具体步骤如下：

1)初始化无人机轨迹

2)循环以下操作，直到原优化问题收敛到指定精确度：

固定资源分配策略，通过解子问题1中的凸优化问题，得到

使用SCA技术更新

基于定义计算

直到收敛。

固定无人机轨迹，

通过车辆-无人机分配算法取得，

通过SCA技术更新，直到收敛。

a)固定L_u[n]和拉格朗日乘子k⁽⁰⁾[n]和

初始化子问题2中向量X[n]和Γ[n]，使迭代t＝0；

b)循环以下操作，直到子问题2中的优化问题收敛到指定精度：取得

和

通过梯度法计算k^(t+1)[n]和

c)输出车辆-无人机分配策略X^*[n]。

3)输出无人机轨迹

和分配策略

在MATLAB仿真中，设置有K＝4辆地面车辆以固定速度[-10.7，7，-9，8.5]在点(0,0)与点(0,3000)之间行驶，两个路边基站的距离被设置为1000米。对无人机，飞行高度H＝200m，最大速度v^max＝20m/s，L_I＝(0,300)，L_F＝(3000,300).无人机的飞行时间T＝300s，每个时隙的时间Δt＝0.5s，每个时隙n的传输功率被设置为p_u[n]＝0.8W，p_b[n]＝8W，p_s[n]＝60W，高斯白噪声频谱密度

无人机重量W＝20，空气密度ρ＝1.225，无人机螺旋桨尖端速度U_tip＝120，无人机悬浮过程中平均旋翼速度v₀＝4.03，转子半径R＝0.4，螺旋桨旋转范围A＝0.503，机身阻力比d₀＝0.6，转子稳定性s＝0.05，感应功率的增量修正系数k＝0.1，形状阻力系数δ＝0.012，叶片角速度Ω＝300.无人机通过卫星链路连接到内容服务器。卫星和无人机之间的距离近似为3.6×10⁷m，卫星到飞行器的波束角θ＝0.01°，信道衰落分布描述为

其中ξ是LoS分量的平均功率，

是多径分量的平均功率，而

是对应衰落严重程度的Nakagami-m参数。

图4给出了所提出的联合优化算法求解子问题1和子问题2时外层循环的收敛性。从图4中可以看出，步骤1和步骤2的更新规则都可以在有限迭代内快速收敛。

图5为不同T下无人机轨迹，适当延长飞行时间可以获得较优的无人机轨迹。通过设置合适的飞行时间，可以进一步提高系统性能。

图6绘制了T时，无人机关联车辆与各时隙的关系图。在仿真场景设置中，无人机从起始点L_I＝(0,300)起飞。车辆2和4从点(0,0)出发，车辆1和3沿相反方向行驶。结合以上介绍，从图6可以看出，从公平性的角度来看，无人机更倾向于先服务于邻近的车辆，即车辆2或4，无人机与慢速车辆的关联时间更长。原因是无人机服务于最近的车辆，提供更好的通信性能，同时避免对其他车辆造成严重干扰，以最大化P2的目标功能。因此，车辆的运动对关联策略有重要影响。

图7为在不同T优化目标与总可达速率的关系，随着T的增加，优化目标和总可达速率率有相同的上升趋势。由此所提算法可以实现车辆之间的公平性，同时兼顾整体性能的提高。

Claims (4)

1.一种基于缓存的无人机中继辅助车联网传输优化方法，其特征在于，包括以下步骤：

(1)构建基于缓存的无人机中继辅助车联网通信系统，所述系统由卫星、地面车辆、单天线无人机和路边包含多天线的基站组成；

(2)构建以最大化地面车辆最小可达到速率和为目标的优化函数；

(3)分别固定无人机轨迹变量与调度变量，将步骤(2)中的优化问题分解转化为两个子问题；

(4)采用一个两层的迭代算法迭代无人机轨迹与资源分配策略，直到步骤(2)中的优化问题收敛到预先设定的精度；

所述步骤(3)包括以下步骤：

(31)通过固定无人机调度变量，并将步骤(2)中优化问题的非凸目标和约束通过一阶泰勒展开替换成其相应的下界，将步骤(2)中优化问题转化凸优化问题，原优化函数转化为：

其中，

V[n]为无人机在时隙n的速度，v₀为无人机悬浮过程中平均旋翼速度，H²为无人机高度；

(32)固定无人机轨迹变量，利用泰勒展开法将其转化为一个凸优化问题，然后利用拉格朗日对偶法推导出转化子问题的封闭解，原优化函数转化为：

其中，{Γ₂[n]}为辅助向量，有助于设计拉格朗日对偶法来得到整数解，将k[n]，{V_k[n]}作为拉格朗日乘子向量，取得对偶问题：

可解得最优

和

2.根据权利要求1所述的一种基于缓存的无人机中继辅助车联网传输优化方法，其特征在于，步骤(2)所述的优化函数为：

约束条件为：

L_u[0]＝L_I

L_u[N]＝L_F

x_k[n]∈{0,1}

其中，L_u[n]是无人机在时隙n时的横坐标，x_k[n]是时隙n时的调度变量，x_k[n]＝1表示无人机和基站在时隙n联合与车辆k进行通信，反之x_k[n]＝0，在每个时隙n无人机只服务一辆地面车辆，R_k[n]，R_u[n]分别是地面车辆和无人机在时隙n的传输速率，V_max为无人机的最大速度，L_I，L_F分别是无人机的起始与最终横坐标，B_v，B_u分别是无人机和卫星的传输带宽，y_k是缓存变量，y_k＝1表示无人机缓存中存在请求的文件，反之y_k＝0，E(x)是无人机的能量消耗函数，

是无人机的最大携带能量。

3.根据权利要求1所述的一种基于缓存的无人机中继辅助车联网传输优化方法，其特征在于，所述步骤(4)包括以下步骤：

(41)初始化无人机轨迹

(42)循环以下操作，直到原优化问题收敛到指定精确度:

固定无人机分配策略，通过解步骤(31)中的凸优化问题，得到

使用SCA技术更新

基于定义计算

直到收敛；

固定无人机轨迹，

通过车辆-无人机分配算法取得，

通过SCA技术更新，直到收敛；

(43)输出无人机轨迹

和分配策略

4.根据权利要求3所述的一种基于缓存的无人机中继辅助车联网传输优化方法，其特征在于，所述步骤(42)包括以下步骤：

(421)固定L_u[n]和拉格朗日乘子k⁽⁰⁾[n]和

初始化步骤(32)优化问题中向量X[n]和Γ[n]，使迭代t＝0；

(422)循环以下操作，直到步骤(32)中的优化问题收敛到指定精度：取得

和

通过梯度法计算k^(t+1)[n]和

(423)输出车辆-无人机分配策略X^*[n]。

Images