CN111711960A - 一种能量效率知觉的无人机群三维部署方法 - Google Patents
一种能量效率知觉的无人机群三维部署方法 Download PDFInfo
- Publication number
- CN111711960A CN111711960A CN202010046411.XA CN202010046411A CN111711960A CN 111711960 A CN111711960 A CN 111711960A CN 202010046411 A CN202010046411 A CN 202010046411A CN 111711960 A CN111711960 A CN 111711960A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- drone
- power
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008447 perception Effects 0.000 title claims abstract description 12
- 238000005562 fading Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/26—Cell enhancers or enhancement, e.g. for tunnels, building shadow
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Astronomy & Astrophysics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种能量效率知觉的无人机群三维部署方法,将无人机群三维部署模型分成两个问题求解,无人机通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值,再根据策略选择公式依概率调整当前状态,最终收敛到稳定解。能很好地描述基于地面任务分布的无人机协同覆盖场景,有效避免了现有技术中对无人机群的部署模型做出的假设过于简化,没有充分考虑天线增益、空‑地链路特性、无人机状态、信道衰落等实际物理因素,无法准确描述空地状态变化对无人机效用的影响的缺陷。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种能量效率知觉的无人机群三维部署方法。
背景技术
无人驾驶飞机简称无人机,英文缩写为UAV,是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机,或者由车载计算机完全地或间歇地自主地操作,而无人机通信技术是无人机开发中的重点技术之一。近年来,灵活、高效的无人机通信技术得到了迅速发展,在动态变化的通信场景中发挥着重要作用。在执行战场侦察,数据采集、救援等紧急任务时,通常采用多无人机联合覆盖的方式进行。根据任务分布差异动态地调整无人机位置部署尤为重要。然而,针对无人机覆盖部署问题,很多研究通过设立阈值来确定无人机是否成功覆盖区域点,对系统模型做出的假设过于简化,协作覆盖性能度量方法没有充分考虑实际物理模型和自组织网络中局部合作的特点。
实际上,由于无人机的飞行特性,它们会受到视距链路概率、阴影衰落、路径损耗等影响,所以每架无人机并不是百分百地成功覆盖每个目标,都有一定的覆盖成功概率。但是,通过相互之间的合作覆盖,能够提高任务目标的被覆盖概率,从而提高对整个任务区域的覆盖效果,避免无人机只顾己身所带来的效用损失。单架无人机只要改变自身水平位置和高度、或者传输功率等状态,就会改变对任务区域的覆盖成功概率,从而改变其覆盖效用。在现有的一些工作中,较少考虑多无人机协同覆盖场景,因为要描述局部变动会影响整体性能这样的合作关系很难。因此通常采用如“参考文献:D.Monderer,L S. Shapley.“Potential Games,”Games and Economic Behavior,vol.14,no. 1,pp.124-143,1996.”所提及的博弈论研究多无人机之间的相互作用。此外,大多相关文献对无人机群的部署模型做出的假设过于简化,没有充分考虑天线增益、空-地链路特性、无人机状态、信道衰落等实际物理因素,无法准确描述空地状态变化对无人机效用的影响。
发明内容
为解决上述问题,本发明提供了一种能量效率知觉的无人机群三维部署方法,能很好地描述基于地面任务分布的无人机协同覆盖场景,有效避免了现有技术中对无人机群的部署模型做出的假设过于简化,没有充分考虑天线增益、空-地链路特性、无人机状态、信道衰落等实际物理因素,无法准确描述空地状态变化对无人机效用的影响的缺陷。
为了克服现有技术中的不足,本发明提供了一种能量效率知觉的无人机群三维部署方法的解决方案,具体如下:
一种能量效率知觉的无人机群三维部署方法,包括:
将无人机群三维部署模型分成两个问题求解,无人机就据此通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值,再根据策略选择公式依概率调整当前状态,最终收敛到稳定解。
对所述无人机群三维部署模型的描述如下:所述无人机群三维部署模型涉及到无人机群的水平位置和高度的三维部署问题,该问题也就是无人机群的三维位置部署问题;所述无人机群三维部署模型还涉及到无人机群的功率控制问题。
所述两个阶段包括:当所述无人机群中的无人机完成了最大化覆盖效用的三维位置部署后,开始功率优化来让无人机调整传输功率,在满足地面任务的区域的最低通信需求下最大化该无人机群三维部署模型的覆盖能量效率。
进一步地,所述两个阶段具体分为第一阶段和第二阶段;
所述第一阶段为无人机部署阶段,在该阶段中,无人机群以最大功率进行位置部署,调整无人机的三维位置实现覆盖效用最大化,该阶段具体包括:定义所述无人机群中的所有无人机组成的集合为N,对于任意无人机n∈N,其中,n为正整数且表示无人机的编号,将无人机n的覆盖效用设计成其对全局效用的边际贡献u1n(ln,l-n),该边际贡献u1n(ln,l-n)如公式(1)所示:
其中,ln表示无人机n的三维位置(xn,yn,hn),l-n表示除无人机n∈N之外无人机群中的其他的无人机的位置,在(xn,yn,hn)中被逗号隔开的三个数字,自左向右分别表示无人机n的横坐标、无人机n的纵坐标和无人机n的高度坐标,I表示总的覆盖目标区域,i是目标任务点,ρi表示目标任务点i的重要度,ρi值越大,代表目标任务点i的重要度越高;k∈N\n代表无人机集合N中除了无人机n以外的无人机;qi(lk)代表无人机k∈N\n在位置是lk时对目标任务点i的覆盖成功的概率,qi(ln)代表无人机n∈N在位置是ln时对目标任务点i的覆盖成功的概率,该qi(ln)如公式(2)所示:
其中,表示无人机n的视距链路概率,C和 D是取决于环境的常量,是地面任务的区域与无人机n之间的仰角;相应的,无人机n的非视距链路概率PNLos,n可表示为:PNLos,n=1-PLos,n;pmin则是无人机n一次成功探测所需要的最小传输功率, LdB=10·n0log(4πfcdn,i/c)且LdB表示无人机n的空对地通信传输的路径损耗,n0表示路径损耗系数,fc表示无人机n的工作载频,dn,i表示无人机n和任务区域点i的直线距离,c代表电磁波传输速率;pn表示无人机n的传输功率,G是无人机n的天线增益,当无人机n的通信信号在天线波束宽度θ内时,天线增益由主瓣增益G≈29000/θ2决定,当无人机n的通信超过天线的波束宽度时,天线增益由旁瓣增益决定,N0代表无人机天线数量,(μLos,σLos)和 (μNLos,σNLos)分别表示视距链路LOS下阴影衰落的均值与方差以及非视距链路NLOS下阴影衰落的均值与方差;Q(.)表示标准正态分布的右尾函数;qi(lk)表示无人机k∈N\n对目标任务点i的覆盖成功概率;这样第一阶段就转化为通过优化无人机n的三维位置策略(xn,yn,hn),从而最大化无人机群对任务区域的边际覆盖效用。
进一步地,作为无人机部署阶段的所述第一阶段结束后进入第二阶段,所述第二阶段为功率分配阶段,该功率分配阶段包括保持第一阶段中无人机群的无人机部署不变,并调整无人机传输功率使能源效率最大化;该功率分配阶段具体包括:在满足任务区域最低通信需求τ的条件下,对无人机n构建了如公式(3)所示的基于能量效率的边际效用函数u2n(pn,p-n):
其中,pn表示无人机n的传输功率状态,p-n表示除无人机n∈N之外无人机群中的其他的的传输功率,qi(pn)代表无人机n∈N在功率是pn时对目标任务点i的覆盖成功概率,qi(pk)表示无人机k∈N\n对目标任务点i的覆盖成功概率,所述第二阶段通过优化无人机n的功率状态pn的选择策略从而最大化无人机群对任务区域的总覆盖能量效率。
一种能量效率知觉的无人机群三维部署方法,该方法基于对数线性学习而具体包括以下步骤:
步骤1:初始化,所述初始化包括:设置无人机状态集,所述无人机状态集包括无人机群中各个无人机n的三维位置和输出功率,初始化无人机群中各个无人机n的三维位置和输出功率均为NULL,利用高斯分布设定目标任务点i的ρi并生成作为作为总的覆盖目标区域的任务区域I,设置迭代次数的最大值K,K为正整数,K大于无人机群中的无人机的总数量;
步骤2:执行第一阶段实现在最大传输功率下的无人机群的三维空间最优部署;所述步骤2具体包括如下步骤:
步骤2-1:设定迭代次数的变量为i,i的初始值为0;
步骤2-2:从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n,将其载波传输功率pn调整到最大;
步骤2-3:从无人机n的可选位置集合S1n中随机选一个三维位置 ln作为当前位置,更新此时的无人机位置为(xn,yn,hn),无人机群中的其他无人机位置状态不变,这里的可选位置集合S1n包含有该无人机n 的可选位置;
步骤2-4:根据公式(1)计算所选无人机n在其当前位置下的效用值u1n(ln(i),l-n(i))和所选无人机n在其预期位置下的效用值这里为无人机n的预期位置,根据该两个效用值建立如公式(4)所示的策略选择概率一,所述策略选择概率一包括当前位置下的概率P(ln(i+1)=ln(i))和预期位置下的概率根据该当前位置下的概率P(ln(i+1)=ln(i))进行位置更新,并且迭代次数的变量的值加一,即i=i+1,该位置更新的方式为:若当前位置下的概率P(ln(i+1)=ln(i))不小于0.98或者当前位置下的概率P(ln(i+1)=ln(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的当前位置,若当前位置下的概率P(ln(i+1)=ln(i))小于0.98且当前位置下的概率P(ln(i+1)=ln(i))小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的预期位置,这里的随机值rand是一个随机的大于0且小于 1的纯小数值;
步骤2-5:若迭代次数的变量的值小于迭代次数的最大值K,就返回步骤2-2中执行,若迭代次数的变量的值不小于迭代次数的最大值 K,就执行步骤2-6;
步骤2-6:比较当前无人机群中的总计所有无人机的效用值后得到的无人机群的总覆盖效用U与作为预先设定的最低通信需求的通信门限τ相比,若U≥τ,保存当前无人机群状态集,并进入步骤3 来执行第二阶段且把迭代次数的变量i的值归零;否则,终止执行所述能量效率知觉的无人机群三维部署方法;
步骤3:执行第二阶段实现在最大覆盖效用下的无人机群最优功率分配。所述步骤3具体包括如下步骤:
步骤3-1:保持第一阶段实现的在最大传输功率下的无人机群的三维空间最优部署不变;
步骤3-2:从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n;
步骤3-3:从所选出的无人机n的功率集合S2n中随机选择一输出功率pn作为当前功率,无人机群中的其他无人机的输出功率不变,这里的功率集合S2n包含有无人机n可用的输出功率;
步骤3-4:所选无人机n根据公式(3)计算其在当前功率下的效用值u2n(pn(i),p-n(i))和在预期功率下的效用值这里为预先设定的无人机n的预期功率,根据两个效用值建立如公式(5)所示的策略选择概率二,所述策略选择概率二包括当前功率下的概率P(pn(i+1)=pn(i))和预期功率下的根据该当前功率下的概率P(pn(i+1)=pn(i))和预期功率下的进行功率更新,并且迭代次数的变量的值加一,即i=i+1,该功率更新的方式为:若当前功率下的概率P(pn(i+1)=pn(i))不小于0.98或者当前功率下的概率P(pn(i+1)=pn(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的当前功率,若当前功率下的概率P(pn(i+1)=pn(i))小于0.98且当前功率下的概率P(pn(i+1)=pn(i))小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的预期功率,这里的随机值rand是一个随机的大于0且小于1的纯小数值;
所述公式(4)为:
所述公式(5)为:
本发明的有益效果为:
(1)构建了一个能量效率知觉的无人机三维部署模型。在实际通信场景中,无人机高度对覆盖效用的影响不容忽视。因此,考虑到可调高度,更有利于找到更好的位置,最大化覆盖效用。
(2)建立了无人机群之间的决策关系,构造了边际效用函数,证明了所提出的三维部署模型是一个至少有一个纳什均衡点的精确势能博弈。
(3)设计了一种基于对数线性学习的无人机群三维部署算法。在动作空间中对无人机的三维位置和传输功率进行调整和优化。在实际的多无人机协同通信场景中具有很大的应用潜力。
附图说明
图1是本发明中无人机群三维部署模型图。
图2是本发明中任务区域重要度分布图。
图3是本发明实施例1中不同数量的无人机覆盖总效用对比。
图4是本发明实施例1中6架无人机的部署效果图。
图5是本发明能量效率知觉的无人机群三维部署方法的流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图1-图5所示,能量效率知觉的无人机群三维部署方法,包括:
本发明所提出的能量效率知觉的无人机群三维部署方法,旨在提供方案以解决多无人机协同覆盖能量优化问题。本发明将无人机群三维部署模型分成两个问题求解,降低策略空间复杂度,便于更快地求解。本发明并基于对数线性法,无人机就据此可以通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值,再根据策略选择公式依概率调整当前状态,最终收敛到稳定解。
对所述无人机群三维部署模型的描述如下:考虑到无人机群的多架无人机同时执行作为地面任务的空对地覆盖任务的场景,地面任务有重要度等级的划分,重要度越高,覆盖此区域的效用越高。由于无人机的飞行特性,他们的覆盖效用会受到传输功率、视距链路概率、阴影衰落、路径损耗等影响,所以每架无人机并不是百分百地成功覆盖每个目标,对地面任务的区域点都有一定的覆盖成功的概率。由于无人机高度越高,路径损耗,阴影衰落越大,覆盖成功率越低,而高度越低,覆盖范围变小,同样影响覆盖效用,因此所述无人机群三维部署模型涉及到无人机群的水平位置和高度的三维部署问题,该问题也就是无人机群的三维位置部署问题;同样,无人机群对地面任务的区域点的覆盖成功的概率不仅取决于无人机群的位置部署,而且与它们的载波传输功率也密切相关。在给定单架无人机的位置部署下,其载波传输功率能够明显地影响对地面任务的区域点的覆盖成功的概率。当载波传输功率增加到一定量时,覆盖成功的概率会逐渐趋于峰值,此时,增大传输功率不仅对提高覆盖效用效果不明显,反而带来了巨大的能量损耗,因此所述无人机群三维部署模型还涉及到无人机群的功率控制问题。无人机通过调整自身的三维位置或者传输功率等状态,对地面任务的区域的覆盖效用也会随之改变。无人机通过相互之间的合作覆盖,能够提高地面任务目标的被覆盖成功概率,从而提高对整个地面任务的区域的覆盖效果,避免无人机只顾己身所带来的效用损失。
所述两个阶段包括:当所述无人机群中的无人机完成了最大化覆盖效用的三维位置部署后,开始进行功率优化来让无人机调整传输功率,在满足地面任务的区域的最低通信需求下最大化该无人机群三维部署模型的覆盖能量效率。所述地面任务的区域也能简称为任务区域。
如图2所示为任务区域重要度分布图,表示的是无人机群网络下的一个任务区域实例,在图2中将任务区域的坐标为 (10,35),(35,10),(38,38)的坐标点设置为业务热点,越靠近业务热点,任务区域的重要度越大,覆盖效用越高,这直接决定了无人机的部署。这里三组坐标(10,35),(35,10),(38,38)中,括号内逗号左边的数字表示横坐标,括号内逗号右边的数字表示纵坐标。
本发明基于地面任务的差异性,结合多无人机协同部署问题,考虑空地链路特性、无人机之间相互作用等因素,设计出该无人机群三维部署方法,得出最佳部署决策,以最大化覆盖效用,减少能量损耗。
进一步地,所述两个阶段具体分为第一阶段和第二阶段;
考虑将无人机三维部署方法分为无人机部署和功率分配两个阶段,所述第一阶段为无人机部署阶段,在该阶段中,无人机群以最大功率进行位置部署,调整无人机的三维位置实现覆盖效用最大化,该阶段具体包括:考虑实际物理通信模型和地面任务分布差异性,定义所述无人机群中的所有无人机组成的集合为N,对于任意无人机 n∈N,其中,n为正整数且表示无人机的编号,将无人机n的覆盖效用设计成其对全局效用的边际贡献u1n(ln,l-n),该边际贡献u1n(ln,l-n)如公式(1)所示:
其中,ln表示无人机n的三维位置(xn,yn,hn),l-n表示除无人机n∈N之外无人机群中的其他的无人机的位置,在(xn,yn,hn)中被逗号隔开的三个数字,自左向右分别表示无人机n的横坐标、无人机n的纵坐标和无人机n的高度坐标,I表示总的覆盖目标区域,i是目标任务点,ρi表示目标任务点i的重要度,ρi值越大,代表目标任务点i的重要度越高;k∈N\n代表无人机集合N中除了无人机n以外的无人机;qi(lk)代表无人机k∈N\n在位置是lk时对目标任务点i的覆盖成功的概率, qi(ln)代表无人机n∈N在位置是ln时对目标任务点i的覆盖成功的概率,该qi(ln)如公式(2)所示:
其中,表示无人机n的视距链路概率,C和 D是取决于环境的常量,是地面任务的区域与无人机n之间的仰角;相应的,无人机n的非视距链路概率PNLos,n可表示为:PNLos,n=1-PLos,n;pmin则是无人机n一次成功探测所需要的最小传输功率,LdB=10·n0log(4πfcdn,i/c)且LdB表示无人机n的空对地通信传输的路径损耗,n0表示路径损耗系数,fc表示无人机n的工作载频,dn,i表示无人机n和任务区域点i的直线距离,c代表电磁波传输速率;pn表示无人机n的传输功率,G是无人机n的天线增益,当无人机n的通信信号在天线波束宽度θ内时,天线增益由主瓣增益G≈29000/θ2决定,当无人机n的通信超过天线的波束宽度时,天线增益由旁瓣增益决定,N0代表无人机天线数量,(μLos,σLos)和 (μNLos,σNLos)分别表示视距链路LOS下阴影衰落的均值与方差以及非视距链路NLOS下阴影衰落的均值与方差;Q(.)表示标准正态分布的右尾函数;qi(lk)表示无人机k∈N\n对目标任务点i的覆盖成功概率;因此,这样第一阶段就转化为通过优化无人机n的三维位置策略 (xn,yn,hn),从而最大化无人机群对任务区域的边际覆盖效用。
进一步地,作为无人机部署阶段的所述第一阶段结束后进入第二阶段,所述第二阶段为功率分配阶段,该功率分配阶段包括保持第一阶段中无人机群的无人机部署不变,并调整无人机传输功率使能源效率最大化;该功率分配阶段具体包括:在满足任务区域,即地面任务的区域最低通信需求τ的条件下,对无人机n构建了如公式(3)所示的基于能量效率的边际效用函数u2n(pn,p-n):
其中,pn表示无人机n的传输功率状态,p-n表示除无人机n∈N之外无人机群中的其他的的传输功率,qi(pn)代表无人机n∈N在功率是pn时对目标任务点i的覆盖成功概率,qi(pk)表示无人机k∈N\n对目标任务点i的覆盖成功概率,因此,所述第二阶段通过优化无人机n的功率状态pn的选择策略从而最大化无人机群对任务区域的总覆盖能量效率。
一种能量效率知觉的无人机群三维部署方法,该方法基于对数线性学习而具体包括以下步骤:
步骤1:初始化,所述初始化包括:设置无人机状态集,所述无人机状态集包括无人机群中各个无人机n的三维位置和输出功率,初始化无人机群中各个无人机n的三维位置和输出功率均为NULL,利用高斯分布设定目标任务点i的ρi并生成作为作为总的覆盖目标区域的任务区域I,设置迭代次数的最大值K,K为正整数,K大于无人机群中的无人机的总数量;
步骤2:执行第一阶段实现在最大传输功率下的无人机群的三维空间最优部署;所述步骤2具体包括如下步骤:
步骤2-1:设定迭代次数的变量为i,i的初始值为0;
步骤2-2:从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n,将其载波传输功率pn调整到最大;
步骤2-3:从无人机n的可选位置集合S1n中随机选一个三维位置 ln作为当前位置,更新此时的无人机位置为(xn,yn,hn),无人机群中的其他无人机位置状态不变,这里的可选位置集合S1n包含有该无人机n 的可选位置;
步骤2-4:根据公式(1)计算所选无人机n在其当前位置下的效用值u1n(ln(i),l-n(i))和所选无人机n在其预期位置下的效用值这里为无人机n的预期位置,根据该两个效用值建立如公式(4)所示的策略选择概率一,所述策略选择概率一包括当前位置下的概率P(ln(i+1)=ln(i))和预期位置下的概率根据该当前位置下的概率P(ln(i+1)=ln(i))进行位置更新,并且迭代次数的变量的值加一,即i=i+1,该位置更新的方式为:若当前位置下的概率P(ln(i+1)=ln(i))不小于0.98或者当前位置下的概率P(ln(i+1)=ln(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的当前位置,若当前位置下的概率P(ln(i+1)=ln(i))小于0.98且当前位置下的概率P(ln(i+1)=ln(i))小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的预期位置,这里的随机值rand是一个随机的大于0且小于 1的纯小数值;当前位置下的概率P(ln(i+1)=ln(i))不小于0.98能够保证算法的收敛性,当前位置下的概率P(ln(i+1)=ln(i))不小于随机值rand能够保证探索效果,能够探索到更优的无人机的可能位置。选择预期位置可能在接下来的探索中会得到一个更好的无人机的位置。
步骤2-5:若迭代次数的变量的值小于迭代次数的最大值K,就返回步骤2-2中执行,若迭代次数的变量的值不小于迭代次数的最大值 K,就执行步骤2-6;
步骤2-6:比较当前无人机群中的总计所有无人机的效用值后得到的无人机群的总覆盖效用U与作为预先设定的最低通信需求的通信门限τ相比,若U≥τ,保存当前无人机群状态集,并进入步骤3 来执行第二阶段且把迭代次数的变量i的值归零;否则,终止执行所述能量效率知觉的无人机群三维部署方法;
步骤3:执行第二阶段实现在最大覆盖效用下的无人机群最优功率分配。所述步骤3具体包括如下步骤:
步骤3-1:保持第一阶段实现的在最大传输功率下的无人机群的三维空间最优部署不变;
步骤3-2:从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n;
步骤3-3:从所选出的无人机n的功率集合S2n中随机选择一输出功率pn作为当前功率,无人机群中的其他无人机的输出功率不变,这里的功率集合S2n包含有无人机n可用的输出功率;
步骤3-4:所选无人机n根据公式(3)计算其在当前功率下的效用值u2n(pn(i),p-n(i))和在预期功率下的效用值这里为预先设定的无人机n的预期功率,根据两个效用值建立如公式(5)所示的策略选择概率二,所述策略选择概率二包括当前功率下的概率P(pn(i+1)=pn(i))和预期功率下的根据该当前功率下的概率P(pn(i+1)=pn(i))进行功率更新,并且迭代次数的变量的值加一,即i=i+1,该功率更新的方式为:若当前功率下的概率P(pn(i+1)=pn(i))不小于0.98或者当前功率下的概率P(pn(i+1)=pn(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的当前功率,若当前功率下的概率P(pn(i+1)=pn(i))小于0.98且当前功率下的概率 P(pn(i+1)=pn(i))小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的预期功率,这里的随机值rand是一个随机的大于0且小于1的纯小数值;当前功率下的概率 P(pn(i+1)=pn(i))不小于0.98能够保证算法的收敛性,当前功率下的概率P(pn(i+1)=pn(i))不小于随机值rand能够保证探索效果,能够探索到更优的无人机的可能位置。选择预期功能可能在接下来的探索中会得到一个更好的无人机的位置。
所述公式(4)为:
所述公式(5)为:
所述ln(i)和分别表示无人机n的当前位置和无人机n的预期位置;同理,pn(i)和分别表示无人机n的当前功率和无人机n的预期功率,α,β是预先设定的学习参数,α,β的取值范围均可以为1000-2000,通过设定其大小,可以使得算法在探索和选择中有所折中,这样既保证了收敛的效果,也提升了收敛的速度。
以下将结合具体实施例对本发明做进一步地说明。
实施例1
本发明的一个实施例具体描述如下,运行能量效率知觉的无人机群三维部署方法的无人机的系统仿真采用Matlab语言,参数设定不影响一般性。该实施例验证所提模型与方法的有效性,本实施例对上述参数作以下设置:视距链路LOS和非视距链路NLOS下阴影衰落的均值分别为μLos=1dB,μNLos=20dB,视距链路LOS和非视距链路 NLOS下阴影衰落的方差分别为 其中,k1=10.39,k2=0.05,g1=29.06,g2=0.03,是作为地面目标点的地面任务的区域与无人机n之间的仰角。视距链路下的环境常量为C=11.9,D=0.13,路径损耗系数为n0=2.5。在已知任务区域信息的前提下,将任务区域划分为50×50的网格块,单位距离为200m,将无人机的运动空间划分成50×50×20的网格体,单位距离为200m,也就是说,无人机可以在10000m×10000m×4000m的三维空间内运动使得全网能量效率最大化。同时,还设计了一个简单的概率密度分布来描述区域重要度。所有无人机携带的载波频率均设置为 fc=2GHz,天线数量N0设置为N0=16。无人机的传输功率为 pn={30,33,36,39,42,45,48,51}(dBm),n∈N。
在本实施例中,图3是不同数量的无人机覆盖总效用对比图。图 4是6架无人机的位置部署效果图。图3表示在提出的算法下不同数量的无人机总覆盖效用的变化曲线,可以了解到只要部署超过4架无人机,最终结果都能都能收敛到一个稳定的,理想的状态。但是,当部署4架时,总覆盖效用达不到通信门限0.6,故而不能执行步骤3。图4是6架无人机最大覆盖效用下的最优功率控制图。分析此图可得知,第一,无人机群的部署很好地对应了任务区域重要度的分布特性,第二,该部署很好地反映了边际效用的特性,每个无人机都专注于最大化全局效用的边际贡献。因此,会有3架高飞无人机率先覆盖大部分重要区域,其他3架无人机相应地降低高度,缩小覆盖范围以提高重要区域点的覆盖成功概率。6架无人机虽然只是只顾己身地优化自身的效用但是通过他们之间覆盖概率的相互影响,整体的覆盖效用也得以提高。总之,可以认为3架低飞无人机是对3架高飞无人机覆盖效用的补偿,从而减少能量损耗,这是符合现实情况的。
以上以用实施例说明的方式对本发明作了描述,本领域的技术人员应当理解,本公开不限于以上描述的实施例,在不偏离本发明的范围的情况下,可以做出各种变化、改变和替换。
Claims (9)
1.一种能量效率知觉的无人机群三维部署方法,其特征在于,包括:
将无人机群三维部署模型分成两个问题求解,无人机就据此通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值,再根据策略选择公式依概率调整当前状态,最终收敛到稳定解。
2.根据权利要求1所述的能量效率知觉的无人机群三维部署方法,其特征在于,对所述无人机群三维部署模型的描述如下:所述无人机群三维部署模型涉及到无人机群的水平位置和高度的三维部署问题,该问题也就是无人机群的三维位置部署问题;所述无人机群三维部署模型还涉及到无人机群的功率控制问题。
3.根据权利要求1所述的能量效率知觉的无人机群三维部署方法,其特征在于,所述两个阶段包括:当所述无人机群中的无人机完成了最大化覆盖效用的三维位置部署后,开始功率优化来让无人机调整传输功率,在满足地面任务的区域的最低通信需求下最大化该无人机群三维部署模型的覆盖能量效率。
4.根据权利要求1所述的能量效率知觉的无人机群三维部署方法,其特征在于,所述两个阶段具体分为第一阶段和第二阶段;
所述第一阶段为无人机部署阶段,在该阶段中,无人机群以最大功率进行位置部署,调整无人机的三维位置实现覆盖效用最大化,该阶段具体包括:定义所述无人机群中的所有无人机组成的集合为对于任意无人机其中,n为正整数且表示无人机的编号,将无人机n的覆盖效用设计成其对全局效用的边际贡献u1n(ln,l-n),该边际贡献u1n(ln,l-n)如公式(1)所示:
其中,ln表示无人机n的三维位置(xn,yn,hn),l-n表示除无人机之外无人机群中的其他的无人机的位置,在(xn,yn,hn)中被逗号隔开的三个数字,自左向右分别表示无人机n的横坐标、无人机n的纵坐标和无人机n的高度坐标,I表示总的覆盖目标区域,i是目标任务点,ρi表示目标任务点i的重要度,ρi值越大,代表目标任务点i的重要度越高;代表无人机集合中除了无人机n以外的无人机;qi(lk)代表无人机在位置是lk时对目标任务点i的覆盖成功的概率,qi(ln)代表无人机在位置是ln时对目标任务点i的覆盖成功的概率,该qi(ln)如公式(2)所示:
其中,表示无人机n的视距链路概率,C和D是取决于环境的常量,是地面任务的区域与无人机n之间的仰角;相应的,无人机n的非视距链路概率PNLos,n可表示为:PNLos,n=1-PLos,n;pmin则是无人机n一次成功探测所需要的最小传输功率,LdB=10·n0log(4πfcdn,i/c)且LdB表示无人机n的空对地通信传输的路径损耗,n0表示路径损耗系数,fc表示无人机n的工作载频,dn,i表示无人机n和任务区域点i的直线距离,c代表电磁波传输速率;pn表示无人机n的传输功率,G是无人机n的天线增益,当无人机n的通信信号在天线波束宽度θ内时,天线增益由主瓣增益G≈29000/θ2决定,当无人机n的通信超过天线的波束宽度时,天线增益由旁瓣增益决定,N0代表无人机天线数量,(μLos,σLos)和(μNLos,σNLos)分别表示视距链路LOS下阴影衰落的均值与方差以及非视距链路NLOS下阴影衰落的均值与方差;Q(.)表示标准正态分布的右尾函数;qi(lk)表示无人机对目标任务点i的覆盖成功概率;这样第一阶段就转化为通过优化无人机n的三维位置策略(xn,yn,hn),从而最大化无人机群对任务区域的边际覆盖效用。
5.根据权利要求4所述的能量效率知觉的无人机群三维部署方法,其特征在于,作为无人机部署阶段的所述第一阶段结束后进入第二阶段,所述第二阶段为功率分配阶段,该功率分配阶段包括保持第一阶段中无人机群的无人机部署不变,并调整无人机传输功率使能源效率最大化;该功率分配阶段具体包括:在满足任务区域最低通信需求τ的条件下,对无人机n构建了如公式(3)所示的基于能量效率的边际效用函数u2n(pn,p-n):
6.一种能量效率知觉的无人机群三维部署方法,其特征在于,该方法基于对数线性学习而具体包括以下步骤:
步骤1:初始化,所述初始化包括:设置无人机状态集,所述无人机状态集包括无人机群中各个无人机n的三维位置和输出功率,初始化无人机群中各个无人机n的三维位置和输出功率均为NULL,利用高斯分布设定目标任务点i的ρi并生成作为作为总的覆盖目标区域的任务区域I,设置迭代次数的最大值K,K为正整数,K大于无人机群中的无人机的总数量;
步骤2:执行第一阶段实现在最大传输功率下的无人机群的三维空间最优部署;
步骤3:执行第二阶段实现在最大覆盖效用下的无人机群最优功率分配。
7.根据权利要求6所述的能量效率知觉的无人机群三维部署方法,其特征在于,所述步骤2具体包括如下步骤:
步骤2-1:设定迭代次数的变量为i,i的初始值为0;
步骤2-3:从无人机n的可选位置集合S1n中随机选一个三维位置ln作为当前位置,更新此时的无人机位置为(xn,yn,hn),无人机群中的其他无人机位置状态不变,这里的可选位置集合S1n包含有该无人机n的可选位置;
步骤2-4:根据公式(1)计算所选无人机n在其当前位置下的效用值u1n(ln(i),l-n(i))和所选无人机n在其预期位置下的效用值这里为无人机n的预期位置,根据该两个效用值建立如公式(4)所示的策略选择概率一,所述策略选择概率一包括当前位置下的概率P(ln(i+1)=ln(i))和预期位置下的概率根据该当前位置下的概率P(ln(i+1)=ln(i))进行位置更新,并且迭代次数的变量的值加一,即i=i+1,该位置更新的方式为:若当前位置下的概率P(ln(i+1)=ln(i))不小于0.98或者当前位置下的概率P(ln(i+1)=ln(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的当前位置,若当前位置下的概率P(ln(i+1)=ln(i))小于0.98且当前位置下的概率P(ln(i+1)=ln(i))小于随机值rand,就把所述无人机状态集中的该无人机n的三维位置设置为无人机n的预期位置,这里的随机值rand是一个随机的大于0且小于1的纯小数值;
步骤2-5:若迭代次数的变量的值小于迭代次数的最大值K,就返回步骤2-2中执行,若迭代次数的变量的值不小于迭代次数的最大值K,就执行步骤2-6;
步骤2-6:比较当前无人机群中的总计所有无人机的效用值后得到的无人机群的总覆盖效用U与作为预先设定的最低通信需求的通信门限τ相比,若U≥τ,保存当前无人机群状态集,并进入步骤3来执行第二阶段且把迭代次数的变量i的值归零;否则,终止执行所述能量效率知觉的无人机群三维部署方法。
8.根据权利要求7所述的能量效率知觉的无人机群三维部署方法,其特征在于,所述步骤3具体包括如下步骤:
步骤3-1:保持第一阶段实现的在最大传输功率下的无人机群的三维空间最优部署不变;
步骤3-3:从所选出的无人机n的功率集合S2n中随机选择一输出功率pn作为当前功率,无人机群中的其他无人机的输出功率不变,这里的功率集合S2n包含有无人机n可用的输出功率;
步骤3-4:所选无人机n根据公式(3)计算其在当前功率下的效用值u2n(pn(i),p-n(i))和在预期功率下的效用值这里为预先设定的无人机n的预期功率,根据两个效用值建立如公式(5)所示的策略选择概率二,所述策略选择概率二包括当前功率下的概率P(pn(i+1)=pn(i))和预期功率下的根据该当前功率下的概率P(pn(i+1)=pn(i))和预期功率下的进行功率更新,并且迭代次数的变量的值加一,即i=i+1,该功率更新的方式为:若当前功率下的概率P(pn(i+1)=pn(i))不小于0.98或者当前功率下的概率P(pn(i+1)=pn(i))不小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的当前功率,若当前功率下的概率P(pn(i+1)=pn(i))小于0.98且当前功率下的概率P(pn(i+1)=pn(i))小于随机值rand,就把所述无人机状态集中的该无人机n的输出功率设置为无人机n的预期功率,这里的随机值rand是一个随机的大于0且小于1的纯小数值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046411.XA CN111711960A (zh) | 2020-01-16 | 2020-01-16 | 一种能量效率知觉的无人机群三维部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046411.XA CN111711960A (zh) | 2020-01-16 | 2020-01-16 | 一种能量效率知觉的无人机群三维部署方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111711960A true CN111711960A (zh) | 2020-09-25 |
Family
ID=72536370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046411.XA Pending CN111711960A (zh) | 2020-01-16 | 2020-01-16 | 一种能量效率知觉的无人机群三维部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111711960A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672361A (zh) * | 2020-12-17 | 2021-04-16 | 东南大学 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
CN112752271A (zh) * | 2020-12-28 | 2021-05-04 | 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 |
CN113329412A (zh) * | 2021-05-28 | 2021-08-31 | 怀化学院 | 一种高吞吐量的uav位置选择系统及计算机存储介质 |
CN113825142A (zh) * | 2021-09-27 | 2021-12-21 | 南京航空航天大学 | 一种无人集群系统协同任务区域覆盖智能优化方法 |
CN114401037A (zh) * | 2022-03-24 | 2022-04-26 | 武汉大学 | 基于联盟形成博弈的无人机通信网络流量卸载方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616302A (zh) * | 2018-04-28 | 2018-10-02 | 中国人民解放军陆军工程大学 | 一种功率控制下的无人机多重覆盖模型及部署方法 |
CN109275094A (zh) * | 2018-11-02 | 2019-01-25 | 北京邮电大学 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
-
2020
- 2020-01-16 CN CN202010046411.XA patent/CN111711960A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616302A (zh) * | 2018-04-28 | 2018-10-02 | 中国人民解放军陆军工程大学 | 一种功率控制下的无人机多重覆盖模型及部署方法 |
CN109275094A (zh) * | 2018-11-02 | 2019-01-25 | 北京邮电大学 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
Non-Patent Citations (2)
Title |
---|
LANG RUAN,ET AL: "Energy-Efficient Multi-UAV Coverage Deployment in UAV Networks: A Game-Theoretic Framework", 《CHINA COMMUNICATION》 * |
XINGYUE YU,ET AL: "3D Deployment of Multi-UAV for Energy-Saving: A Game-Based Learning Approach", 《2019 IEEE 5TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS(ICCC)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672361A (zh) * | 2020-12-17 | 2021-04-16 | 东南大学 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
CN112672361B (zh) * | 2020-12-17 | 2022-12-02 | 东南大学 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
CN112752271A (zh) * | 2020-12-28 | 2021-05-04 | 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 |
CN113329412A (zh) * | 2021-05-28 | 2021-08-31 | 怀化学院 | 一种高吞吐量的uav位置选择系统及计算机存储介质 |
CN113329412B (zh) * | 2021-05-28 | 2022-06-07 | 怀化学院 | 一种高吞吐量的uav位置选择系统及计算机存储介质 |
CN113825142A (zh) * | 2021-09-27 | 2021-12-21 | 南京航空航天大学 | 一种无人集群系统协同任务区域覆盖智能优化方法 |
CN114401037A (zh) * | 2022-03-24 | 2022-04-26 | 武汉大学 | 基于联盟形成博弈的无人机通信网络流量卸载方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111711960A (zh) | 一种能量效率知觉的无人机群三维部署方法 | |
Cao et al. | Mobile edge computing for cellular-connected UAV: Computation offloading and trajectory optimization | |
CN108419286B (zh) | 一种面对5g无人机通信联合波束与功率的分配方法 | |
CN113645635B (zh) | 智能反射面辅助的高能效无人机通信系统的设计方法 | |
CN112543050B (zh) | 一种面向吞吐量提升的无人机协作和轨迹优化方法 | |
CN112532300B (zh) | 单无人机反向散射通信网络轨迹优化与资源分配方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN111800185A (zh) | 一种无人机辅助通信中的分布式空地联合部署方法 | |
CN112153593B (zh) | 一种无人机辅助的高能效物联网数据收集方法 | |
CN112672361B (zh) | 一种基于无人机集群部署的大规模mimo容量提升方法 | |
CN109413664B (zh) | 一种基于干扰的超密集系留无人机基站高度调节方法 | |
CN113259946A (zh) | 基于集中式阵列天线的地空全覆盖功率控制与协议设计方法 | |
Li et al. | A UAV real-time trajectory optimized strategy for moving users | |
CN111200824B (zh) | 无人机基站的最优部署方法、装置、无人机基站及介质 | |
CN114070379A (zh) | 基于安全能效公平性的无人机航迹优化与资源分配方法 | |
CN116132944A (zh) | 无人机通信网络中拓扑与功率联合控制方法 | |
Tang et al. | Completed tasks number maximization in UAV-assisted mobile relay communication system | |
Yu et al. | 3D deployment of Multi-UAV for energy-saving: A game-based learning approach | |
Zhang et al. | Trajectory optimization and resource allocation for time minimization in the UAV-enabled MEC system | |
Wu et al. | Resource allocation optimization of UAVs-enabled air-ground collaborative emergency network in disaster area | |
Sun et al. | Three-dimensional trajectory design for energy-efficient UAV-assisted data collection | |
CN111683379A (zh) | 多无人机合作的空基无线信号覆盖部署方法及装置 | |
CN114339667B (zh) | 基于混合无人机空中移动基站的中继方法和装置 | |
CN111405582A (zh) | 一种无人机通信质量的优化方法及系统 | |
Song et al. | Personalized Federated Deep Reinforcement Learning-based Trajectory Optimization for Multi-UAV Assisted Edge Computing |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |