CN111953397A - 一种面向自由信道的全双工无人机中继通信方法 - Google Patents

Abstract

本发明提出一种面向自由信道的全双工无人机中继通信方法，本发明建立了全双工中继系统模型，在任意给定无线电热力图的情况下，针对无模型信道场景优化无人机(UAV：unmanned aerial vehicle)轨迹，利用罚函数法将约束优化问题转化为无约束优化问题，并提出了一种遗传算法，该算法适用于任何信道增益，即对不同大尺度、小尺度衰落的叠加信道同样适用。结果表明，本发明提出的FDR方案优于半双工方案和其他无人机中继对比方案，此外，算法收敛特性良好。

Description

一种面向自由信道的全双工无人机中继通信方法

技术领域

本发明涉及无人机中继通信技术领域，具体涉及一种面向自由信道的全双工无人机中继通信方法。

背景技术

随着无人机产业的不断进步与发展，其应用领域不再局限于军用，而逐渐在向民用发展。如今无人机运用已经覆盖到农业植保、航拍摄影、消防救护等多样领域当中。但如在发生地震、森林火灾等自然灾害时，传统通信功能明显存在不足，难以及时地传递大量有用讯息。相较于传统的基站通信方式，无人机中继通信自身的流动性使得它具有很强的部署灵活性，完全可控的飞行轨迹增加了其网络灵活性。采用无人机中继系统进行通信，就能够弥补传统通信覆盖范围窄与穿透性差的问题。以无人机作为中继可以使节点间通信更加灵活，在两个距离较远的节点之间的通信辅助中也有着广泛的应用。无人机中继通讯虽然带来了机遇，也同样带来了挑战。无人机因为其自身的重量、实际尺寸、电池容量等问题，具有着有限的运行时间。一般电池容量是2300～5400毫安，续航时间5～30分钟。在现代的实际应用过程中，需要无人机作为中继工作的时间往往大于其续航时间，因此在无人机中继通讯网络中，提高能源效率以及传输效率成为了迫在眉睫的问题。而在无人机的总能耗中，无人机的飞行能耗占据了极大地比重，而飞行能耗与其飞行行为又密切相关。通过对无人机的飞行行为进行设计可以很好地减少飞行能耗，并主动调整无人机通信信道，以获得较高的信道增益，这是由其可移动性决定的。

另一方面，在更高的信道增益和更低的自干扰情况下，全双工网络的吞吐量已经被证明是优于半双工网络的。全双工是无人机辅助网络的较好选择。目前关于全双工无人机中继通信的研究很少。而已有相关研究也假定信道服从自由空间衰落，在现实通信环境中如城市、复杂山区、军事对抗、众多通信干扰设备共存等条件下，该项假设未必成立。自由信道模型下，如何设计无人机飞行轨迹以较少的能耗完成较多的信息传输，即实现高能效无人机中继传输方案，迫在眉睫。

发明内容

发明目的：为了弥补现有技术的不足，本发明提出一种面向自由信道的全双工无人机中继通信方法，旨在针对上述背景下无人机完成较长时间工作的特殊需求，通过控制无人机飞行轨迹以提高其通信效率并延长工作时间。

技术方案：为实现上述技术效果，本发明提出的技术方案为：

一种面向自由信道的全双工无人机中继通信方法，包括步骤：

(1)将无人机节点的中继过程分为两个阶段，第一阶段为接收阶段，第二阶段为转发阶段，然后用以下公式描述给定频谱和时间范围内空中区域的无线电热力图：

其中，q表示无人机在所述空中区域的位置，f表示通信频率，t表示时间点， g_i(q，f，t)表示第i阶段的信道功率增益，i＝1，2，

表示第i阶段除自由空间内路径损耗外的各种衰落，K为常数系数，

表示第i阶段自由空间的路径损耗， -a_i(q，f，t)是指数，d_i(q，t)是第i阶段的通信距离；

(2)记无人机节点协助信号传输的整个周期为周期T，将周期T等分为M个时间间隔；对于给定的(q，f，t)，将无线电热力图描述公式化简为：

m表示第m个时间间隔；

分别建立无人机节点第一阶段和第二阶段的信道传输模型：

第一阶段信干噪比为：

第一阶段信道容量为：C_1，m＝Blog₂(1+SINR_1，m)

第二阶段信干噪比为：

第二阶段信道容量为：

其中，SINR_1，m、C_1，m分别表示第一阶段第m个时间间隔的信干噪比、信道容量，SINR_2，m、C_2，m分别表示第二阶段第m个时间间隔的信干噪比、信道容量，P₁表示源节点的数据传输功率，P_r表示无人机节点的数据传输功率，k₀表示无人机自干扰的消除因子， h_rr表示小信道衰落，

分别表示第一、第二阶段无人机处高斯白噪声的功率，B表示信道带宽，τ为无人机节点从接收到信号到发送信号之间的时延；

(3)搭建无人机整体能效模型：

R_m＝min{C′_1，m，C_2，m}

其中，R_m表示第m个时间间隔内的数据传输速率，P_tot，m表示第m个时间间隔内的功耗，P₀表示无人机叶片轮廓功率，P_s表示感应功率，DD_m表示无人机在第m个时间间隔飞行的距离，

v_x，m和v_y，m分别为第m个时间间隔内，无人机的水平速度分量和垂直速度分量，U_tip表示悬停状态下转子的叶片速度，v₀表示平均转子有道速度，η为机身的阻力比；ρ为空气阻力系数，s为转子半径，A为转盘面积， C′_1，mΔ_m表示第m个时间间隔之前的累积比特数与第m个时间间隔中新接收的比特数之和，Δ_m为第m个时间间隔的持续时间；

(4)以能效最大化构建问题模型I：

V_x＝{v_x，1，v_x，2，…，v_x，M}

V_y＝{v_y，1，v_y，2，…，v_y，M}

约束1：

约束2：x_s≤x≤x_z，y_s≤y≤y_z

其中，V_max表示无人机最大飞行速度，(x_s，y_s，H)表示无人机的起始位置坐标，(x_z，y_z，H)表示无人机的终点位置坐标，(x，y，H)表示无人机的瞬时位置坐标；

(5)求解问题模型I，得到的解V_x和V_y即为无人机的最优飞行轨迹。

进一步的，对问题模型I的求解方法包括步骤：

(2-1)定义罚函数f₁和f₂用以分别描述约束1和约束2的违反情况：

其中，

为一条轨迹上M个间隔当中的最大飞行速度，即：

c₁为一个非常小的正数，用于使f₁表达式的分母为正，

表示多轨迹策略中所有区间的最大飞行速度，(x_M，y_M)表示第M个时间间隔结束时无人机的最终位置坐标，

为多轨迹策略中(x_M，y_M)相对于(x_Z，y_Z)的最大偏移量，c₂为一个正值，用于使f₂的分母为正，

(2-2)将任意一条运动轨迹的加权能效记为

其中，η_max、η_min分别为能效的最大值和最小值，c₃、c₄、c₅为惩罚因子；

(2-3)将问题模型I转化为无约束优化问题模型II：

(2-4)求解问题模型II，得到最优轨迹解为

且

进一步的，所述步骤(2-4)中采用遗传算法求解所述无约束优化问题模型II，具体步骤包括：

1)以无人机在M个时间间隔中的飞行速度向量为染色体，记任意一条染色体表示为：

2)定义规模为N_p的种群：

其中，T表示转置算子；

3)定义适应度函数为

重组概率Pr_c，变异概率Pr_v，遗传代数为N_g，初始化N_g＝1；

4)在第N_g代种群中计算每个染色体的适应度函数，选取适应度最高的个体记为

5)在第Ng代中选择N_p-1个具有较高适应性的染色体形成集合Q₁(N_g)；

6)判断是否满足：

若不满足，则执行步骤7)，否则转入步骤10)；

7)重组：重组Q₁(N_g)的个体，获得新的个体集合Q₂(N_g+1)，Q₂(N_g+1)中的个体数量与Q₁(N_g)中个体的数量相等；

8)变异：Q₂(N_g+1)中的每个个体以概率Pr_v发生变异，得到的新个体集合为 Q₃(N_g+1)；

9)将

归入集合Q₃(N_g+1)中，得到新一代种群Q(N_g+1)；更新N_g＝N_g+1，返回步骤4)；

10)结束整个遗传算法，输出

有益效果：与现有技术相比，本发明具有以下优势：

1、本发明提出的技术方案可以在无人机飞行控制方式层面提高通信效率，使其满足较长时间工作的需要，更好地应用于民/军用领域。

2、本发明提出的技术方案可适用于自由信道模型，突破信道模型的限制。

3、相较于传统的HDR方案，在实际应用场景中，本发明提出的方案能够带来更高的能效增益。

附图说明

图1为本发明实施例涉及的系统模型示意图；

图2为本发明实施例涉及的无人机累计接收、发送和缓存的比特数的变化曲线示意图；

图3为本发明实施例涉及的无人机在X-Y平面上的飞行轨迹和各时间间隔内的飞行速度示意图；

图4为本发明实施例涉及的FDR与HDR方案的能效比较示意图；

图5为本发明实施例涉及的FDR-UAV系统中GA的收敛曲线示意图；

图6为本发明实施例涉及的参数取值参考样例。

具体实施方式

下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。

应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本发明范围内的另外的实施例。此外，本发明所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。

本发明提出一种高能效的全双工中继无人机(FDR-UAV：Full-duplex unmannedaerial vehicle)通信方案，该方案在任意给定无线电热力图的情况下，针对无模型信道场景优化无人机(UAV：unmanned aerial vehicle)轨迹以最大化能效，本技术方案包括以下三个步骤：

步骤1：建立全双工UAV中继信息传输模型。

步骤2：FDR-UAV能效优化数学模型，通过速度矢量优化，决策UAV最佳飞行轨迹。

步骤3：基于遗传算法解决无模型信道场景下的UAV飞行轨迹优化问题。

下面通过具体实施例来详细说明每一个步骤。

1、建立全双工UAV中继信息传输模型

图1示出了一种全双工中继系统的示例性模型，其中存在着两个地面收发器，S₁需要将其信号传输到目的地S₂。由于严重的路径损耗或S₁与S₂间存在物理障碍，需要使用一架旋翼无人机作为一个移动中继来协助传输信息。为了充分利用无人机的中继能力，提高数据传输的能效，这里设计了一种全双工中继系统。无人机装备了一根接收天线和一根发射天线。旋翼无人机在指定的空中区域内飞行，并在预先设定的周期T内协助信号传输。此外无人机还具有GPS系统，可以自动沿预定轨迹飞行。

本实施例中只关注无人机在周期T的运行时间段。将无人机的整个运行周期平均分为M个时间段，每一段持续时间记为T/M；然而每个时间段的飞行距离DD_m(m＝1， 2，……，M)不一定相同，这取决于每一段内的飞行速度。

在实际应用中，信道功率增益可以是任意小衰减和大衰减的叠加，它是由位置x、频率f和时间t组成的三元函数。第i个传输阶段的信道增益如下函数(i＝1表示第一阶段，也就是传输阶段；i＝2表示第二阶段，也就是转发阶段)：

其中，q表示无人机在所述空中区域的位置，f表示通信频率，t表示时间点， g_i(q，f，t)表示第i阶段的信道功率增益，i＝1，2，

表示第i阶段除自由空间内路径损耗外的各种衰落，K为是对数距离路径损耗模型中使用的常数，

其中 PL(d₀)是参考距离d₀处的线性路径损耗，为了不失一般性，本实施例中将K归一化；

表示第i阶段自由空间的路径损耗，-a_i(q，f，t)是指数，d_i(q，t)是第i阶段的通信距离。需要注意的是，g_i(q，f，t)描述了给定频谱和时间范围内一个空中区域的无线电热力图。

为了便于表达，下面我们给定(q，f，t)组合，用简化的例子来说明数据传输模型，即将公式

化简为

m表示第m个时间间隔。

一次完整的传输包括下列两个阶段：第一阶段为S₁-UAV数据传输阶段，第二阶段为UAV-S₂信号转发阶段。

A.S₁-UAV数据传输

无人机接收到的信号可以表示为

其中第一项为第m个时间间隔开始时的S₁信号，第二项为自我干扰，P₁和P_r分别为S₁和无人机中继的数据传输功率，k₀和h_rr分别为无人机自干扰的消除因子和小信道衰落；n₁是无人机处平均功率为

的高斯白噪声。

由于无人机存在处理延迟，接收到的信号不能立即转发。这里我们假设处理延迟为τ个时间间隔，利用解码转发(DF：decode and forward)中继协议。具体来说，如果无人机能够成功解码接收到的信号，则在第m个时间间隔内从无人机转发到S₂的信号为 S_t，m-τ，即为S_r，m＝S_t，m-τ。

S1-UAV在第m个时间间隔内的信干噪比用该时间间隔内无人机初始位置的信干噪比近似为：

然后信道容量计算为：

C_1，m＝Blog₂(1+SINR_1，m)

其中，SINR_1，m、C_1，m分别表示第一阶段第m个时间间隔的信干噪比、信道容量，B表示信道带宽，

表示第一阶段无人机处高斯白噪声的功率。

B.UAV-S₂信号转发

在S₂处接收到的信号为

其中n₂为S₂处的高斯白噪声。

可以得到第m个时间间隔时SINR在S₂处为：

相应的，UAV-S₂链路的信道容量计算如下：

在步骤2中，我们通过优化无人机在飞行约束下的轨迹来最大化整体能效，目标函数用η_EE表示为：

其中，R_m表示第m个时间间隔内的数据传输速率，P_tot，m表示第m个时间间隔内的功耗。

下面分别设计目标函数和约束条件。

A.传输速率推导

令C′_1，mΔ_m表示第m个时间间隔之前的累积比特数与第m个时间间隔中新接收的比特数之和。C′_1，mΔ_m的递推表达式为：

C′_1，1Δ₁＝C_1，1Δ₁，

C′_1，2Δ₂＝C_1，2Δ₂+C_1，1Δ₁，

C′₁₃Δ₃＝C_1，3Δ₃+max{(C₁₂Δ₂+C₁₁Δ₁-C_2，2Δ₂)，0}

＝C₁₃Δ₃+max{(C_1，2-C_2，2)Δ₂+C_1，1Δ₁，0}……

式中，Δ_m＝T/M为第m个时间间隔的持续时间。

信息因果关系要求第m个时间间隔内传输的比特数不能大于C′_1，mΔ_m，即R_m≤C′_1，m。此外，香农容量定理要求R_m≤C_2，m。为了优化能效，R_m取最大值，即：

R_m＝min{C′_1，m，C_2，m}

上式成立的原因是可以在不降低目标值或违反信息因果约束的情况下，将比特数增加到最大允许值。因此，R_m取它的上界，即min{C′_1，m，C_2，m}。

B.总体功耗推导

总体功耗包括无人机运行功耗和通信功耗，我们只关注前者，因为它比通信功耗高得多。第m个时间间隔的飞行距离为

D_x，m＝x_m-x_m-1，D_y，m＝y_m-y_m-1。

第m个时间间隔内的飞行平均速度为

其中v_x，m和v_y，m分别为第m个时间间隔内X轴(水平方向)和Y轴(垂直方向) 上的速度。另外，我们定义V_x＝{v_x，1，v_x，2，…，v_x，M}和V_y＝{v_y，1，v_y，2，…，v_y，M}。

设P₀和P_s分别表示叶片轮廓功率和感应功率，可表示为：

其中，ε为轮廓阻力系数，ρ为空气阻力系数，s为转子半径，A为转盘面积，Ω为叶片角速度，单位为弧度；R₀为转子半径(以米计)；k_h为感应功率的增量修正因子； W为飞机的重量(单位：牛顿)。

总功耗为：

其中，U_tip表示悬停状态下转子的叶片速度，v₀表示平均转子有道速度，η为机身的阻力比。

C.约束表示

1)数据传输速率约束：必须满足约束R_m＝min{C′_1，m，C_2，m}。

2)无人机移动行为约束：在实际应用中，一般预先确定无人机的起止点。这由无人机的起飞/着陆位置以及它的任务飞行路径等决定。不考虑高度因素，即假定无人机飞行过程中高度不变，我们记无人机的初始位置为(x_s，y_s，H)，最终位置为(x_z，y_z，H)；此外，无人机的飞行速度以其最大值V_max为上界，要求

D.优化问题

注意，一旦V_x和V_y给定，就确定了轨迹。也就是说，优化轨迹相当于确定最优速度矢量组成的向量。

优化问题的目的是寻找最优的速度矢量，使能效最大，因此以能效最大化构建问题模型I：

V_x＝{v_x，1，v_x，2，…，v_x，M}

V_y＝{v_y，1，v_y，2，…，v_y，M}

约束1：

约束2：x_s≤x≤x_z，y_s≤y≤y_z

针对问题模型I，我们采用罚函数法将其转化为无约束优化问题，同时基于遗传算法来求解该无约束优化问题。

A.目标函数与约束转换

下面采用罚函数法将约束优化问题转化为无约束转化问题。接下来，本发明定义了两个罚函数描述约束1和约束2的违反情况。

首先用f₁表示对一个轨迹策略的惩罚，如果|v_m|＞V_max，f₁由归一化的v_m-V_max表示。它表明飞行速度违反约束1的严重程度。明确来说，f₁被设计为：

其中

为一条轨迹上M个间隔内的最大飞行速度，即：

表示多轨迹策略中所有区间的最大飞行速度，c₁为正值，用于使f₁表达式的分母为正，注意

这样c₁对f₁的影响非常小，从以上分析可以得出f₁∈[0，1)。

另一方面，对于每一个轨迹策略来说，如果它的最终位置不是预先设定的目的地那么这个策略就会受到惩罚。距离偏移是标准化的。具体来说，设f₂∈[0，1]表示一个轨迹策略违法约束2的严重程度。f₂＝1表示最大偏移程度。具体来说，f₂可以表示为：

其中，

为多轨迹策略中(x_M，y_M)相对于(z_Z，y_Z)的最大偏移量，(x_M，y_M)表示第M个时间间隔结束时无人机的最终位置坐标。c₂为正值使f₂的分母为正，注意

c₂对 f₂的影响非常有限。

设c₃、c₄和c₅分别代表f₁和f₂的惩罚因子。一条轨迹的加权能效记为

可写为：

其中，η_max、η_min分别为能效的最大值和最小值。

综上所述，轨迹优化问题模型I最终可以转化为无约束优化问题模型II，如下所示：

最优轨迹解为

注意最优解必须满足

根本原因是在最优解处，约束一定被满足，从而使惩罚项为零，进而使

取其最大。

B.遗传算法设计

在这节中，我们使用了一个遗传算法来求解问题模型II。其基本思想是建立一个候选轨迹策略种群，使轨迹策略向更好的解进化，逐步逼近最优解。我们首先对P2中的染色体，种群和适应度函数进行详细解释。

染色体：X和Y轴飞行速度的向量，即

一条染色体的长度为2M。

种群：染色体的集合。将规模为N_p的种群用

表示，其中T表示转置算子。

适应度函数：目标函数的值即

进化过程包括编码、选择、重组和变异等步骤。通过融合亲本和子代的染色体，新种群得到更新。重复上述步骤直到代数达到预先设定的数，然后选择适应度值最大的染色体作为首选的飞行速度矢量。

(1)编码：我们使用二进制编码将飞行速度转化为二进制符号序列，即一串0和1。

(2)选择：使用种群精英选择算法。也就是说每一代中最糟糕的个体将从种群中移除。其他染色体会发生重组和变异。特别是具有最大适应度函数的最佳染色体会被记录保留下来，成为下一代的成员而不发生任何变异。

(3)重组：采用两点相交法，通过基因交换获得新的个体，并重复上述操作。每条染色体变异的概率用Pr_c表示。

(4)变异：重组后的个体可能发生变异，每个基因发生变异的概率用Pr_v表示。

基于上述参数设置，采用遗传算法求解所述无约束优化问题模型II，具体步骤包括：

1)以无人机在M个时间间隔中的飞行速度向量为染色体，记任意一条染色体表示为：

2)定义规模为N_p的种群：

其中，T表示转置算子；

3)定义适应度函数为

重组概率Pr_c，变异概率Pr_v，遗传代数为N_g，初始化N_g＝1；

4)在第N_g代种群中计算每个染色体的适应度函数，选取适应度最高的个体记为

5)在第Ng代中选择N_p-1个具有较高适应性的染色体形成集合Q₁(N_g)；

6)判断是否满足：

若不满足，则执行步骤7)，否则转入步骤10)；

7)重组：重组Q₁(N_g)的个体，获得新的个体集合Q₂(N_g+1)，Q₂(N_g+1)中的个体数量与Q₁(N_g)中个体的数量相等；

8)变异：Q₂(N_g+1)中的每个个体以概率Pr_v发生变异，得到的新个体集合为 Q₃(N_g+1)；

9)将

归入集合Q₃(N_g+1)中，得到新一代种群Q(N_g+1)；更新N_g＝N_g+1，返回步骤4)；

10)结束整个遗传算法，输出

下面结合附图与实验结果对本发明的技术效果作更进一步的说明。

图6为本实施例涉及的参数取值参考样例。图2-图5为本发明在图6所示的参数样例下的曲线结果图。

如图2所示，其为本实施方式中无人机累积接收、发送、缓存比特数随时间的变化曲线，自干扰消除系数k₀＝4×10^-6。可以得到以下观察结果：1)在任意时刻，累计接收到的比特数等于无人机转发和缓存的总比特数，这表示信息总量保持不变；2)任何时刻累计转发的比特数都小于累计接收的比特数，这说明信息因果关系也得以保证；3) 累积缓存比特数先增大后急剧下降。这是因为最初无人机离源节点近但离距离目的地很远，因此无人机接收信道优于转发信道，与此同时，接收信道的信息传输速率大于转发信息传输速率。接收到的信息比特在无人机存储起来，等待稍后转发。随着无人机朝目的地飞行，距离越来越近，无人机的转发信道优于接收通道，使得无人机的转发信道容量大于接收信道容量，从而导致转发比特数大于接收比特数，缓存下降。

如图3所示，其为本实施例中无人机在X-Y平面上的飞行轨迹和各时间间隔内的飞行速度。从图3(a)可以看出，优化后的轨迹从出发点出发，即(0，3000米)，并在预定的目的地结束即(1000米，3000米)。约束条件2得以满足。此外从图3(b)可以看出

表明约束1也被满足。

如图4所示，为了展现提出的FDR-UAV方案的优势，我们在图4中做了FDR与 HDR方案的能效比较。可以看出，当自干扰消除系数在10^-6和10^-3之间变化时，FDR优于HDR方案。随着自干扰消除系数的增大，FDR的优势逐渐消失，甚至比HDR方案能效更低。注意，在实际应用场景中，自干扰消除系数一般小于10^-3。

此外，为了说明我们的轨迹策略对于FDR方案的性能优势，提供了另外3种 FDR-UAV策略对比的能效曲线，包括“全双工+固定轨迹”方案和“全双工+平均速度+ 固定轨迹”方案。具体来说，在“全双工+最优轨迹”下，任意时间间隔，无人机均按照本专利所设计的最佳飞行速度和飞行路线飞行。在“FDR+直线飞行”方案下，无人机沿着直线匀速地从起点到终点水平径直飞行。在“FDR+固定轨迹”方案下，无论自干扰系数如何变化，无人机轨迹一直取固定方案，此处以自干扰消除系数k₀＝10^-3时的最优轨迹方案为例。在“FDR+平均速度+固定轨迹”方案下，要求：1)飞行路线与“FDR+ 最优轨迹”方案完全相同；2)

由图4可知所设计的“FDR+最优轨迹”方案优于其他FDR基准方案，并带来了8倍的能效增益。

如图5所示，其为FDR-UAV系统中GA的收敛特性。如果目标函数变动范围满足一定范围或迭代到达最大迭代次数，则迭代停止。具体为如果N_g≤300或

迭代停止，10^-3为预设目标函数最大变动范围。迭代在第120代停止(即120次迭代)。因此，GA算法收敛良好。此外，可以观察到加权能效不大于最佳个体的能效，即

随着迭代的进行，加权能效和η_EE曲线重叠，这表明约束1和2得以满足。

上述实施例，特别是任何“优选”施例，是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下，可以对上述实施例做出许多变化和修改，这些变化和修改也应视为本发明的保护范围。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种面向自由信道的全双工无人机中继通信方法，其特征在于，包括步骤：

(1)将无人机节点的中继过程分为两个阶段，第一阶段为接收阶段，第二阶段为转发阶段，然后用以下公式描述给定频谱和时间范围内空中区域的无线电热力图：

其中，q表示无人机在所述空中区域的位置，f表示通信频率，t表示时间点，g_i(q，f，t)表示第i阶段的信道功率增益，i＝1，2，

表示第i阶段除自由空间内路径损耗外的各种衰落，K为常数系数，

表示第i阶段自由空间的路径损耗，a_i(q，f，t)是自由空间衰耗指数，d_i(q，t)是第i阶段的通信距离；

(2)记无人机节点协助信号传输的整个周期为周期T，将周期T等分为M个时间间隔；对于给定的(q，f，t)，将无线电热力图描述公式化简为：

m表示第m个时间间隔；

分别建立无人机节点第一阶段和第二阶段的信道传输模型：

第一阶段信干噪比为：

第一阶段信道容量为：C_1，m＝Blog₂(1+SINR_1，m)

第二阶段信干噪比为：

第二阶段信道容量为：

其中，SINR_1，m、C_1，m分别表示第一阶段第m个时间间隔的信干噪比、信道容量，SINR_2，m、C_2，m分别表示第二阶段第m个时间间隔的信干噪比、信道容量，P₁表示源节点的数据传输功率，P_r表示无人机节点的数据传输功率，k₀表示无人机自干扰的消除因子，h_rr表示小信道衰落，

分别表示第一、第二阶段无人机处高斯白噪声的功率，B表示信道带宽，τ为无人机节点从接收到信号到发送信号之间的时延；

(3)搭建无人机整体能效模型：

R_m＝min{C′_1，m，C_2，m}

其中，R_m表示第m个时间间隔内的数据传输速率，P_tot，m表示第m个时间间隔内的功耗，P₀表示无人机叶片轮廓功率，P_s表示无人机的感应功率且为一固定值，DD_m表示无人机在第m个时间间隔飞行的距离，

v_x，m和v_y，m分别为第m个时间间隔内，无人机的水平速度分量和垂直速度分量，U_tip表示悬停状态下转子的叶片速度，v₀表示平均转子有道速度，η为机身的阻力比；ρ为空气阻力系数，s为转子半径，A为转盘面积，C′_1，mΔ_m表示第m个时间间隔之前的累积比特数与第m个时间间隔中新接收的比特数之和，Δ_m为第m个时间间隔的持续时间；

(4)以能效最大化构建问题模型I：

V_x＝{v_x，1，v_x，2，...，v_x，M}

V_y＝{v_y，1，v_y，2，...，v_y，M}

约束1：

约束2：x_s≤x≤x_z，y_s≤y≤y_z

其中，V_max表示无人机最大飞行速度，(x_s，y_s，H)表示无人机的起始位置坐标，(x_z，y_z，H)表示无人机的终点位置坐标，(x，y，H)表示无人机的瞬时位置坐标；

(5)求解问题模型I，得到的解V_x和V_y即为无人机的最优飞行轨迹。

2.根据权利要求1所述一种面向自由信道的全双工无人机中继通信方法，其特征在于，对问题模型I的求解方法包括步骤：

(2-1)定义罚函数f₁和f₂用以分别描述约束1和约束2的违反情况：

其中，

为一条轨迹上M个间隔当中的最大飞行速度，即：

c₁为一个非常小的正数，用于使f₁表达式的分母为正，

表示多轨迹策略中所有区间的最大飞行速度，(x_M，y_M)表示第M个时间间隔结束时无人机的最终位置坐标，

为多轨迹策略中(x_M，y_M)相对于(x_z，y_z)的最大偏移量，c₂为一个正值，用于使f₂的分母为正，

(2-2)将任意一条运动轨迹的加权能效记为

其中，η_max、η_min分别为一次迭代过程中求取的能效的最大值和最小值，c₃、c₄、c₅为惩罚因子；

(2-3)将问题模型I转化为无约束优化问题模型II：

(2-4)求解问题模型II，得到最优轨迹解为

且

3.根据权利要求2所述一种面向自由信道的全双工无人机中继通信方法，其特征在于，所述步骤(2-4)中采用遗传算法求解所述无约束优化问题模型II，具体步骤包括：

1)以无人机在M个时间间隔中的飞行速度向量为染色体，记任意一条染色体表示为：

2)定义规模为N_p的种群：

其中，T表示转置算子；

3)定义适应度函数为

重组概率Pr_c，变异概率Pr_v，遗传代数为N_g，初始化N_g＝1；

4)在第N_g代种群中计算每个染色体的适应度函数，选取适应度最高的个体记为

5)在第Ng代中选择N_p-1个具有较高适应性的染色体形成集合Q₁(N_g)；

6)判断是否满足：

若不满足，则执行步骤7)，否则转入步骤10)；

7)重组：重组Q₁(N_g)的个体，获得新的个体集合Q₂(N_g+1)，Q₂(N_g+1)中的个体数量与Q₁(N_g)中个体的数量相等；

8)变异：Q₂(N_g+1)中的每个个体以概率Pr_v发生变异，得到的新个体集合为Q₃(N_g+1)；

9)将

归入集合Q₃(N_g+1)中，得到新一代种群Q(N_g+1)；更新N_g＝N_g+1，返回步骤4)；

10)结束整个遗传算法，输出

Images