CN112105032A - 一种基于缓存的无人机协同认知无线网络传输方法 - Google Patents

Abstract

本发明涉及一种基于缓存的无人机协同认知无线网络传输方法，包括下列步骤：将通信网划分为一个主网和一个副网，分别对应主用户和次用户；采用非正交多址方式为主用户提供服务，无人机通过叠加编码方式为所有用户提供服务；3)建立两个不同的内容库，分别对应主网和副网；设无人机的缓存容量为C，无人机使用有限容量C₀缓存主用户的主要服务请求，剩余的容量(C‑C₀)缓存次用户的请求；缓存文件数增加，主用户和次用户的受欢迎程度f下降；建立服务模型；采用无人机部署领域中最常用的粒子群(PSO)算法来计算无人机的最佳部署位置。

Description

一种基于缓存的无人机协同认知无线网络传输方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于缓存的无人机协同认知无线网络方案。

背景技术

随着物联网的快速发展，数据流量空前增长，这需要更多的频谱来满足大量数据流量的通信需求。认知无线网络是缓解频谱稀缺问题的一种新方法，但是这种方法仅适用于主用户和次用户之间为非合作网络的情况。

为了进一步提高认知无线网络的效率，协同认知无线网络被提出。在协同认知无线网络中，第二基站帮助主用户中继数据，同时获得主频谱的访问来服务主用户，实现两个系统的互惠互利。但是无线网络中回程链路的容量是有限的，这将抵消协同方法带来的好处。另一种通过减少回程开销来提高认知无线网络效率的方法是将一些通用信息存储在较近的基站上，减少回程占用率并降低多用户的传输延迟。

无人机可以看作存储通用信息的移动基站，它能够根据用户的需求改变信号覆盖范围，同时跟踪用户状态，有效地传输文件。凭借其优越的灵活性和机动性，无人机辅助无线通信已经被应用到许多现实场景当中。

发明内容

本发明提出一种基于缓存的无人机协同认知无线网络方案。采用本发明所述方案，能够解决通信量增加带来的频谱稀缺问题，并能够实现无人机的最优定位和主次网络协同工作的自适应覆盖。本发明的技术方案如下：

一种基于缓存的无人机协同认知无线网络传输方法，包括下列步骤：

1)将通信网划分为一个主网和一个副网，分别对应主用户和次用户。即有

其中，N_p表示N_p个主用户，N_s表示N_s个次用户；

2)采用非正交多址方式为主用户提供服务，无人机通过叠加编码方式为所有用户提供服务；

3)建立两个不同的内容库，分别对应主网和副网，即有

其中F_p对应主用户的缓存内容，F_s对应次用户的缓存内容，F^p表示主用户缓存文件数，F^s表示次用户缓存文件数；

4)设无人机的缓存容量为C，无人机使用有限容量C₀缓存主用户的主要服务请求，剩余的容量(C-C₀) 缓存次用户的请求；

5)缓存文件数增加，主用户和次用户的受欢迎程度f下降，

表示缓存文件数为F^p的主用户的受专注程度，

表示缓存文件数为F^s的次用户的受专注程度，即有：

其中受专注程度f满足如下关系：

6)建立服务模型：主用户的请求由无人机或者主用户基站(PBS)响应，当无人机预先缓存了通用的主用户内容时，数据通过无人机直接传输；当传输的数据没有被无人机预先缓存时，主用户从主用户基站(PBS) 获得缓存的内容；同样，次用户的请求由无人机或者次用户基站(SBS)满足，但是次用户的请求信息仅存在于无人机或者次用户基站(SBS)中，次用户也可以直接由无人机缓存的内容提供服务；

8)采用无人机部署领域中最常用的粒子群(PSO)算法来计算无人机的最佳部署位置，方法如下：

第1步：给定约束带宽B和无人机部署位置(x，y，z)的约束条件：

x_min≤x≤x_max

y_min≤y≤y_max

z_min≤z≤z_max

设无人机初始位置为(x_u，y_u，z_u)，令y_u＝0.5y_max，z_u＝0.5z_max，随机选取x_u，对无人机的位置进行随机初始化；

第2步：计算无人机在当前位置的所有用户的传输功率P作为适应度：

其中，M表示存在M个用户，r表示每个用户的请求速率，B代表约束带宽，L_i表示用户i与无人机之间的路径损失，N表示噪声损失，Li的计算公式如下：

L_i＝(wlog₁₀d_3D,i+wlog₁₀f_Ghz+g₁)+(g₂+g₃(1-cosθ_i)²)+(g₄d_2D,i)

其中，w＝20,g1＝32.4,g2＝14,g3＝15,g4＝0.5，d_3D,i为用户i与无人机的距离，d_2D,i为用户与无人机的水平距离，θ_i为用户与无人机的入射角，f_Ghz为信号载波频率，适应度数值越小越好；

第3步：按照下式更新无人机的位置：

x_j＝x_j+v_j

v_j＝w*v_j+c₁*rand()*(pbest_j-x_j)+c₂*rand()*(gbest_j-x_j)

v_j是无人机的速度，j＝1，2，……N，N为无人机的总数，rand()表示介于(0,1)的随机数，x_j表示无人机当前位置，c₁＝c₂＝2；Pbest_j表示无人机的当前局部最优位置，gbest_j表示无人机的当前全局最优位置，初始化时随机选取；w表示动态惯性因子：

w＝(w_ini-w_end)(G_k-g)/G_k+w_end

w_ini＝0.9，w_end＝0.4，G_k表示最大迭代次数，g表示当前迭代次数；

第4步：针对每个无人机j更新后的位置，计算其适应度，并将此适应度与更新前的局部最优位置的适应度作比较，如果较好，则将此时的位置更新为当前的局部最优位置pbest_j；

第5步：针对每个无人机j更新后的位置，将此位置对应的适应度与更新前的全局最优位置的适应度作比较，如果较好，则将此时的位置更新为当前的全局最优位置gbest_j；

第6步：不断重复第3步，第4步，第5步，直至迭代次数达到最大迭代次数G_k后终止，此时的pbest_j为无人机j当前局部最优位置，gbest_j为无人机j当前全局最优位置，计算两者的适应度并作比较，取适应度较好的一方作为无人机j的最优位置。

本专利提出的基于缓存的无人机协同认知无线网络方案，包括建立内容缓存模型、建立服务模型、位置优化等步骤。首先对无人机无线通信场景进行建模；接下来建立内容缓存模型；然后建立服务模型；最后将实际问题公式化，计算出无人机的最优位置，确保网络获得最佳通信效果。本发明能够提高无人机移动基站、主用户和次用户之间的传输效率和访问速度，推动协同认知无线网络的应用发展。

附图说明

图1本发明所提方法框图

图2经典的协同认知无线网络结构图

图3无人机作为移动基站提供服务示意图

图4网络通信方式

具体实施方式

所提方法主要包括：建立无线通信场景模型、建立内容缓存模型、建立服务模型、无人机位置优化。图1为本发明所提方法框图，包括：

1建立无线通信场景模型

本专利所提方法首先对无人机在协同认知无线网络下的通信场景进行建模，如图4所示。模型中包含一个主网和一个副网，主网包含一个主用户基站(PBS)和N_p个主用户(PU)，副网中包含N_s个次用户(SU)，使用如下形式表示：

本专利采用非正交多址(NOMA)方式为主用户提供服务。如图3所示，在发送数据时，无人机通过叠加编码(SC)技术与所有用户进行通信，同时无人机通过连续干扰消除(SIC)技术接收数据，逐步分析接收到的所有用户的信息。

2建立内容缓存模型

本专利所用方法对应系统中的主网和副网建立两个不同的缓存库，使用如下形式表示：

其中主缓存库F_p对应主用户的缓存内容，F_s对应次用户的缓存内容，F^p表示主用户缓存文件数，F^s表示次用户缓存文件数。无人机的缓存容量用C表示，假设无人机使用有限容量C₀缓存主用户的服务请求，则剩余的容量(C-C₀)可以用来缓存次用户的服务请求。随着缓存文件数的增加，定义主用户和次用户的受专注程度f会随着缓存文件的增加而下降，即有

其中，

表示缓存文件数为F^p的主用户的受专注程度，

表示缓存文件数为F^s的次用户的受专注程度，受专注程度f满足如下关系：

3建立服务模型

主用户的请求可以由无人机或者主用户基站(PBS)响应。当无人机预先缓存了通用的主用户内容时，数据可以通过无人机直接传输；当传输的数据没有被无人机预先缓存时，主用户从主用户基站(PBS)获得缓存的内容。同样，次用户的请求可以由无人机或者次用户基站(SBS)满足，但是次用户的请求信息仅存在于无人机或者次用户基站(SBS)中，次用户也可以直接由无人机缓存的内容提供服务。

4无人机位置优化

本专利采用无人机部署领域中最常用的粒子群(PSO)算法来计算无人机的最佳部署位置。给定约束带宽B和无人机部署位置的约束条件(x，y，z)：

x_min≤x≤x_max

y_min≤y≤y_max

z_min≤z≤z_max

设无人机初始位置为(x_u，y_u，z_u)，令y_u＝0.5y_max，z_u＝0.5z_max，随机选取x_u，对无人机的位置进行和相关参数进行随机初始化。计算无人机在当前位置的所有用户的传输功率P作为适应度：

其中，M表示M个用户，r表示每个用户的请求速率，B代表约束带宽，L_i表示用户i与无人机之间的路径损失，N表示噪声损失。Li的计算公式如下：

L_i＝(wlog₁₀d_3D,i+wlog₁₀f_Ghz+g₁)+(g₂+g₃(1-cosθ_i)²)+(g₄d_2D,i)

其中，w＝20,g1＝32.4,g2＝14,g3＝15,g4＝0.5，d_3D,i为用户i与无人机的距离，d_2D,i为用户与无人机的水平距离，θ_i为用户与无人机的入射角，f_Ghz为信号载波频率(2Ghz)。适应度数值越小越好。

按照下式更新无人机的位置：

x_j＝x_j+v_j

v_j＝w*v_j+c₁*rand()*(pbest_j-x_j)+c₂*rand()*(gbest_j-x_j)

v_j是无人机的速度，j＝1，2，……N，N为无人机的总数，rand()表示介于(0,1)的随机数，x_j表示无人机当前位置，c₁＝c₂＝2。pbest_j表示当前局部最优位置，gbest_j表示当前全局最优位置，初始化时随机选取。 w表示动态惯性因子：

w＝(w_ini-w_end)(G_k-g)/G_k+w_end

w_ini＝0.9，w_end＝0.4，G_k表示最大迭代次数，g表示当前迭代次数。

针对每个无人机j更新后的位置，计算其适应度，并将此适应度与其经过的最优位置pbest_j的适应度作比较，如果较好，则将此时的位置更新为当前的最优位置pbest_j。针对每个无人机j更新后的位置，计算其适应度，并将此适应度与其经过的最优位置gbest_j的适应度作比较，如果较好，则将此时的位置更新为当前的最优位置gbest_j。

不断根据更新公式调整无人机位置，同时计算当前位置适应度并与pbest_j，gbest_j位置的适应度进行比较更新，直至达到最大迭代次数G_k后终止。此时的pbest_j为当前局部最优位置，gbest_j为当前全局最优位置，将两者的适应度作比较，取适应度较好的一方作为无人机的最优位置。

依托大数据和云计算技术，构建大数据系统。云中的分布式计算平台将收集到的用户位置信息上传至云端，同时通过云计算技术实时使用粒子群(PSO)算法计算出无人机的最优位置，实现网络效用的最大化，在满足主用户的目标速率的同时，能够有效增加副网的速率。

Claims (1)

1.一种基于缓存的无人机协同认知无线网络传输方法，包括下列步骤：

1)将通信网划分为一个主网和一个副网，分别对应主用户和次用户。即有

其中，N_p表示N_p个主用户，N_s表示N_s个次用户；

2)采用非正交多址方式为主用户提供服务，无人机通过叠加编码方式为所有用户提供服务；

3)建立两个不同的内容库，分别对应主网和副网，即有

其中F_p对应主用户的缓存内容，F_s对应次用户的缓存内容，F^p表示主用户缓存文件数，F^s表示次用户缓存文件数；

4)设无人机的缓存容量为C，无人机使用有限容量C₀缓存主用户的主要服务请求，剩余的容量(C-C₀)缓存次用户的请求；

5)缓存文件数增加，主用户和次用户的受欢迎程度f下降，

表示缓存文件数为F^p的主用户的受专注程度，

表示缓存文件数为F^s的次用户的受专注程度，即有：

其中受专注程度f满足如下关系：

6)建立服务模型：主用户的请求由无人机或者主用户基站(PBS)响应，当无人机预先缓存了通用的主用户内容时，数据通过无人机直接传输；当传输的数据没有被无人机预先缓存时，主用户从主用户基站(PBS)获得缓存的内容；同样，次用户的请求由无人机或者次用户基站(SBS)满足，但是次用户的请求信息仅存在于无人机或者次用户基站(SBS)中，次用户也可以直接由无人机缓存的内容提供服务；

8)采用无人机部署领域中最常用的粒子群(PSO)算法来计算无人机的最佳部署位置，方法如下：

第1步：给定约束带宽B和无人机部署位置(x，y，z)的约束条件：

x_min≤x≤x_max

y_min≤y≤y_max

z_min≤z≤z_max

设无人机初始位置为(x_u，y_u，z_u)，令y_u＝0.5y_max，z_u＝0.5z_max，随机选取x_u，对无人机的位置进行随机初始化；

第2步：计算无人机在当前位置的所有用户的传输功率P作为适应度：

其中，M表示存在M个用户，r表示每个用户的请求速率，B代表约束带宽，L_i表示用户i与无人机之间的路径损失，N表示噪声损失，Li的计算公式如下：

L_i＝(wlog₁₀d_3D,i+wlog₁₀f_Ghz+g₁)+(g₂+g₃(1-cosθ_i)²)+(g₄d_2D,i)

其中，w＝20,g1＝32.4,g2＝14,g3＝15,g4＝0.5，d_3D,i为用户i与无人机的距离，d_2D,i为用户与无人机的水平距离，θ_i为用户与无人机的入射角，f_Ghz为信号载波频率，适应度数值越小越好；

第3步：按照下式更新无人机的位置：

x_j＝x_j+v_j

v_j＝w*v_j+c₁*rand()*(pbest_j-x_j)+c₂*rand()*(gbest_j-x_j)

v_j是无人机的速度，j＝1，2，……N，N为无人机的总数，rand()表示介于(0,1)的随机数，x_j表示无人机当前位置，c₁＝c₂＝2；Pbest_j表示无人机的当前局部最优位置，gbest_j表示无人机的当前全局最优位置，初始化时随机选取；w表示动态惯性因子：

w＝(w_ini-w_end)(G_k-g)/G_k+w_end

w_ini＝0.9，w_end＝0.4，G_k表示最大迭代次数，g表示当前迭代次数；

第4步：针对每个无人机j更新后的位置，计算其适应度，并将此适应度与更新前的局部最优位置的适应度作比较，如果较好，则将此时的位置更新为当前的局部最优位置pbest_j；

第5步：针对每个无人机j更新后的位置，将此位置对应的适应度与更新前的全局最优位置的适应度作比较，如果较好，则将此时的位置更新为当前的全局最优位置gbest_j；

第6步：不断重复第3步，第4步，第5步，直至迭代次数达到最大迭代次数G_k后终止，此时的pbest_j为无人机j当前局部最优位置，gbest_j为无人机j当前全局最优位置，计算两者的适应度并作比较，取适应度较好的一方作为无人机j的最优位置。

Images