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
一种基于缓存的无人机协同认知无线网络传输方法 Download PDFInfo
- Publication number
- CN112105032A CN112105032A CN202010641934.9A CN202010641934A CN112105032A CN 112105032 A CN112105032 A CN 112105032A CN 202010641934 A CN202010641934 A CN 202010641934A CN 112105032 A CN112105032 A CN 112105032A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- user
- fitness
- cache
- 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.)
- Granted
Links
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
- H04W16/14—Spectrum sharing arrangements between different networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
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
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,Np表示Np个主用户,Ns表示Ns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Fp对应主用户的缓存内容,Fs对应次用户的缓存内容,Fp表示主用户缓存文件数,Fs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;
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:
xmin≤x≤xmax
ymin≤y≤ymax
zmin≤z≤zmax
设无人机初始位置为(xu,yu,zu),令yu=0.5ymax,zu=0.5zmax,随机选取xu,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,Li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:
Li=(wlog10d3D,i+wlog10fGhz+g1)+(g2+g3(1-cosθi)2)+(g4d2D,i)
其中,w=20,g1=32.4,g2=14,g3=15,g4=0.5,d3D,i为用户i与无人机的距离,d2D,i为用户与无人机的水平距离,θi为用户与无人机的入射角,fGhz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:
xj=xj+vj
vj=w*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
vj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,xj表示无人机当前位置,c1=c2=2;Pbestj表示无人机的当前局部最优位置,gbestj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=(wini-wend)(Gk-g)/Gk+wend
wini=0.9,wend=0.4,Gk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pbestj;
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gbestj;
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Gk后终止,此时的pbestj为无人机j当前局部最优位置,gbestj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Np个主用户(PU),副网中包含Ns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Fp对应主用户的缓存内容,Fs对应次用户的缓存内容,Fp表示主用户缓存文件数,Fs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
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):
xmin≤x≤xmax
ymin≤y≤ymax
zmin≤z≤zmax
设无人机初始位置为(xu,yu,zu),令yu=0.5ymax,zu=0.5zmax,随机选取xu,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,Li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:
Li=(wlog10d3D,i+wlog10fGhz+g1)+(g2+g3(1-cosθi)2)+(g4d2D,i)
其中,w=20,g1=32.4,g2=14,g3=15,g4=0.5,d3D,i为用户i与无人机的距离,d2D,i为用户与无人机的水平距离,θi为用户与无人机的入射角,fGhz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:
xj=xj+vj
vj=w*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
vj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,xj表示无人机当前位置,c1=c2=2。pbestj表示当前局部最优位置,gbestj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=(wini-wend)(Gk-g)/Gk+wend
wini=0.9,wend=0.4,Gk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pbestj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pbestj。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gbestj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gbestj。
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pbestj,gbestj位置的适应度进行比较更新,直至达到最大迭代次数Gk后终止。此时的pbestj为当前局部最优位置,gbestj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,Np表示Np个主用户,Ns表示Ns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Fp对应主用户的缓存内容,Fs对应次用户的缓存内容,Fp表示主用户缓存文件数,Fs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;
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:
xmin≤x≤xmax
ymin≤y≤ymax
zmin≤z≤zmax
设无人机初始位置为(xu,yu,zu),令yu=0.5ymax,zu=0.5zmax,随机选取xu,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,Li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:
Li=(wlog10d3D,i+wlog10fGhz+g1)+(g2+g3(1-cosθi)2)+(g4d2D,i)
其中,w=20,g1=32.4,g2=14,g3=15,g4=0.5,d3D,i为用户i与无人机的距离,d2D,i为用户与无人机的水平距离,θi为用户与无人机的入射角,fGhz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:
xj=xj+vj
vj=w*vj+c1*rand()*(pbestj-xj)+c2*rand()*(gbestj-xj)
vj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,xj表示无人机当前位置,c1=c2=2;Pbestj表示无人机的当前局部最优位置,gbestj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=(wini-wend)(Gk-g)/Gk+wend
wini=0.9,wend=0.4,Gk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pbestj;
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gbestj;
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Gk后终止,此时的pbestj为无人机j当前局部最优位置,gbestj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641934.9A CN112105032B (zh) | 2020-07-06 | 2020-07-06 | 一种基于缓存的无人机协同认知无线网络传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641934.9A CN112105032B (zh) | 2020-07-06 | 2020-07-06 | 一种基于缓存的无人机协同认知无线网络传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112105032A true CN112105032A (zh) | 2020-12-18 |
CN112105032B CN112105032B (zh) | 2021-10-26 |
Family
ID=73750064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641934.9A Active CN112105032B (zh) | 2020-07-06 | 2020-07-06 | 一种基于缓存的无人机协同认知无线网络传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112105032B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829136A (zh) * | 2018-08-29 | 2018-11-16 | 北京航空航天大学 | 无人机群大范围协同监测方法和装置 |
CN109068356A (zh) * | 2018-07-19 | 2018-12-21 | 天津大学 | 一种用于认知无线电网络中的无线缓存分配方法 |
CN109587690A (zh) * | 2018-12-07 | 2019-04-05 | 郑州航空工业管理学院 | 无人机辅助认知卫星地面通信网络多点协作传输方法 |
KR20190131337A (ko) * | 2018-05-16 | 2019-11-26 | 한양대학교 산학협력단 | 인지 무선 통신 기반의 중계 장치 및 이를 포함하는 무인 항공기와, 상기 무인 항공기를 이용한 인지 무선 통신 기반의 중계 방법 |
CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
CN111343712A (zh) * | 2020-03-05 | 2020-06-26 | 中国科学院上海微系统与信息技术研究所 | 一种无人机辅助认知无线网络通信安全的控制方法 |
-
2020
- 2020-07-06 CN CN202010641934.9A patent/CN112105032B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190131337A (ko) * | 2018-05-16 | 2019-11-26 | 한양대학교 산학협력단 | 인지 무선 통신 기반의 중계 장치 및 이를 포함하는 무인 항공기와, 상기 무인 항공기를 이용한 인지 무선 통신 기반의 중계 방법 |
CN109068356A (zh) * | 2018-07-19 | 2018-12-21 | 天津大学 | 一种用于认知无线电网络中的无线缓存分配方法 |
CN108829136A (zh) * | 2018-08-29 | 2018-11-16 | 北京航空航天大学 | 无人机群大范围协同监测方法和装置 |
CN109587690A (zh) * | 2018-12-07 | 2019-04-05 | 郑州航空工业管理学院 | 无人机辅助认知卫星地面通信网络多点协作传输方法 |
CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
CN111343712A (zh) * | 2020-03-05 | 2020-06-26 | 中国科学院上海微系统与信息技术研究所 | 一种无人机辅助认知无线网络通信安全的控制方法 |
Non-Patent Citations (1)
Title |
---|
岳源等: "分布式多无人机协同侦察目标分配研究", 《兵器装备工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112105032B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132077B (zh) | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 | |
CN112616189B (zh) | 一种静态和动态相结合的毫米波波束资源分配与优化方法 | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
CN111615200B (zh) | 混合Hybrid NOMA网络的无人机辅助通信资源分配方法 | |
CN108924796B (zh) | 一种资源分配及卸载比例联合决策的方法 | |
CN113188544B (zh) | 一种基于缓存的无人机基站路径规划方法 | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
CN106303927A (zh) | 一种用于d2d无线缓存网络中的缓存分配方法 | |
CN111935783A (zh) | 一种基于流量感知的边缘缓存系统和方法 | |
CN115665804B (zh) | 一种协同无人机-智能车群的缓存优化方法 | |
WO2023020502A1 (zh) | 数据处理方法及装置 | |
CN116405569A (zh) | 基于车辆和边缘计算服务器的任务卸载匹配方法及系统 | |
CN114650567A (zh) | 一种无人机辅助v2i网络任务卸载方法 | |
CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
CN110602722B (zh) | 一种基于noma的联合内容推送和传输的设计方法 | |
CN109068356A (zh) | 一种用于认知无线电网络中的无线缓存分配方法 | |
CN112437156A (zh) | 一种基于mec-d2d的分布式协同缓存方法 | |
CN111698732A (zh) | 微蜂窝无线网中面向时延的协作缓存优化方法 | |
CN112105032B (zh) | 一种基于缓存的无人机协同认知无线网络传输方法 | |
CN113473540A (zh) | 异构蜂窝网络中基于基站协作的混合缓存方法 | |
CN113556750A (zh) | 基于联盟形成博弈的无人设备内容协同实现方法 | |
CN109831759B (zh) | 一种基于软件定义无线网络的三维d2d匹配算法 | |
CN114928611B (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
CN112423394B (zh) | 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |