CN112333767A - 一种在灾后地区部署无人机应急通信系统的方法 - Google Patents

一种在灾后地区部署无人机应急通信系统的方法 Download PDF

Info

Publication number
CN112333767A
CN112333767A CN202011278985.6A CN202011278985A CN112333767A CN 112333767 A CN112333767 A CN 112333767A CN 202011278985 A CN202011278985 A CN 202011278985A CN 112333767 A CN112333767 A CN 112333767A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
ground terminal
drone
drones
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
Application number
CN202011278985.6A
Other languages
English (en)
Other versions
CN112333767B (zh
Inventor
代海波
张晨雨
罗佳俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011278985.6A priority Critical patent/CN112333767B/zh
Publication of CN112333767A publication Critical patent/CN112333767A/zh
Application granted granted Critical
Publication of CN112333767B publication Critical patent/CN112333767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/50—Connection management for emergency connections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种在灾后地区部署无人机应急通信系统的方法，首先构建无人机辅助通信的下行链路系统，包括多个旋翼无人机和地面用户；其次我们采用博弈论的方法对在灾后地区部署无人机辅助地面终端通信的问题进行建模和分析，每个无人机都被视为参与者；然后，将优化问题建模为带有QoE评价策略的博弈模型；最后，基于分布式学习算法在收集地面终端局部信息的同时获得最大化优化目标的稳定状态。本发明用于设计多无人机布置及发射功率分配的联合策略，达到整个系统中地面终端QoE的最大化；能快速准确的对无人机进行部署，建立应急通信系统，可以在灾后地区快速的提供通信。

Description

一种在灾后地区部署无人机应急通信系统的方法
技术领域
本发明属于无线通信技术领域，具体涉及一种在灾后地区部署无人机应急通信系统的方法。
背景技术
最近，当由于偏远地区的基础设施成本高昂或自然灾害例如飓风，龙卷风，洪水和地震等，而无法使用地面通信设施时，所产生的后果是非常严重的。事实上，应急通讯是无人机主要的作用之一。在遇到自然灾害、电力中断等特殊环境下，通过无人机完全可以实现应急通讯保障。多旋翼无人机通信基站是随着多旋翼无人机技术发展起来的一种新兴通信技术，提高了人们应对各种自然灾害的能力，减少了灾害所造成的损失。在如洪水暴发、地震、泥石流、火灾、雪灾、大风沙等自然灾害中，在有线通信网络被破坏的情况下，利用多旋翼无人机通信系统，可以迅速建立起新的通信系统，以最快的速度与灾区取得联系，保障救援工作的顺利进行。
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。
在这些情况下，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。而研究无人机在未知区域的部署的优化问题对于充分有效地利用无人机辅助通信至关重要。作为移动基站载体的无人机可以灵活地部署或撤回，且成本低廉，满足地面终端的通信需求。其用于提供通信服务的部署问题已引起很多关注，通过地面用户的位置信息，设计了多无人机的联合轨迹和通信策略来为地面用户服务。然而，在无人机没有服务区域的信息的情况下(例如，有事故引起的通信中断)，解决具有通信需求的这种未知区域中的无人机的部署问题是非常具有挑战性的。本发明设计了一种分布式算法以指导多无人机的计划飞行路径，同时收集当地信息，直到找到最佳的部署位置。
发明内容
发明目的：本发明为解决特殊环境例如受限于通信基础设施成本或者突发性自然灾害而导致了地面终端用户无法通信的情况，提出针对灾后地区的无人机辅助地面终端通信的优化方法。
发明内容：本发明提出一种在灾后地区部署无人机应急通信系统的方法，具体包括以下步骤：
(1)构建支持无人机通信的下行链路系统，所述系统包括多个旋翼无人机和地面终端；
(2)构建以最大化地面终端和无人机之间通信的基于数据速率的QoE之和为目标的优化问题；
(3)构建基于博弈论的优化模型，将步骤(2)中的优化问题建模为有QoE评价策略的博弈模型；
(4)采用分布式学习算法迭代得到无人机轨迹与资源分配策略，直到步骤(2)中的优化问题达到最优，无人机最终位置和传输策略被确定。
进一步地，步骤(2)所述的优化函数为：
P：
Figure BDA0002780107030000021
约束条件为：
Figure BDA0002780107030000022
Figure BDA0002780107030000023
其中：
Figure BDA0002780107030000031
Figure BDA0002780107030000032
其中，mk表示与地面终端k相关联的无人机m，
Figure BDA0002780107030000033
Figure BDA0002780107030000034
其中
Figure BDA0002780107030000035
Figure BDA0002780107030000036
为从无人机mk到地面终端k的水平距离，
Figure BDA0002780107030000037
为从无人机mk到地面终端k的发射功率，
Figure BDA0002780107030000038
为无人机m到用户k之间的信道，
Figure BDA0002780107030000039
为接收端用户k的噪声功率，
Figure BDA00027801070300000310
为与无人机mk相关的地面终端的集合，Ω为地面终端所在的平面范围；MOS函数中的R为数据速率，
Figure BDA00027801070300000311
θ1为最小数据速率，θ2为推荐数据速率。
进一步地，所述步骤(3)包括以下步骤：
(31)每个无人机m在地面上所有可能选择位置的投影位置的有限集合
Figure BDA00027801070300000312
预定飞行高度为hm；将投影的平面均匀划分为N个相等的像元，
Figure BDA00027801070300000313
为单元格集合，ln为单元格n的中心位置，即
Figure BDA00027801070300000314
无人机m的行动由
Figure BDA00027801070300000315
表示，a＝(a1,a2,…,aM)为所有无人机的行为选择，
Figure BDA00027801070300000316
Figure BDA00027801070300000317
为所有无人机可能选择的动作空间；
(32)令
Figure BDA00027801070300000318
为无人机m与其相邻无人机的集合，
Figure BDA00027801070300000319
为与
Figure BDA00027801070300000320
相关的地面终端的集合，用p＝(pm,p-m)表示无人机的功率分配策略，其中
Figure BDA00027801070300000321
Figure BDA00027801070300000322
p-m表示与无人机m非相邻的无人机与其相关的地面终端的功率集合；
Figure BDA00027801070300000323
表示无人机m的所有可能分配的功率空间，其中，
Figure BDA00027801070300000324
且
Figure BDA00027801070300000325
(33)将每个无人机视为博弈参与者，将优化问题建模为带有QoE评价策略的博弈模型：
Figure BDA0002780107030000041
其中，
Figure BDA0002780107030000042
是无人机集合，
Figure BDA0002780107030000043
是参与者k的策略空间，um是参与者k的效用函数，效用函数如下：
Figure BDA0002780107030000044
进一步地，所述步骤(4)包括以下步骤：
(41)初始化：在迭代t＝0时，设置所有无人机的初始位置，并且：
Figure BDA0002780107030000045
(42)选择更新的无人机：以分布式的方式找到一组更新的无人机
Figure BDA0002780107030000046
使得
Figure BDA0002780107030000047
无人机
Figure BDA0002780107030000048
与其相邻的无人机进行通信以获得有用的本地信息，计算um(a(t),p(t))；
(43)探索功率分配策略：每个无人机
Figure BDA0002780107030000049
更新其动作集
Figure BDA00027801070300000410
并以相等的概率从
Figure BDA00027801070300000411
中随机选择一个战斗策略a′m；设
Figure BDA00027801070300000412
基于此，无人机m通过
Figure BDA00027801070300000413
独立确定
Figure BDA00027801070300000414
中无人机的功率分配策略；无人机m计算u′m(a′,(p′m,p-m(t)))；
(44)更新动作策略：每个无人机
Figure BDA00027801070300000415
使用以下规则更新其在下一次迭代中的位置：
Figure BDA00027801070300000416
其中，τ是一个小的正常数，也就是该算法的平滑因子，其他无人机的位置不变，即an(t+1)＝an(t)，
Figure BDA00027801070300000417
根据a(t+1)，相应的功率分配策略被更新为p(t+1)；
(45)对于每次迭代t＝1,2,…循环(42)至(44)，直到所有无人机不改变其动作策略，结束循环。
有益效果：与现有技术相比，本发明的有益效果：本发明未知地区部署多架无人机来为地面终端提供应急通信服务，构建以最大化地面终端和无人机之间通信的基于数据速率的QoE之和为目标的优化函数，在不知道地面终端位置的情况下，将每个无人机视为参与者通过博弈论进行建模，采用一种分布式算法优化无人机轨迹与资源分配策略，达到整个系统中无人机与地面终端之间最大的QoE，找到每个无人机最佳位置；本发明能快速准确的对无人机进行部署，建立应急通信系统，可以在灾后地区快速的提供通信。
附图说明
图1为构建支持无人机通信的下行链路系统模型图；
图2为相邻无人机之间的二维平面关系图；
图3为MOS函数图；
图4为无人机轨迹与资源分配策略联合优化算法流程图；
图5收敛行为与不同算法因子的关系；
图6目标与不同像元大小的迭代次数；
图7无人机的最终部署，用于服务包含终端的目标区域。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供的一种在灾后地区部署无人机应急通信系统的方法，具体包括以下步骤：
步骤1：构建支持无人机通信的下行链路系统，包括多个旋翼无人机和地面终端，无人机能够低空静止飞行，且飞行高度被预先指定了不同的值，这样就防止了避免之间碰撞。
如图1所示，构建支持无人机通信的下行链路系统，无人机基站(UAV-BS)包括M个，用
Figure BDA0002780107030000051
表示。其位置用(bm,cm,hm)表示。wm＝(bm,cm)表示无人机m的水平位置，hm表示无人机m的高度。地面终端包括K个，用
Figure BDA0002780107030000052
表示。其位置用
Figure BDA0002780107030000053
表示。无人机到地面终端的信道用gm,k表示。无人机能够低空静止飞行，且飞行高度被预先指定了不同的值，这样就防止了避免之间碰撞。每台无人机都有一个信号覆盖范围，且这里将信号覆盖范围垂直覆盖到地面上，便于分析范围内的地面终端与无人机之间的关系，在信号范围内的地面终端可以通过下行通信链路与无人机之间相互通信。
步骤2：构建以最大化地面终端和无人机之间通信的基于数据率的QoE为目标的优化函数。
以最大化无人机与地面用户之间的QoE为目标，以满足无人机行动联合优化部署，无人机发射功率最大限制为约束条件，建立以无人机部署位置与功率分配策略为设计变量的数学优化模型，即：
P：
Figure BDA0002780107030000061
约束条件为：
Figure BDA0002780107030000062
Figure BDA0002780107030000063
其中：
Figure BDA0002780107030000064
Figure BDA0002780107030000065
其中，mk表示与地面终端k相关联的无人机m，
Figure BDA0002780107030000066
其中
Figure BDA0002780107030000067
其中
Figure BDA0002780107030000068
Figure BDA0002780107030000069
表示从无人机mk到地面终端k的水平距离，
Figure BDA00027801070300000610
表示从无人机mk到地面终端k的发射功率，无人机m到用户k之间的信道表示为
Figure BDA00027801070300000611
Figure BDA00027801070300000612
表示接收端用户k的噪声功率，
Figure BDA00027801070300000613
表示与无人机mk相关的地面终端的集合，Ω表示地面终端所在的平面范围。如图3所示，MOS函数中的R是数据速率，
Figure BDA0002780107030000071
θ1是最小数据速率，θ2是推荐数据速率。
步骤3：构建基于博弈论的优化模型，将步骤2中的问题建模为带有QoE评价策略的博弈模型。
如图2所示，为了获得地面终端的位置信息，我们设计了每个无人机的动作策略集合，用
Figure BDA0002780107030000072
表示，即无人机m在地面上所有可能选择位置的投影位置的有限集合，当预定了飞行高度hm时。将可能投影的平面均匀划分为N个相等的像元，
Figure BDA0002780107030000073
表示单元格集合，ln表示为单元格n的中心位置，即
Figure BDA0002780107030000074
Figure BDA0002780107030000075
无人机m的行动由
Figure BDA0002780107030000076
表示，a＝(a1,a2,…,aM)表示所有无人机的行为选择，
Figure BDA0002780107030000077
表示所有无人机可能选择的动作空间。
令
Figure BDA0002780107030000078
为无人机m与其相邻无人机的集合，
Figure BDA0002780107030000079
为与
Figure BDA00027801070300000710
相关的地面终端的集合，用p＝(pm,p-m)表示无人机的功率分配策略，其中
Figure BDA00027801070300000711
Figure BDA00027801070300000712
p-m表示与无人机m非相邻的无人机与其相关的地面终端的功率集合。
Figure BDA00027801070300000713
表示无人机m的所有可能分配的功率空间，其中
Figure BDA00027801070300000714
且
Figure BDA00027801070300000715
将每个无人机视为参与者，然后将优化问题建模为带有QoE评价策略的博弈模型。
Figure BDA00027801070300000716
其中，
Figure BDA00027801070300000717
是参与者(无人机)集合，
Figure BDA00027801070300000718
是参与者k的策略空间，um是参与者k的效用函数。效用函数如下：
Figure BDA00027801070300000719
假设的信道状态信息是完整的，所以没有考虑评估误差的情况发生，所以
Figure BDA00027801070300000720
的势函数被定义为
Figure BDA00027801070300000721
当信道状态信息是理想的，博弈对象
Figure BDA00027801070300000722
就可以简单地视为一个静态的博弈过程
Figure BDA00027801070300000723
让φ(a,p)成为
Figure BDA00027801070300000724
的势函数，然后φ(a,p)能够被重写成如下形式。
Figure BDA0002780107030000081
其中，
Figure BDA0002780107030000082
表示不相邻的无人机的集合。
假设一个任意参与者单方面改变其行动策略从am到a′m，当发射功率p固定，或者在固定行动策略a的前提下，单方面改变功率分配策略向量pm。能够获得下列关系：
Figure BDA0002780107030000083
上面的等式表明，单方策略偏差导致的任何单个参与者效用函数的变化都会导致势函数的变化量完全相同。另外，每个功率分配策略的集合是一个连续的间隔，每个效用函数在任何地方都是连续的，对于p是可微的，所以
Figure BDA00027801070300000816
是一个拥有势函数φ(a,p)的势博弈。
步骤4：采用如图4所示的分布式学习算法迭代无人机轨迹与资源分配策略，直到步骤2中的优化问题达到最优，无人机最终位置被确定。
(1)初始化：在迭代t＝0时，设置所有无人机的初始位置，并且
Figure BDA0002780107030000084
(2)选择更新的无人机。以分布式的方式找到一组更新的无人机
Figure BDA0002780107030000085
使得
Figure BDA0002780107030000086
每个无人机，例如
Figure BDA0002780107030000087
与其相邻的无人机进行通信以获得有用的本地信息，然后计算um(a(t),p(t))。
(3)探索功率分配策略。每个无人机
Figure BDA0002780107030000088
更新其动作集
Figure BDA0002780107030000089
并以相等的概率从
Figure BDA00027801070300000810
中随机选择一个战斗策略a′m。设
Figure BDA00027801070300000811
基于此，无人机m通过
Figure BDA00027801070300000812
独立确定
Figure BDA00027801070300000813
中无人机的功率分配策略。然后无人机m计算
Figure BDA00027801070300000814
(4)更新动作策略。每个无人机
Figure BDA00027801070300000815
使用以下规则更新其在下一次迭代中的位置：
Figure BDA0002780107030000091
其中，τ是一个小的正常数，也就是该算法的平滑因子。其他无人机的位置不变，即an(t+1)＝an(t)，
Figure BDA0002780107030000092
根据a(t+1)，相应的功率分配策略被更新为p(t+1)。
(5)对于每次迭代t＝1,2,…循环(2)至(4)，直到所有无人机不改变其动作策略，结束循环。
如果所有无人机都遵循参数为τ的步骤4中的算法，则唯一静态分布π(a,p)由下式给出：
Figure BDA0002780107030000093
其中，
Figure BDA0002780107030000094
是所有无人机的行动选择空间，而p是由a唯一确定的功率分配策略，也就是说p＝g(a)。
根据步骤4中的算法，验证功率分配策略p仅由无人机的位置确定是很简单的，即p＝g(a)。令
Figure BDA0002780107030000095
为算法第t次迭代时策略选择的状态。显然z(t)是不可返且非周期性的马尔可夫过程。接下来证明上式是可逆的。就是说对于
Figure BDA0002780107030000096
都有：
Figure BDA0002780107030000097
其中，Pr(a′a)是从状态a到a′转移概率。当a＝a′时式(4)显然成立。当a≠a′时，一个无人机(例如m)更改了位置，这导致网络状态的一个元素已更改，即a＝(am,a-m)和a′＝(a′m,a-m)。很容易检查：
Figure BDA0002780107030000098
其中，
Figure BDA0002780107030000099
根据对称性，有：
Figure BDA0002780107030000101
将式(2)代入式(5)，可以得到：
Figure BDA0002780107030000102
因此可以得到：
Figure BDA0002780107030000103
这是马尔可夫过程的平衡过程。
当τ足够小时，步骤4中的算法以任意高的概率收敛于博弈对象
Figure BDA0002780107030000104
的最佳NE点。因此，当(a,p)是NE点时，满足无人机通信系统的MOS将近似最大化。
假设aopt为最佳位置选择策略，而popt为最佳功率分配策略。(aopt,popt)使势函数φ最大化，这也是
Figure BDA0002780107030000105
的最佳NE点。当τ足够小时，
Figure BDA0002780107030000106
根据式(3)，参与者策略的唯一平稳分布为(0,…,0,1,0,…,0)，其中1表示最优位置选择和功率分配解决方案的概率并且其他非最优解的概率均为0。因此：
Figure BDA0002780107030000107
这就表明，所提出的学习算法会收敛到博弈过程的最佳的NE点，并且是以一种任意高的概率。然后，当(aopt,popt)是NE点的时候，无人机支持通信的MOS等级能够达到近似最大。
在MATLAB仿真中，假设地面系统是一个1000×1000的矩形空间，地面系统被均匀的分为了50×50的空间，同时地面拥有K＝20个用户终端等待与无人机链接通信，在空中设置了4台无人机用于发射信号，且他们的飞行高度各不相同，分别为[90m,91m,92m,93m]这样有效避免了无人机相互碰撞，无人机做水平面的位移飞行，这样就构成了支持无人迹通信的下行链路系统。设每台无人机最大传输功率为4W，μ0被定义为
Figure BDA0002780107030000108
系统中央频率点为f＝1GHz，对于地面上所有的终端来说噪声功率光谱密度为
Figure BDA0002780107030000109
在每一次迭代中每一台无人机被设定为朝相反方向移动4个单位。仿真之后的结果：收敛行为与不同算法因子之间的关系如图5所示,从图中可以看出当τ足够小接近0.1时，获得最优解的情况最好；目标与不同像元大小的迭代次数之间的关系如图6所示，可以看到使用不同大小的划分无人机的飞行区域时，随着像元大小的减小，可以更好的获得位置解；图7表示的是无人机在最终终端覆盖区域中的的最终部署，其中的三角形表示无人机，圆圈时该无人机的通信范围，其余点则表示区域内的地面终端。

Claims (4)

1.一种在灾后地区部署无人机应急通信系统的方法，其特征在于，包括以下步骤：
(1)构建支持无人机通信的下行链路系统，所述系统包括多个旋翼无人机和地面终端；
(2)构建以最大化地面终端和无人机之间通信的基于数据速率的QoE之和为目标的优化问题；
(3)构建基于博弈论的优化模型，将步骤(2)中的优化问题建模为有QoE评价策略的博弈模型；
(4)采用分布式学习算法迭代得到无人机轨迹与资源分配策略，直到步骤(2)中的优化问题达到最优，无人机最终位置和传输策略被确定。
2.根据权利要求1所述种针对灾后地区的无人机辅助地面终端通信的优化方法，其特征在于，步骤(2)所述的优化函数为：
Figure FDA0002780107020000011
约束条件为：
Figure FDA0002780107020000012
Figure FDA0002780107020000013
其中：
Figure FDA0002780107020000014
Figure FDA0002780107020000015
其中，mk表示与地面终端k相关联的无人机m，
Figure FDA0002780107020000021
Figure FDA0002780107020000022
其中
Figure FDA0002780107020000023
Figure FDA0002780107020000024
为从无人机mk到地面终端k的水平距离，
Figure FDA0002780107020000025
为从无人机mk到地面终端k的发射功率，
Figure FDA0002780107020000026
为无人机m到用户k之间的信道，
Figure FDA0002780107020000027
为接收端用户k的噪声功率，
Figure FDA0002780107020000028
为与无人机mk相关的地面终端的集合，Ω为地面终端所在的平面范围；MOS函数中的R为数据速率，
Figure FDA0002780107020000029
θ1为最小数据速率，θ2为推荐数据速率。
3.根据权利要求1所述的针对灾后地区的无人机辅助地面终端通信的优化方法，其特征在于，所述步骤(3)包括以下步骤：
(31)每个无人机m在地面上所有可能选择位置的投影位置的有限集合
Figure FDA00027801070200000210
预定飞行高度为hm；将投影的平面均匀划分为N个相等的像元，
Figure FDA00027801070200000211
为单元格集合，ln为单元格n的中心位置，即
Figure FDA00027801070200000212
无人机m的行动由
Figure FDA00027801070200000213
表示，a＝(a1,a2,…,aM)为所有无人机的行为选择，
Figure FDA00027801070200000214
Figure FDA00027801070200000215
为所有无人机可能选择的动作空间；
(32)令
Figure FDA00027801070200000216
为无人机m与其相邻无人机的集合，
Figure FDA00027801070200000217
为与
Figure FDA00027801070200000218
相关的地面终端的集合，用p＝(pm,p-m)表示无人机的功率分配策略，其中
Figure FDA00027801070200000219
Figure FDA00027801070200000220
p-m表示与无人机m非相邻的无人机与其相关的地面终端的功率集合；
Figure FDA00027801070200000221
表示无人机m的所有可能分配的功率空间，其中，
Figure FDA00027801070200000222
且
Figure FDA00027801070200000223
(33)将每个无人机视为博弈参与者，将优化问题建模为带有QoE评价策略的博弈模型：
Figure FDA00027801070200000224
其中，
Figure FDA00027801070200000225
是无人机集合，
Figure FDA00027801070200000226
是参与者k的策略空间，um是参与者k的效用函数，效用函数如下：
Figure FDA00027801070200000227
4.根据权利要求1所述的针对灾后地区的无人机辅助地面终端通信的优化方法，其特征在于，所述步骤(4)包括以下步骤：
(41)初始化：在迭代t＝0时，设置所有无人机的初始位置，并且：
Figure FDA0002780107020000031
(42)选择更新的无人机：以分布式的方式找到一组更新的无人机
Figure FDA0002780107020000032
使得
Figure FDA0002780107020000033
无人机
Figure FDA0002780107020000034
与其相邻的无人机进行通信以获得有用的本地信息，计算um(a(t),p(t))；
(43)探索功率分配策略：每个无人机
Figure FDA0002780107020000035
更新其动作集
Figure FDA0002780107020000036
并以相等的概率从
Figure FDA0002780107020000037
中随机选择一个战斗策略a′m；设
Figure FDA0002780107020000038
基于此，无人机m通过
Figure FDA0002780107020000039
独立确定
Figure FDA00027801070200000310
中无人机的功率分配策略；无人机m计算u′m(a′,(p′m,p-m(t)))；
(44)更新动作策略：每个无人机
Figure FDA00027801070200000311
使用以下规则更新其在下一次迭代中的位置：
Figure FDA00027801070200000312
其中，τ是一个小的正常数，也就是该算法的平滑因子，其他无人机的位置不变，即an(t+1)＝an(t)，
Figure FDA00027801070200000313
根据a(t+1)，相应的功率分配策略被更新为p(t+1)；
(45)对于每次迭代t＝1,2,…循环(42)至(44)，直到所有无人机不改变其动作策略，结束循环。
CN202011278985.6A 2020-11-16 2020-11-16 一种在灾后地区部署无人机应急通信系统的方法 Active CN112333767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011278985.6A CN112333767B (zh) 2020-11-16 2020-11-16 一种在灾后地区部署无人机应急通信系统的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011278985.6A CN112333767B (zh) 2020-11-16 2020-11-16 一种在灾后地区部署无人机应急通信系统的方法

Publications (2)

Publication Number Publication Date
CN112333767A true CN112333767A (zh) 2021-02-05
CN112333767B CN112333767B (zh) 2022-08-26

Family

ID=74317858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011278985.6A Active CN112333767B (zh) 2020-11-16 2020-11-16 一种在灾后地区部署无人机应急通信系统的方法

Country Status (1)

Country Link
CN (1) CN112333767B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511978A (zh) * 2020-12-02 2021-03-16 南京森林警察学院 一种用于收集森林防火监控数据的无人机部署方法
CN113507717A (zh) * 2021-06-08 2021-10-15 山东师范大学 一种基于车辆轨迹预测的无人机轨迹优化方法及系统
CN114531689A (zh) * 2022-01-11 2022-05-24 山东师范大学 一种无人机阵列三维位置部署方法及系统
CN114697975A (zh) * 2022-04-11 2022-07-01 东南大学 一种增强陆地无线覆盖的无人机集群分布式部署方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2296395A1 (en) * 2009-09-09 2011-03-16 Deutsche Telekom AG System and method to derive deployment strategies for metropolitan wireless networks using game theory
CN108616916A (zh) * 2018-04-28 2018-10-02 中国人民解放军陆军工程大学 一种合作抗干扰分层博弈模型及抗干扰学习算法
CN111615200A (zh) * 2020-04-10 2020-09-01 洛阳理工学院 混合Hybrid NOMA网络的无人机辅助通信资源分配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2296395A1 (en) * 2009-09-09 2011-03-16 Deutsche Telekom AG System and method to derive deployment strategies for metropolitan wireless networks using game theory
CN108616916A (zh) * 2018-04-28 2018-10-02 中国人民解放军陆军工程大学 一种合作抗干扰分层博弈模型及抗干扰学习算法
CN111615200A (zh) * 2020-04-10 2020-09-01 洛阳理工学院 混合Hybrid NOMA网络的无人机辅助通信资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAIBO DAI等: "How to Deploy Multiple UAVs for Providing Communication Service in an Unknown Region?", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511978A (zh) * 2020-12-02 2021-03-16 南京森林警察学院 一种用于收集森林防火监控数据的无人机部署方法
CN112511978B (zh) * 2020-12-02 2024-01-30 南京森林警察学院 一种用于收集森林防火监控数据的无人机部署方法
CN113507717A (zh) * 2021-06-08 2021-10-15 山东师范大学 一种基于车辆轨迹预测的无人机轨迹优化方法及系统
CN114531689A (zh) * 2022-01-11 2022-05-24 山东师范大学 一种无人机阵列三维位置部署方法及系统
CN114531689B (zh) * 2022-01-11 2024-03-26 山东师范大学 一种无人机阵列三维位置部署方法及系统
CN114697975A (zh) * 2022-04-11 2022-07-01 东南大学 一种增强陆地无线覆盖的无人机集群分布式部署方法
CN114697975B (zh) * 2022-04-11 2024-01-05 东南大学 一种增强陆地无线覆盖的无人机集群分布式部署方法

Also Published As

Publication number Publication date
CN112333767B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN112333767B (zh) 一种在灾后地区部署无人机应急通信系统的方法
Bor-Yaliniz et al. Efficient 3-D placement of an aerial base station in next generation cellular networks
El Hammouti et al. Learn-as-you-fly: A distributed algorithm for joint 3D placement and user association in multi-UAVs networks
Yang et al. Proactive drone-cell deployment: Overload relief for a cellular network under flash crowd traffic
Danoy et al. Connectivity stability in autonomous multi-level UAV swarms for wide area monitoring
CN112511978A (zh) 一种用于收集森林防火监控数据的无人机部署方法
CN110913402A (zh) 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法
CN112153593B (zh) 一种无人机辅助的高能效物联网数据收集方法
Huang et al. Optimized deployment of drone base station to improve user experience in cellular networks
Dai et al. Efficient deployment of multiple UAVs for IoT communication in dynamic environment
Liu et al. Efficient deployment of UAVs for maximum wireless coverage using genetic algorithm
CN109885088A (zh) 边缘计算网络中基于机器学习的无人机飞行轨迹优化方法
Rahimi et al. An efficient 3-D positioning approach to minimize required UAVs for IoT network coverage
CN111836271A (zh) 一种多无人机通信基站的3d位置部署方法
CN114268903B (zh) 一种地理信息辅助的无人机中继位置部署以及功率分配方法
Wu et al. 3D aerial base station position planning based on deep Q-network for capacity enhancement
Sawalmeh et al. Providing wireless coverage in massively crowded events using UAVs
CN113872661A (zh) 面向接入用户分级服务的无人机网络三维部署方法及系统
CN113206701A (zh) 一种无人机飞行基站的三维部署和功率分配联合优化方法
Singh et al. Placement of mmWave base stations for serving urban drone corridors
Li et al. AI-aided downlink interference control in dense interference-aware drone small cells networks
Parvaresh et al. A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities
CN114205769A (zh) 基于无人机数据采集系统的联合轨迹优化与带宽分配方法
CN112702719A (zh) 一种无人机场景下高能效d2d资源分配方法
CN114979135B (zh) 基于移动边缘计算的无人机飞行高度和任务分配控制方法

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