CN112367111A - 一种无人机中继部署方法、系统、计算机设备及应用 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种无人机中继部署方法、系统、计算机设备及应用，根据仿真平台初始化配置参数；目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适应度函数值；比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，更新粒子的速度和位置；根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位置进行局部调整；循环迭代，判断是否满足最终条件。本发明能够在无人机数量及系统能耗一定的情况下，得到较好的部署结果。

Description

一种无人机中继部署方法、系统、计算机设备及应用

技术领域

本发明属于无线通信技术领域，尤其涉及一种无人机中继部署方法、系统、 计算机设备及应用。

背景技术

近年来随着地面移动网络流量剧增地面基站的负载越来越重，网络阻塞状 态严重；甚至在一些区域由于各种自然因素，单独应用地面基站无法进行通信 或地面基站被损坏，对用户的正常通信造成了不可逆转的损害。为解决此类问 题，引入了中继(Relay)的概念中继可以扩大地面基站的覆盖范围，进行数据 流量的卸载分流，或者在基站网络通信发生故障时进行网络恢复，大大提高了 源节点与网络的通信连通率，同时还可以降低网络的阻塞率，对网络通信状态 的提高有很大帮助。

由于无人机具有低成本，容易部署和灵活性高等优点，且相比较传统的通 信网络，无人机具有移动性和可以与用户进行视距通信等优势，在某些军事或 民事领域得到了广泛重视。无人机作为一种空中平台，相比于地面基站可以具 有更广阔的覆盖范围，且地面基站在部署后难以移动而无人机却可以根据不同 需求进行飞行从而调整网络结构。由于无人机部署速度快的特点，其在紧急应 用中的作用就更为突出。无人机作为中继参与通信任务相比于地面无线通信和 卫星中继通信有三个主要的优点：1)UAV受到阴影衰落影响明显降低并有较大 概率和地面用户进行视距(LoS)通信链路；2)无人机可以根据目标需求在三 维(3D)空间内灵活部署，维持良好的通信条件，进一步提高通信性能；3)无 人机可利用其动态特性和可操作性来选择最优的航行轨迹，增强网络通信链路 减少其他外界干扰，实现高速率传输。

在使用无人机协助无线通信网络的数据传输过程中，通过合理部署多架无 人机组成中继网络，可以有效连通目标区域内相互孤立的节点或者通信子网， 在无线通信网络基站发生故障或流量拥塞的情况下能够使用无人机中继使用户 间的数据传输正常进行，实现网络流量卸载和网络故障恢复的作用。

中继网络作为无线网络通信重要的辅助部分以及未来通信的核心技术，可 以有效的提高网络的通信覆盖范围和服务质量。理论界中关于中继网络部署问 题的研究可以分为两类：在设备覆盖范围固定的情况下，研究中继节点的最优 位置；在设备范围不固定，受到资源配置，功控和系统性能等因素的影响下， 研究中继节点最优位置的部署。在设备覆盖范围固定的情况下，主要采用规则 图样或非规则图样两种方式部署设备。前者适用于无限大或者规则的平面，后 者适用于有限且不规则的平面。当采用规则图样部署时，平面被划分为规则图 样，设备被部署在顶点处；当采用非规则图样部署时，通过数值仿真算法获取 设备部署位置。大量文献采用遗传算法，计算几何算法及虚拟势场算法和粒子 群优化算法获得设备部署点。遗传算法一般用于部署静态设备；计算几何算法 兴起于1970年代，基于几何图形求解实际的优化问题；虚拟力势场算法一般用 于部署移动设备；粒子群优化算法通过粒子的随机移动搜索优化问题的最优解， 基于评价准则记录已搜索粒子中的最优粒子，当前时刻粒子的移动方向取决于 记录最优粒子和随机扰动。在设备覆盖范围不固定的情况下，分两种情况：在 固定系统性能的情况下最优化通信网络的覆盖范围；在给定目标区域的情况下 最优化通信网络的系统性能。中断概率和信道容量是衡量系统性能的两个常用 指标，中断概率是接收端信噪比低于给定门限值的概率；信道容量是收发端数 据链路所能到达的传输数据速率上限。在设备覆盖范围不定的情况下大量文献 研究了中继链路信道容量和中断概率。

目前，关于无人机中继网络的相关研究主要分为两类：1)无人机动态维持 问题的研究：主要用于无人机数量较少的情况，研究了中继无人机的最优航行 轨迹和网络通信性能优化等问题。文献提出了一种支持地面移动自组织网络通 信的无人机中继网络，其中无人机需要周期性收集地面移动节点信息，实时调 整自身的飞行轨迹，这种方法虽然可以随时对中继通信网络结构进行调整，但 对无人机的能耗需求很大，使无人机的能耗效率降低；2)相对静态网络场景下 网络部署问题的研究：此类网络部署又分为确定性部署和随机性部署。确定性 部署是指事先根据业务需求和节点性能设计节点的放置位置，对节点进行定点 部署，这种部署方式存在边界区域资源冗余、灵活性差、不适用于非规则区域 等缺点。随机部署是根据已知条件构造最优化问题并利用虚拟力，遗传和粒子 群等智能优化算法获取节点的部署位置，灵活性较强且更具有实用性。比如将 网络部署建模成几何连通圆盘问题并利用遗传算法对部署成本和网络覆盖状态 同时进行优化；提出一种不依赖网络连通性的虚拟力算法，但这种方法容易导 致节点总是聚集在区域中心，无法实现边缘区域的有效覆盖。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有技术提出了一种支持地面移动自组织网络通信的无人机中继网 络，对无人机的能耗需求很大，使无人机的能耗效率降低。

(2)现有技术相对静态网络场景下网络部署问题存在边界区域资源冗余、 灵活性差、不适用于非规则区域等缺点。

解决以上问题及缺陷的难度为：由于无人机自身的能量功率限制，需要对 无人机部署组网进行优化，减少某一子区域内无人机部署数量过多的问题，以 及无人机在初始位置移动到最终位置所需的距离，距离越小消耗的无人机能量 也会越少，从而降低成本。并且要防止中继无人机在向指定区域运动时，要解 决中继无人机之间的位置约束问题以防止发生碰撞。

解决以上问题及缺陷的意义为：通过控制中继无人机的运动距离从而来优 化中继无人机的部署的成本代价；通过虚拟力和PSO算法相结合的部署优化算 法来解决相对静态网络场景下网络部署问题存在边界区域资源冗余、灵活性差、 不适用于非规则区域等缺点；通过进行安全距离约束及碰撞约束，来进行中继 无人机网络在运动过程中的安全性保证。本发明提出了利用多架无人机搭建中 继通信网络的方法，并针对中继网络的部署进行了研究。考虑网络覆盖率，连 通性，抗毁性以及网络部署成本等因素，提出了一种融合了虚拟力的改进PSO 算法来进行终极网络部署，通过在使用PSO算法对节点位置进行优化时，每次 迭代后加入虚拟力有目的地对节点的位置进行局部调整，进而增强了粒子群算 法的搜索能力。仿真结果表明，该算法在确保网络连通性和尽量减少中继节点 能耗的前提下，能够有效提高中继网络的覆盖效率，具有较好的部署效果。减 少边界资源冗余等问题可以节约中继无人机的部署成本，减少系统的能耗，提 高系统的整体性能；所用技术可以更好的服务于非规则区域的中继通信且相比 基站通信和卫星通信等，使用中继无人机会更好的解决非视距情况下的中继网 络部署问题。

发明内容

针对现有技术存在的问题，本发明提供了一种无人机中继部署方法、系统、 计算机设备及应用。

本发明是这样实现的，一种无人机中继部署方法，所述无人机中继部署方 法包括：

根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子 的速度同样使用随机初始化的方法初始化；

根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适 应度函数值；

当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取 得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制，更新 粒子的速度和位置；

使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接 矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位 置进行局部调整；

循环迭代，判断是否满足最终条件；满足终止条件时，停止迭代，输出全 局最优位置；否则继续循环迭代，转入根据目标优化函数计算各粒子适应度值， 使用目标优化函数计算粒子的适应度函数值，设置最大迭代次数为终止条件。

进一步，所述无人机中继部署方法目标区域范围[L_min,L_max]内，选取2M随机 数构成M个中继无人机的初始位置(x,y)，则粒子群中粒子位置为 X＝(X₁,Y₁,X₂,Y₂,...,X_M,Y_M)，粒子的速度同样使用随机初始化的方法初始化为 V＝(V_1X,V_1Y,V_2X,V_2Y,...,V_MX,V_MY)。

进一步，所述无人机中继部署方法目标优化函数：

其中，R_area(S)表示覆盖率计算公式，Dis表示中继无人机移动距离之和，M 表示目标区域部署的中继无人机数量，L表示目标区域为L×L的矩形边长，f₁表 示覆盖率优化目标所占权重，f₂表示移动距离优化目标所占权重。

进一步，所述无人机中继部署方法更新粒子速度和位置，当算法运行到第k 次迭代时，比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局 最优位置，在更新过程中粒子受速度[V_min,V_max]和位置[X_min,X_max]限制，根据公式 更新粒子的速度和位置。

进一步，所述更新粒子的速度公式：

粒子在搜索过程中的位置更新公式：

x_iQ(k+1)＝x_iQ(k)+v_iQ(k+1)；

式中，k表示第k次迭代，w为惯性权重因子，c1和c2为学习因子，r1和 r2是相互独立的(0,1)之间随机数，v(k)∈[-v_min,v_max]为粒子的速度范围， x(k)∈[L_min,L_max]为搜索空间，p(k)为粒子自身历史最优值，g(k)为整个种群的历史 最优值。

进一步，所述无人机中继部署方法使用虚拟力对粒子的位置进行局部调整， 根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的 虚拟力，再通过公式对粒子的位置进行局部调整。

进一步，所述计算粒子受到的虚拟力的公式为：

节点s_j对s_i的引力为F_ij，则：

设节点s_k对s_i的斥力为F_ik，则：

式中，其中R_th为虚拟力力作用最大范围阈值，w_a和w_b分别表示节点受到的 引力系数和斥力系数，D(s_i,s_j)表示两节点间的距离，节点s_i受到的合力为：

所述对粒子的位置进行局部调整的公式为：F_ix和F_iy分别为粒子i在x方向 和y方向所受虚拟力大小，则粒子i在位置向量方向受到虚拟力移动步长为：

其中maxstep为最大移动距离，虚拟力位置调整的更新公式为：

x_iQ(k,i)＝x_iQ(k)+λ_iQ。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器 和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行 时，使得所述处理器执行如下步骤：

根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子 的速度同样使用随机初始化的方法初始化；

根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适 应度函数值；

当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取 得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制，更新 粒子的速度和位置；

使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接 矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位 置进行局部调整；

循环迭代，判断是否满足最终条件；满足终止条件时，停止迭代，输出全 局最优位置；否则继续循环迭代，转入根据目标优化函数计算各粒子适应度值， 使用目标优化函数来计算粒子的适应度函数值，设置最大迭代次数为终止条件。

本发明的另一目的在于提供一种实施所述无人机中继部署方法的无人机中 继部署系统，所述无人机中继部署系统包括：

参数初始化模块，用于根据仿真平台初始化配置参数，算法模型参数及中 继无人机属性；

粒子群初始化模块，用于目标区域范围内，选取2M随机数构成M个中继 无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；

各粒子适应度值计算模块，用于根据目标优化函数计算各粒子适应度值， 使用目标优化函数来计算粒子的适应度函数值；

粒子速度和位置更新模块，用于当算法运行到第k次迭代时，比较所有粒 子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程 中粒子受速度和位置限制，更新粒子的速度和位置；

虚拟力对粒子位置局部调整模块，用于使用虚拟力对粒子的位置进行局部 调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子 受到的虚拟力，再通过公式对粒子的位置进行局部调整；

循环迭代模块，用于循环迭代，判断是否满足最终条件。

本发明的另一目的在于提供一种无人机，所述无人机搭载所述的无人机中 继部署系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提 出了一种利用无人机构建中继网络的设想，无人机凭借其灵活、方便、耗能小 及覆盖范围广等特点作为中继参与到通信中；使用无人机作为中继来改善基站 缺失的通信网络，无人机的部署情况将直接影响着无人机中继通信网络的性能， 本发明针对该问题进行了研究：根据无人机的特点，综合考虑通信网络覆盖、 网络连通性以及网络抗毁性进行部署，设计了基于虚拟力进行局部调整并通过 粒子群优化算法进行优化的部署方案；本发明还对PSO算法中的参数及学习因 子进行了调整，通过不同的PSO优化模型对部署方案进行了改进。

本发明的仿真实验是在一台主频为1.7GHs，内存为4GB的PC上，基于 MALTAB环境分别对基于PSO算法的中继无人机部署方案，基于虚拟力算法的 部署方案及基于融入虚拟力调整的改进PSO算法的部署方案进行仿真。设置 PSO算法模型的参数为Wmin＝0.4，Wmax＝0.9，c1＝c2＝2，在大小为900m×900m的 正方形目标区域内部署40个通信半径R为90m的中继无人机，中继无人机的 初始状态为随机分布在目标区域内。本发明的仿真实验是在一台主频为1.7GHs， 内存为4GB的PC上，基于MALTAB环境分别对基于PSO算法的中继无人机部署方案，基于虚拟力算法的部署方案及基于融入虚拟力调整的改进PSO算法 的部署方案进行仿真。设置PSO算法模型的参数为Wmin＝0.4，Wmax＝0.9， c1＝c2＝2，在大小为900m×900m的正方形目标区域内部署40个通信半径R为90m 的中继无人机，中继无人机的初始状态为随机分布在目标区域内。仿真结果表 明，该方案能够在无人机数量及系统能耗一定的情况下，得到较好的部署结果。

本发明提出利用无人机构建中继网络的设想，在给定目标区域，通信半径， 信道条件的约束下，综合考虑目标区域网络覆盖，网络连通性及部署中继无人 机数量，设计了基于虚拟力局部调整的粒子群优化算法(VFA-PSO)来解决无 人机辅助无线通信网络的中继部署问题。本发明首先以覆盖率最大，使用中继 无人机数目最少为优化目标建立了无人机中继的网络连通覆盖模型，然后结合 中继无人机移动距离与无人机功耗的关系将无人机中继网络中的能量消耗问题 转化为无人机移动距离的问题，同时设计了基于虚拟力进行节点局部位置调整 的粒子群优化算法。通过改变粒子群优化算法中参数和学习因子的计算模型来 对VFA-PSO算法进行仿真对比，同时将该算法与其他算法的仿真结果进行对比分析研究其性能。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所 需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下 还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的无人机中继部署方法流程图。

图2是本发明实施例提供的无人机中继部署系统的结构示意图；

图2中：1、参数初始化模块；2、粒子群初始化模块；3、各粒子适应度值 计算模块；4、粒子速度和位置更新模块；5、虚拟力对粒子位置局部调整模块； 6、循环迭代模块。

图3是本发明实施例提供的无线网络通信组网模型示意图。

图4是本发明实施例提供的融入虚拟力调整的改进PSO算法示意图。

图5(a)是本发明实施例提供的初始化随机部署示意图。

图5(b)是本发明实施例提供的基本PSO算法部署示意图。

图5(c)是本发明实施例提供的虚拟力算法部署示意图。

图5(d)是本发明实施例提供的改进算法部署示意图。

图6是本发明实施例提供的改进算法覆盖率变化情况示意图。

图7是本发明实施例提供的三种算法覆盖率对比示意图。

图8是本发明实施例提供的改变改进算法中PSO模型参数后的覆盖率示意 图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种无人机中继部署方法、系统、 计算机设备及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的无人机中继部署方法包括以下步骤：

S101：根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

S102：目标区域范围内，选取2M随机数构成M个中继无人机的初始位置， 粒子的速度同样使用随机初始化的方法初始化；

S103：根据目标优化函数计算各粒子适应度值，使用目标优化函数来计算 粒子的适应度函数值；

S104：当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置， 并取得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制， 更新粒子的速度和位置；

S105：使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子 的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒 子的位置进行局部调整；

S106：循环迭代，判断是否满足最终条件；满足终止条件时，停止迭代， 输出全局最优位置；否则继续循环迭代，转入S103，设置最大迭代次数为终止 条件。

本发明提供的无人机中继部署方法业内的普通技术人员还可以采用其他的 步骤实施，图1的本发明提供的无人机中继部署方法仅仅是一个具体实施例而 已。

如图2所示，本发明提供的无人机中继部署系统包括：

参数初始化模块1，用于根据仿真平台初始化配置参数，算法模型参数及中 继无人机属性；

粒子群初始化模块2，用于目标区域范围内，选取2M随机数构成M个中继 无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；

各粒子适应度值计算模块3，用于根据目标优化函数计算各粒子适应度值， 使用目标优化函数来计算粒子的适应度函数值；

粒子速度和位置更新模块4，用于当算法运行到第k次迭代时，比较所有粒 子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程 中粒子受速度和位置限制，更新粒子的速度和位置；

虚拟力对粒子位置局部调整模块5，用于使用虚拟力对粒子的位置进行局部 调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子 受到的虚拟力，再通过公式对粒子的位置进行局部调整；

循环迭代模块6，用于循环迭代，判断是否满足最终条件。

下面结合附图对本发明的技术方案作进一步的描述。

1模型建立

1.1无人机中继部署问题描述

本发明描述如图3所示的无线网络通信场景，场景由目标区域内的用户节 点，用以用户间互相通信的基站以及空中用作中继网络通信的无人机组成，包 括单个的用户节点，多个用户节点和基站组成的通信子网以及基站与基站之间 组成的用以信息交换和远距离用户通信的拓扑网络。这些用户节点和基站节点 位置固定，但用户节点之间以及用户节点和基站节点之间可能由于流量拥塞或 者基站故障而出现通信中断的现象。本发明将通过合理的部署中继无人机来解 决上述可能出现的问题，为保证无线通信网络的连通性和有效性，本发明将中 继无人机的部署问题转化为目标区域覆盖的问题。通过合理部署无人机来实现 网络通信中断的恢复以及网络通信链路拥塞时的流量分流。

1.2无人机中继部署几何模型

一般情况下，中继无人机的覆盖范围由飞行高度，覆盖区域高度和无人机 通信范围决定，而中继信号的最大传播距离跟通信链路状态有关。本发明主要 针对基于地面基站组成的通信拓扑网络进行中继。假设中继信号最大传播距离 为R，中继无人机的部署高度为h，对于地面通信组网，若不考虑发射功率和天 线波束因素则中继信号的最大覆盖半径：

由于地面通信网络与无人机之间的高度差远小于无人机的通信半径，故为 便于建模分析，本发明将三维空间上的终极网络部署问题降维到二维平面上进 行研究，同时做出以下假设：

1)对目标区域的覆盖半径和终极无人机之间的连通半径相等，都设为R；2) 中继无人机可以获取自身位置信息并与邻居中继无人机位置信息交换；3)中继 无人机能准确移动到优化后的位置并在该位置附近盘旋，并认定盘旋状态下无 人机为禁止状态。

2相关定义

2.1区域覆盖率

为有效评估网络性能，本发明采用了网格化方法将目标区域划分为网格状， 并将每个网格简化为点，则将覆盖率问题转化为分析中继节点对目标区域内的 点的覆盖情况。设目标区域有m×n个网格点，节点集S的目标区域覆盖率R_area(S) 为节点集S覆盖网格点数的总和与目标区域网格点总数的比值，计算公式如下：

2.2针对基站通信的路径损耗

由于资源有限针对基站网络通信可以服务对的最大用户数量引入容量约束 K_B,而针对单个中继无人机可以服务的最大用户数量引入容量约束K_D。基于适当 的资源分配，假设无人机协助通信与基站网络通信在不同的频段上运行。本发 明针对基站通信组网提出了如下路径损耗模型：

其中P_R是接收功率，P_T是发射功率，k是路径损耗常数，a是路径损耗指数， d₀是参考距离，d是用户与基站或无人机之间的距离(以米为单位)，设PL_th为信 息传输过程中的路径损耗阈值，则有：

其中U为用户集，M为基站集。当用户和基站通信的最大路径损耗大于路 径损耗阈值时，用户和基站之间的通信链路将无法进行正常通信。

2.3节点移动距离

中继无人机在移动过程中需要考虑目标区域中所有节点的移动总能耗，假 设无人机变换位置时都按照直线方式移动，而移动能耗与移动距离成正比，因 此该问题转化为中继无人机的移动距离之和，计算标准如下：

其中d_i表示无人机节点S_i从初始部署位置移动到最终位置的距离。

2.4优化目标函数

在中继无人机数量和通信半径一定的情况下，基于信道容量约束，信道损 耗约束的条件同时考虑网络覆盖率，连通性和能量消耗，应在保证网络连通性 的前提下尽可能的增大网络覆盖率，通过使节点移动最小的距离，减少能量的 损耗。综合考虑以上的问题提出了以下目标优化函数：

其中，R_area(S)表示覆盖率计算公式，Dis表示中继无人机移动距离之和，M 表示目标区域部署的中继无人机数量，L表示目标区域为L×L的矩形边长，f₁表 示覆盖率优化目标所占权重，f₂表示移动距离优化目标所占权重。实验证明该 公式可以适应覆盖范围及节点数目的变化，在目标范围变化后不需要调整权重 仍能达到预先设置的优化目标。

3算法设计

3.1PSO优化算法

粒子群优化算法(particle swarm optimization，PSO)是计算智能领域中的 一种生物启发式方法，属于群体智能优化算法的一种，是由Kennedy和Eberhart 于1995年提出的。粒子群优化算法(PSO)源于对鸟类捕食行为的研究，鸟类 捕食时找到食物最简单有限的策略就是搜寻当前距离食物最近的鸟的周围。PSO 从这种模型中得到启示并用于解决优化问题，其基本思想是：通过群体中个体 之间的协作和信息共享来寻找最优解。

PSO算法中每个粒子代表一个潜在最优解，粒子根据自己的当前信息，自 身历史信息和种群信息局部扰动其飞行轨迹，从而在搜索空间寻找最优解。设 由M个粒子组成的群体对Q(Q＝2)维空间进行搜索，粒子i的位置表示为 X_i＝(x_i1,x_i2)，粒子i的速度表示为V_i＝(v_i1,v_i2)，基本PSO算法的速度更新公式如 下：

粒子在搜索过程中的位置更新公式：

x_iQ(k+1)＝x_iQ(k)+v_iQ(k+1) (8)

在式(7)和(8)中，k表示第k次迭代，w为惯性权重因子，c1和c2为 学习因子，r1和r2是相互独立的(0,1)之间随机数，v(k)∈[-v_min,v_max]为粒子的 速度范围，x(k)∈[L_min,L_max]为搜索空间，p(k)为粒子自身历史最优值，g(k)为整个 种群的历史最优值。

3.2虚拟力算法

在基于虚拟力算法对中继节点部署时，假设节点位置在更新过程中加入引 力和斥力来对节点的位置进行有目的的调整：每个节点在完成一次迭代后根据 节点位置信息计算其相应的邻接矩阵，并根据邻接矩阵进行距离阈值R_th判断， 若两节点间距离小于阈值则说明节点连通并且节点之间存在斥力，若大于阈值 则说明两节点不连通并且节点之间存在引力。通过节点所受合力的情况将节点 进行合适的位置调整。

设节点s_j对s_i的引力为F_ij，则：

设节点s_k对s_i的斥力为F_ik，则：

在式(9)和(10)中，其中R_th为虚拟力力作用最大范围阈值，w_a和w_b分别 表示节点受到的引力系数和斥力系数，D(s_i,s_j)表示两节点间的距离。节点s_i受 到的合力为：

设F_ix和F_iy分别为粒子i在x方向和y方向所受虚拟力大小，则粒子i在位置 向量方向受到虚拟力移动步长为：

其中maxstep为最大移动距离。虚拟力位置调整的更新公式为：

x_iQ(k,i)＝x_iQ(k)+λ_iQ (13)

3.3融入虚拟力调整的改进PSO算法

粒子群优化算法中，粒子速度和位置更新方式能够直接决定求得解的质量 和求解效率，但求得解的质量与粒子位置更新速度有关，更新过快在一定程度 上可以使粒子遍历搜索跳出局部最优但可能会导致粒子之间连通性降低；更新 过慢则容易陷入局部最优。为兼顾网络的覆盖率和连通性，引入通过虚拟力来 局部调整每次迭代后中继节点的位置。每个节点在完成一次迭代后根据节点位 置信息计算相应的邻接矩阵并计算其余节点对该节点的虚拟力大小，通过虚拟 力计算出节点的移动步长和方向，对节点位置进行局部调整后再进入下一轮迭 代。

在二维平面中，设利用PSO算法对M个中继节点进行部署，则算法的搜索 空间为Q＝2N，求解质量取决于目标优化函数，本发明目标优化函数已在第4 节进行了定义，融合虚拟力的改进PSO算法的搜索策略的算法步骤如下：

第一步：初始化各个参数。根据仿真平台初始化配置参数，算法模型参数 及中继无人机属性。

第二步：初始化粒子群。目标区域范围[L_min,L_max]内，选取2M随机数构成M 个中继无人机的初始位置(x,y)，则粒子群中粒子位置为 X＝(X₁,Y₁,X₂,Y₂,...,X_M,Y_M)。粒子的速度同样使用随机初始化的方法初始化为 V＝(V_1X,V_1Y,V_2X,V_2Y,...,V_MX,V_MY)。

第三步：根据目标优化函数计算各粒子适应度值。使用第4节中提出的目 标优化函数来计算粒子的适应度函数值。

第四步：更新粒子速度和位置。当算法运行到第k次迭代时，比较所有粒 子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程 中粒子受速度[V_min,V_max]和位置[X_min,X_max]限制，根据式(7)和式(8)更新粒子 的速度和位置。

第五步：使用虚拟力对粒子的位置进行局部调整。根据粒子位置计算某粒 子的邻接矩阵，根据其邻接矩阵和式(9)，(10)和(11)来计算粒子受到的虚 拟力，再通过式(12)和式(13)对粒子的位置进行局部调整。

第六步：循环迭代，判断是否满足最终条件。满足终止条件时，停止迭代， 输出全局最优位置；否则继续循环迭代，转入第三步。一般设置最大迭代次数 为终止条件。

算法流程图如图4所示。

下面结合仿真对本发明的技术效果作详细的描述。

本发明的仿真实验是在一台主频为1.7GHs，内存为4GB的PC上，基于 MALTAB环境分别对基于PSO算法的中继无人机部署方案，基于虚拟力算法的 部署方案及基于融入虚拟力调整的改进PSO算法的部署方案进行仿真。设置 PSO算法模型的参数为Wmin＝0.4，Wmax＝0.9，c1＝c2＝2，在大小为900m×900m 的正方形目标区域内部署40个通信半径R为90m的中继无人机，中继无人机的 初始状态为随机分布在目标区域内。

图5(a)为使用随机化方法得到的初始化网络布局，其中节点位置位于圆 心处，圆为每个节点的感知范围，初始覆盖率约78％左右。

图5(b)为基本PSO算法的网络覆盖情况，其能达到的最优覆盖率约为 83.76％左右。

图5(c)为基于虚拟力算法的网络覆盖情况，最优覆盖率约为95.07％左右。

图5(d)为融合虚拟力调整的改进PSO算法的网络覆盖情况，最优覆盖率 为97.75％。

由图6可以得出，在进行同样的迭代次数的前提下，改进后的算法使得节 点的覆盖率更高，节点分布更加均匀。改进算法的应用，既保留了PSO算法优 化效果好的优点，又融入了虚拟力能够对节点进行局部位置的调整，增加了节 点之间的连通性，每次迭代后节点都会进行虚拟力调整，通过虚拟力的调整避 免了基本PSO算法中节点可能陷入局部最优的问题。改进后算法在性能方面明 显得到了提升。

图7为本发明融合虚拟力的改进基于PSO算法在迭代过程中的中继节点网 络覆盖率的变化情况，本发明设置最大迭代次数maxgen＝100，由图7可以看出， 在迭代进行到50次左右的时候，覆盖率的增长速度趋于平缓，在迭代进行到在 迭代到N次左右的时候，覆盖率变化趋于平缓，在达到最大迭代次数的时候， 节点网络覆盖率约为97.75％，从图中曲线的变化趋势可以看出，覆盖率的变化 在迭代次数达到50以前增长迅速，在迭代次数达到50次以后开始缓慢增长， 但在算法到达最大迭代次数后覆盖率仍有增长趋势，说明如果增加算法的迭代 次数，覆盖率仍有提高的可能，但速度会越来越慢，且提高空间很小，综合考虑算法时间复杂度和计算成本等因素，提高算法的迭代次数并不能使算法结果 得到更好的优化。

表1 100次迭代的覆盖率对比

图8和表1给出了基于基本PSO算法，基于虚拟力算法和基于融合了虚拟 力的改进PSO算法的网络覆盖率随迭代次数变化的情况，其中实线为基于基本 PSO算法的覆盖情况变化，虚线为基于虚拟力算法的覆盖率变化情况，虚线为 基于改进算法的覆盖率变化情况。从图中的三条曲线可以看出：虚拟力算法可 以在最少迭代次数内达到最优覆盖率，基本PSO算法和改进算法达到最有覆盖 率所需迭代次数基本相同；开始时基于虚拟力算法的覆盖率最高，但随着迭代 次数的增加，改进算法的覆盖率逐渐超过了基于虚拟力算法的节点网络覆盖率； 基于虚拟力算法的网络覆盖在迭代过程中会有不太明显的波动，这是由于虚拟 力的作用下节点位置发生改变后可能会出现覆盖率降低或者陷入局部值的范围 引起的；基于虚拟力算法和改进算法的节点网络覆盖率几乎一直优于基本PSO 算法。通过融合虚拟力的改进PSO算法的设计及实验仿真，可以看到既改善了 虚拟力算法可能出现的陷入局部波动的情况，又大大提高了基本PSO算法的节 点网络覆盖率。由此可以得出，基于改进算法的节点网络覆盖率的性能相比较 基本PSO算法及虚拟力算法来说是得到了有效提高的。

图8为对改进算法中的PSO模型的参数和学习因子使用自适应权重方法进 行了优化，当达到最大迭代次数时，网络覆盖率为99.12％，可以看出通过改进 算法模型的参数和学习因子也能够提高中继节点的网络覆盖率。中继网络部署 是中继网络能够给无线网络提供通信辅助的前提，为解决无线网络可能出现的 流量拥塞，基站节点失效等问题，本发明提出了利用多架无人机搭建中继通信 网络的方法，并针对中继网络的部署进行了研究。考虑网络覆盖率，连通性， 抗毁性以及网络部署成本等因素，提出了一种融合了虚拟力的改进PSO算法来 进行终极网络部署，通过在使用PSO算法对节点位置进行优化时，每次迭代后 加入虚拟力有目的地对节点的位置进行局部调整，进而增强了粒子群算法的搜 索能力。仿真结果表明，该算法在确保网络连通性和尽量减少中继节点能耗的 前提下，能够有效提高中继网络的覆盖效率，具有较好的部署效果。在中继网 络部署过程中，还要考虑中继无人机自身的特点，网络信号之间的相互干扰， 通信环境的变化，外界环境的干扰等都是接下来要进一步考虑的问题。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合 来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中， 由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普 通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在 处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸 如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载 体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路 或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、 可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的 处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的 保护范围之内。

Claims (10)

1.一种无人机中继部署方法，其特征在于，所述无人机中继部署方法包括：

根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；

根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适应度函数值；

当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制，更新粒子的速度和位置；

使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位置进行局部调整；

循环迭代，判断是否满足最终条件；满足终止条件时，停止迭代，输出全局最优位置；否则继续循环迭代，转入根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适应度函数值，设置最大迭代次数为终止条件。

2.如权利要求1所述的无人机中继部署方法，其特征在于，所述无人机中继部署方法目标区域范围[L_min,L_max]内，选取2M随机数构成M个中继无人机的初始位置(x,y)，则粒子群中粒子位置为X＝(X₁,Y₁,X₂,Y₂,...,X_M,Y_M)，粒子的速度同样使用随机初始化的方法初始化为V＝(V_1X,V_1Y,V_2X,V_2Y,...,V_MX,V_MY)。

3.如权利要求1所述的无人机中继部署方法，其特征在于，所述无人机中继部署方法目标优化函数：

其中，R_area(S)表示覆盖率计算公式，Dis表示中继无人机移动距离之和，M表示目标区域部署的中继无人机数量，L表示目标区域为L×L的矩形边长，f₁表示覆盖率优化目标所占权重，f₂表示移动距离优化目标所占权重。

4.如权利要求1所述的无人机中继部署方法，其特征在于，所述无人机中继部署方法更新粒子速度和位置，当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程中粒子受速度[V_min,V_max]和位置[X_min,X_max]限制，根据公式更新粒子的速度和位置。

5.如权利要求4所述的无人机中继部署方法，其特征在于，所述更新粒子的速度公式：

粒子在搜索过程中的位置更新公式：

x_iQ(k+1)＝x_iQ(k)+v_iQ(k+1)；

式中，k表示第k次迭代，w为惯性权重因子，c1和c2为学习因子，r1和r2是相互独立的(0,1)之间随机数，v(k)∈[-v_min,v_max]为粒子的速度范围，x(k)∈[L_min,L_max]为搜索空间，p(k)为粒子自身历史最优值，g(k)为整个种群的历史最优值。

6.如权利要求1所述的无人机中继部署方法，其特征在于，所述无人机中继部署方法使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位置进行局部调整。

7.如权利要求6所述的无人机中继部署方法，其特征在于，所述计算粒子受到的虚拟力的公式为：

节点s_j对s_i的引力为F_ij，则：

设节点s_k对s_i的斥力为F_ik，则：

式中，其中R_th为虚拟力力作用最大范围阈值，w_a和w_b分别表示节点受到的引力系数和斥力系数，D(s_i,s_j)表示两节点间的距离，节点s_i受到的合力为：

所述对粒子的位置进行局部调整的公式为：F_ix和F_iy分别为粒子i在x方向和y方向所受虚拟力大小，则粒子i在位置向量方向受到虚拟力移动步长为：

其中maxstep为最大移动距离，虚拟力位置调整的更新公式为：

x_iQ(k,i)＝x_iQ(k)+λ_iQ。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；

根据目标优化函数计算各粒子适应度值，使用目标优化函数计算粒子的适应度函数值；

当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制，更新粒子的速度和位置；

使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位置进行局部调整；

循环迭代，判断是否满足最终条件；满足终止条件时，停止迭代，输出全局最优位置；否则继续循环迭代，转入根据目标优化函数计算各粒子适应度值，使用目标优化函数来计算粒子的适应度函数值，设置最大迭代次数为终止条件。

9.一种实施权利要求1～7任意一项所述无人机中继部署方法的无人机中继部署系统，其特征在于，所述无人机中继部署系统包括：

参数初始化模块，用于根据仿真平台初始化配置参数，算法模型参数及中继无人机属性；

粒子群初始化模块，用于目标区域范围内，选取2M随机数构成M个中继无人机的初始位置，粒子的速度同样使用随机初始化的方法初始化；

各粒子适应度值计算模块，用于根据目标优化函数计算各粒子适应度值，使用目标优化函数来计算粒子的适应度函数值；

粒子速度和位置更新模块，用于当算法运行到第k次迭代时，比较所有粒子搜索到的历史最优位置，并取得最好位置来更新全局最优位置，在更新过程中粒子受速度和位置限制，更新粒子的速度和位置；

虚拟力对粒子位置局部调整模块，用于使用虚拟力对粒子的位置进行局部调整，根据粒子位置计算某粒子的邻接矩阵，根据其邻接矩阵和公式计算粒子受到的虚拟力，再通过公式对粒子的位置进行局部调整；

循环迭代模块，用于循环迭代，判断是否满足最终条件。

10.一种无人机，其特征在于，所述无人机搭载权利要求9所述的无人机中继部署系统。

Images