CN112584321A - 一种无人机协同的数能一体化网络的优化方法 - Google Patents
一种无人机协同的数能一体化网络的优化方法 Download PDFInfo
- Publication number
- CN112584321A CN112584321A CN202011469936.0A CN202011469936A CN112584321A CN 112584321 A CN112584321 A CN 112584321A CN 202011469936 A CN202011469936 A CN 202011469936A CN 112584321 A CN112584321 A CN 112584321A
- Authority
- CN
- China
- Prior art keywords
- energy
- unmanned aerial
- aerial vehicle
- user equipment
- optimization
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种无人机协同的数能一体化网络的优化方法,包括用户区域划分、无人机悬停点求解、无人机飞行轨迹设计和优化下行链路的吞吐量与收割能量。本发明考虑了用户电池容量、最小吞吐率和无人机飞行限制的情况,更贴近实际约束,并联合优化了用户的信息与能量接收,在提高下行链路吞吐率的同时,还兼顾了用户设备收割的能量。
Description
技术领域
本发明涉及一种移动通信方法,尤其是涉及一种无人机协同的数能一体化网络的优化方法。
背景技术
随着通信场景变得越来越复杂,传统的固定基站将不再适应各种场景复杂的通信系统,而无人机(Unmanned Aerial Vehicle,UAV)因有着体积小、低功耗、便捷以及强大的战场生存能力的优点,成为了近期研究主题的热潮。无人机协同的通信网络系统,也给基站所不能覆盖的通信场景提供了一种很好的解决办法。
能量收集(Energy Harvesting,EH)技术因其能为无线传感网络等能量受限网络提供稳定的能量并延长网络生命周期而具有大好发展前景。能量收集技术的能量来源不仅包括周围环境的大多数自然能源,如太阳能、光能、风能、热能、化学能等,还可以将接收的周围无线信号转化成一种电能,如人工获取的射频(Radio Frequency,RF)信号。而基于RF信号的能量收集因其可以不受天气环境影响并提供稳定能量成为研究热点。
随着无线技术的快速发展和移动设备的数量急剧增加,像手机和可穿戴的小型设备等用户设备(User Equipments,UEs)产生了巨大的数据量,如何为这些设备功能,提高便携性成为了一个具有挑战性的问题。无线能量传输(Wireless Energy Transfer,WET)技术可以收集外在RF信号并通过电路设计将其转化为直流(Direct Current,DC)电路用于无线信息传输(Wireless Information Transfer,WIT),从而处理一些能量受限和不稳定网络的能量瓶颈问题。数能一体化通信网络(Data and energy integrated communicationnetworks,DEINs)是一种能实现数据与能量协作传输的新型网络。在数能一体化网络中,能量和数据可以同时传输,可以通过传输能量信号为能量受限设备提供能量进行信息传输,延长网络寿命,同时也不影响信息的传输。
在目前的研究当中,大多数研究仅仅考虑了无人机协同的WIT,即优化轨迹的同时优化信息接收,或者仅考虑无人机协同的WET;在对于无人机协同的无线数能同传(Simultaneous wireless information and power transfer,SWIPT)的研究中,部分考虑了近似算法求解无人机轨迹,进而调整功率,满足能量的前提下,优化吞吐率方案;部分研究仅考虑了一个用户,无人机及充电源的方案,等等。
对于用户区域划分上,许多研究也仅用最简单阈值距离来划分区域,这样很可能导致划分不均以及遗漏个别用户;无人机轨迹的近似算法也有可能得不到最优解;并且单独的考虑优化WET与WIT也会使性能不能最大化,从而得不到最优方案。
发明内容
本发明提供了一种无人机协同的数能一体化网络的优化方法,解决现有技术中对无人机协同的数能一体化网络研究中用户区域划分不当、无人机轨迹优化,并且未联合优化无线信息传输与无线能量传输的问题,其技术方案如下所述:
一种无人机协同的数能一体化网络的优化方法,包括用户区域划分、无人机悬停点求解、无人机飞行轨迹设计和优化下行链路的吞吐量与收割能量四部分处理阶段,通过以下步骤实现:
S1、确定网络系统模型,设定模型由一个无人机、一个无人机充能点和多个距离不同的用户设备组成,定义用户设备的信息接收策略,以及定义无人机能耗模型;
S2、根据网络系统模型,求每个用户设备的接收功率、收割能量功率和下行吞吐率;
S3、将用户设备根据聚类算法划分为多个区域,得到每个区域无人机最佳悬停位置;
S4、引入充能点,并用动态规划的方法求得无人机飞行轨迹;
S5、在每个区域,定义优化目标为收割能量最大化和总吞吐量最大化,得到优化目标的表达式以及其约束;
S6、在一次任务时间内,根据优化目标的表达式以及其约束,求解出无人机最佳悬停时间和优化问题的解;
S7、将求得的最大收割能量处理后,作为约束条件优化下行链路的总吞吐量,得出信息与能量联合优化的无人机悬停时间分配以及相应优化目标解。
进一步的,步骤S1中,包括以下步骤:
S11:所述N个用户设备表示为U={u1,…,uN},其中,U表示N个用户设备的集合,u1至uN分别对应表示N个用户设备,并且用户与无人机之间是视距无线传输,无人机知晓用户设备数量和位置,且知道无人机最大飞行速度为V,飞行高度为H,将任务时间T划分为Ns个时隙。假设无人机悬停的区域有M个,每个区域中有Kj,j=1,…,M个用户设备;
S12:考虑用户设备的信息接收情况进而定义信息接收策略,用aui[n]∈{0,1}表示用户设备ui在时隙n的信息接收状态,aui[n]=1表示既接收信息也进行能量收割,aui[n]=0表示仅进行能量收割,用户采用时隙分割的方式来同时进行信息接收与能量收割,设一个时隙长度为Ts,在一个时隙中,分配αTs进行能量收割,(1-α)Ts进行信息处理,α表示0~1之间的一个固定值;
S13:无人机的能量消耗包括推进功率消耗和传输消耗,推进功率消耗由公式给出:
其中P0和Pi分别表示悬停状态下的叶片轮廓功率和感应功率,Utip表示转子的叶尖速度,v0被称为悬停时的平均转子感应速度,d0和s分别是机身阻力比和转子坚固度,而ρ和A表示空气密度和转子盘面积,V(t)表示无人机的飞行速度,传输消耗主要体现在无人机的发射功率消耗。
进一步的,步骤S2中,包括以下步骤:
S21:得到每个时隙每个用户接收功率:设定划分时隙中的无人机传输功率P0[n]保持不变,在第n个时隙,无人机的下行传输信号xj(t)为
其中,sj(t)表示无人机在区域j中使用的随机发射信号,设定随机发送信号具有单位功率并且相互正交,在LOS信道传输条件下,得到用户设备的接收功率为:
其中β表示参考距离为1m时的信道功率增益,dj,ui表示无人机与用户设备的距离,dL表示路径损耗;
S22:得到每个时隙每个用户接收能量:根据接收功率得到收割能量功率:Per,ui,即将收割得到的能量除以时间得到的功率,表达式为
S23:得到每个时隙每个用户的下行吞吐率:在LOS信道下,根据香农公式得到用户设备的下行吞吐率:
进一步的,步骤S3中,包括以下步骤:
S31:改进聚类算法,将所有用户设备按位置进行聚类划分为尽可能少的区域;
S32:无人机传输的信息与能量需要满足该区域内所有用户的需求,将该区域内用户设备接收功率最大化作为优化目标,通过寻找无人机最佳悬停位置使优化目标最大化,得到优化问题:
Pw是用户设备的平均能耗,从而在满足优化的条件下,将问题转为广义费马问题求解。
进一步的,步骤S4中,在任务时间T的限定条件下,使用动态规划方法解决无人机轨迹问题,得到动态规划方程:
其中d(i,V)表示从悬停点i经过集合V中所有点一次且仅一次的最短路,点i表示无人机悬停点中的任意一点,集合V表示无人机悬停点的集合,cik表示从点i到点k的距离,cis表示从点i到点s的距离,d不是单独的参数,而是d(i,v)整体表示关于i与V的函数,为便于分析,设定无人机的充能位置在上述用聚类方法求得的悬停点上。
进一步的,步骤S5中,包括下列步骤:
S51:考虑信息接收策略、最小收割能量约束、电池容量、无人机本身以及任务时间,得到所有用户收割能量的最大化优化问题;
S52:考虑信息接收策略、最小吞吐率约束、无人机本身以及任务时间,得到所有用户总吞吐量最大化优化问题。
进一步的,步骤S6中,包括下列步骤:
S61:在任务时间内,信息策略aui[n]是与传输协议相关,从所有时隙看,假设aui(n)是服从[0.6,0.8]的均匀分布,从而步骤S51和S52优化问题时所提出的目标函数变为τj相关的线性函数,将非凸优化问题转化为凸优化问题;
S62:得到仅能量优化与仅信息优化最优解,并解出无人机在各个区域悬停时间,得到最大收割能量为Emax。
进一步的,步骤S7中,包括下列步骤:
S71:将用户设备收割的总能量作为约束条件优化用户设备的总信息吞吐量,得到信息与能量联合优化问题;
S72:求解联合优化下,无人机各区域最优悬停时间以及相应的收割能量和信息吞吐量。
所述无人机协同的数能一体化网络的优化方法包括用户区域划分、无人机悬停点求解、无人机飞行轨迹设计和优化下行链路的吞吐量与收割能量四部分,对应的算法创造性一一说明。在用户区域划分上,本发明提出了一种改进聚类算法,在不知道具体区域划分个数的情形下,可以将用户划分为尽可能少的区域,并且符合通信要求,在无人机悬停点求解上,本发明提出的算法在考虑距离的同时可以最大化用户接收功率,从而提高无人机资源的利用率。在无人机飞行轨迹设计上,本发明提出的算法避免了近似算法的次优解的可能,并且算法收敛速度较好。最后一部分,本发明提出的方法在考虑了无人机自身限制,用户的需求以及信息传输策略的条件下联合优化了WPT与WIT,不仅满足了用户的信息能量需求,也最大化了用户的吞吐量。
附图说明
图1是所述无人机协同的数能一体化网络的优化方法的流程示意图;
图2是本发明实施例的系统模型示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
本发明提供了一种无人机协同的多用户数能一体化网络吞吐量与收割能量的最优化方法,由用户区域划分、无人机悬停点求解、无人机飞行轨迹设计和优化下行链路的吞吐量与收割能量四个部分组成,具体包括以下步骤:
S1、确定网络系统模型。该模型中,可以假设该网络系统模型由一个无人机、一个无人机充能点和多个距离不同的用户设备组成;进一步的确定用户设备数量、用户设备的位置、无人机最大飞行速度、无人机飞行高度以及传输信道,确定任务时间,并将任务时间划分为多个时隙;还需要考虑用户设备的信息接收,定义信息接收策略,对传输帧进行设计;以及考虑无人机能耗模型。
该步骤具体包括以下分步骤:
S11、假设网络系统模型中有N个用户设备,一个无人机以及一个无人机充能点。所述N个用户设备可以表示为U={u1,…,uN},其中,U表示N个用户设备的集合,u1至uN对应表示N个用户设备。
假设用户与无人机之间是视距无线传输,这样,无人机知晓用户位置,且知道无人机最大飞行速度为V,飞行高度为H。无人机需要在规定任务时间T内完成信息与能量的传输,为便于理论分析,将任务时间T划分为Ns(和用户数N作为区分加了个下标s,s为slot简写,即表示时隙数目)个时隙。假设无人机悬停的区域有M个,每个区域中有Kj,j=1,…,M个用户设备,建立有无人机协同的数能一体化网络模型如图2所示,其中,直线A表示信息传输,直线B表示能量传输,但信息与能量是承载在同一个信号上。因设计的信息接收策略,可能存在不传输信息只传输能量的情形。
其中,Ns表示时隙数目,Kj表示区域j中的用户数目,下标j代表区域。
S12、考虑用户设备不可能一直接收信息,故定义用户设备的信息接收策略。aui[n]表示用户设备的信息接收状态,用aui[n]∈{0,1}表示用户设备ui在时隙n的信息接收状态,aui[n]=1表示既接收信息也进行能量收割,aui[n]=0表示仅进行能量收割,这样做可以充分利用系统资源。
用户采用时隙分割的方式来同时进行信息接收与能量收割;设一个时隙长度为Ts,在一个时隙中,分配αTs进行能量收割,(1-α)Ts进行信息处理,α表示0~1之间的固定值,因为信息的传输控制帧等占用时间非常少,所以在时隙分配中可以忽略。
S13、本发明考虑的无人机采用多旋翼航空机器人,能量消耗主要由两部分组成:推进功率消耗和传输消耗。推进功率消耗由公式给出:
其中P0和Pi分别表示悬停状态下的叶片轮廓功率和感应功率,Utip表示转子的叶尖速度,v0被称为悬停时的平均转子感应速度,d0和s分别是机身阻力比和转子坚固度,而ρ和A表示空气密度和转子盘面积。V(t)表示无人机飞行速度。
传输消耗主要体现在无人机的发射功率消耗。
S2、根据网络系统模型,得到每个时隙每个用户设备的接收功率、收割能量功率和下行吞吐率。
该步骤具体包括以下分步骤:
S21、当划分的时隙足够小时,本发明可以认定该时隙中的无人机传输功率P0[n]基本保持不变。在第n个时隙,无人机的下行传输信号xj(t)可以写为
其中,sj(t)表示无人机在区域j中使用的随机发射信号。这里,假定随机发送信号具有单位功率并且相互正交,在LOS信道(LineofSight,当两个基站之间或者是手机与基站之间没有遮挡的时候,信道模型为LOS)传输条件下,得到用户设备的接收功率为:
其中β表示参考距离为1m时的信道功率增益,dj,ui表示无人机与用户设备的距离,dL表示路径损耗。
S22、根据接收功率得到收割能量功率:Per,ui
S23、在LOS信道下,根据香农公式得到用户设备的下行吞吐率:
S3、将用户设备划分为多个区域,定义优化问题求得每个区域无人机最佳悬停位置。
该步骤具体包括以下分步骤:
S31、考虑改进聚类算法,将所有用户设备按位置进行聚类划分为尽可能少的区域。在该问题中并没给定具体的区域划分数,这与传统的聚类算法不同。在给定无人机最大传输半径dthre下,考虑从k=1个区域开始进行迭代运算,先随机选取k个中心点,按照聚类算法将用户设备围绕上述中心点聚类,并按照到该区域内所有点距离和最短的方法重新选取每个聚类区域新的中心点,重复中心点聚类,直到中心点不再变化。满足dthre的点划分到一个区域存储到集合S中,并在总集合U中剔除相关点;不断进行上述操作直至划分完成,多次计算后得到最佳划分方法。
这个算法初始k值为1,即从一个区域进行迭代,完成一次后k值加1,变成从两个区域迭代,以此类推。
聚类分区算法:
步骤2:使用k-中心点算法进行分类并计算出每一类中点的最小包围圆。
步骤3:判断是否存在半径rn≤dthre,n∈{1,2,.的最小包围圆。若存在,则将这些聚类储存到集合S中,并且M=M∪S,然后从节点集U中去除集合S中的点,即U=U-S,判断集合S是否为空集,不满足转到步骤2,满足转到步骤4;若不存在,k=k+1,转到步骤2。
步骤4:输出集合M。
上述k-中心点算法为(k-medoide)。
S32、考虑无人机最佳悬停位置问题,得到各个区域无人机最佳悬停点。考虑无人机传输的信息与能量需要满足该区域内所有用户的需求,将该区域内用户设备接收功率最大化作为优化目标,通过寻找无人机最佳悬停位置使优化目标最大化,得到优化问题:
Pw是用户设备的平均能耗,这样设计可以在满足优化的条件下,将问题当广义费马问题求解。
S4、在任务时间T的设定条件下,减少无人机的飞行时间,将会显著提高无人机的传输效率;得到无人机的最佳悬停位置后,寻找遍历所有点的哈密尔顿回路是典型的TSP问题。常用的近似算法会得到近似解而非最优解,本发明考虑使用动态规划方法解决无人机轨迹问题,得到动态规划方程:
其中d(i,V)表示从悬停点i经过集合V中所有点一次且仅一次的最短路,cik表示从点i到点k的距离。点i表示无人机悬停点中的任意一点,集合V表示无人机悬停点的集合,cik表示从点i到点k的距离,cis表示从点i到点s的距离,d不是单独的参数,而是d(i,v)整体表示关于i与V的函数。
解该方程能够得到无人机最佳飞行轨迹,为了便于分析问题,本发明直接将无人机的充能位置设置在了任意用聚类方法求得的悬停点上。
S5、在每个区域,定义优化目标为收割能量最大化和总吞吐量最大化,得到优化目标表达式以及其约束。
该步骤具体包括以下分步骤:
S51、根据能量优化目标,为在任务时间T内使所有用户设备的收割能量最大化,考虑每个用户设备有最大电池容量限制以及最小工作能量需求得到用户设备的能量限制约束条件。
假设无人机在每个区域停留时隙数为τj,j=1,…,M,M+1,结合任务时间与飞行时间,得到时间约束条件:其中Tfly为无人机飞行时间。考虑到无人机的自身能量约束,无人机需要在充能点的有限时间内获得满足自身能量的消耗。得到优化问题:
Ethmax,j≥Qj≥Ethmin,j,j=1,…,M
aui[n]∈{0,1},i=1,…,N
τj∈N+,j=1,2,…,M,M+1
其中,Qj表示区域M的所有用户设备收割的能量和,E(τj)表示所有用户收割的能量之和,s.t:是优化问题约束条件的简写,表示接下来的公式均为约束条件,Ett表示无人机下行传输能量消耗,Pur[n]表示无人机在充能点充能时的功率大小,aui[n]是表示用户设备的信息接收状态,Per,ui[n]表示用户设备i在时隙n收割能量功率的大小。
此优化问题,目标函数表示:在任务时间T内,所有用户收割的能量之和约束条件:第一个表示无人机飞行时间约束,即无人机的悬停时间与移动飞行时间和为T;第二个表示无人机自身能量约束,即无人机在充能点获得的能量要大于等于自身消耗的能量;第三个表示用户设备的能量约束,即收割得到的能量要不小于自身消耗且不大于电池容量;第四个表示信息策略的约束条件;第五个表示悬停时隙数要取正整数。
S52、根据信息优化目标,为任务时间T内使所有用户设备的总吞吐量最大化,考虑每个用户设备存在最低吞吐量ηth,j需求得到一个约束条件。同时,与能量优化相同,存在无人机自身能耗限制以及任务时间限制,得到优化问题:
aui[n]∈{0,1},i=1,…,N
τj∈N+,j=1,2,…,M,M+1
其中,Rt,ui[n]表示用户i在时隙n时的吞吐率;aui[n]是表示用户设备的信息接收状态,ηth,j表示区域j的最低吞吐量需求。
此优化问题,目标函数表示:在任务时间T内,所有用户吞吐量之和约束条件:第一个表示无人机飞行时间约束,即无人机的悬停时间与移动飞行时间和为T;第二个表示无人机自身能量约束,即无人机在充能点获得的能量要大于等于自身消耗的能量;第三个表示用户设备的最低吞吐量需求;第四个表示信息策略的约束条件;第五个表示悬停时隙数要取正整数。
S6、在一次任务时间内,根据优化目标表达式,以及其约束求解出无人机最佳悬停时间和优化问题的解。在任务时间内,将非凸优化问题转化为凸优化问题,
该步骤具体包括以下分步骤:
S61、考虑用户设备的信息接收状态aui[n]是与传输协议相关。为简化计算,从所有时隙看,假设aui[n]是服从[0.6,0.8]的均匀分布,从而目标函数变为τj相关的线性函数,并将信息与能量非凸优化问题转化为凸优化问题。此处对应的是上述步骤S51和步骤S52两个优化问题的目标函数,即max后的表达式。两个目标函数分别表示:在任务时间T内使所有用户设备的收割能量最大化,在任务时间T内使所有用户设备的总吞吐量最大化。
S62、进而得到仅能量优化与仅信息优化最优解,并解出无人机在各个区域悬停时间。得到最大收割能量为Emax。可以从实验得到,观察仅信息优化与仅能量优化结果,无人机会在高效率悬停点停留更加长的时间。
S7、将求得的最大收割能量处理后,作为约束条件优化总吞吐量,得出信息与能量联合优化的无人机悬停时间分配以及相应优化目标解。
该步骤具体包括以下分步骤:
S71、因为仅优化信息或能量都会使无人机偏向一些高收益悬停位置,考虑将信息与能量联合优化,将用户设备收割的总能量作为约束条件来优化用户设备的总信息吞吐量,得到约束条件E(τj)≥ωEmax,ω∈[0,1],可以通过调节ω来均衡信息与能量优化。
S72、求解联合优化下,得到无人机各区域最优悬停时间以及相应的收割能量和信息吞吐量。
下面是几个术语的说明:
(1)聚类分析:聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式组成的,通常,模式是一个度量(Measurement)的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。本方案考虑改进划分法。
(2)动态规划:动态规划(dynamic programming)是运筹学的一个分支,是求解决策过程(decision process)最优化的数学方法,可以把多阶段过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解。
(3)费马点问题:称到三角形三个顶点距离之和最小的点为费马点,如何求解该点便是费马点问题,其推广可到广义费马点问题。
本发明提供的方案在应用场景上,使用无人机替代了传统基站的功能,使得无人机本身体积小、低消耗、便捷以及强大的战场生存能力的优点充分利用在了数能一体化网络中;而数能一体化传输,又可以为无线传感网络等能量受限网络提供稳定的能量并延长网络生命周期;具体而言,本发明公开的方法可以在基站无法部署的复杂场景下,为用户设备提供足够的能量供应以及信息吞吐率,在满足用户设备自身任务消耗的同时大大延长设备寿命。
综上,本发明公开的无人机协同的数能一体化网络的优化方法,符合移动通信领域的发展趋势,拓宽了无人机在通信领域的应用范围。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种无人机协同的数能一体化网络的优化方法,包括用户区域划分、无人机悬停点求解、无人机飞行轨迹设计和优化下行链路的吞吐量与收割能量四部分处理阶段,通过以下步骤实现:
S1、确定网络系统模型,设定模型由一个无人机、一个无人机充能点和多个距离不同的用户设备组成,定义用户设备的信息接收策略,以及定义无人机能耗模型;
S2、根据网络系统模型,求每个用户设备的接收功率、收割能量功率和下行吞吐率;
S3、将用户设备根据聚类算法划分为多个区域,得到每个区域无人机最佳悬停位置;
S4、引入充能点,并用动态规划的方法求得无人机飞行轨迹;
S5、在每个区域,定义优化目标为收割能量最大化和总吞吐量最大化,得到优化目标的表达式以及其约束;
S6、在一次任务时间内,根据优化目标的表达式以及其约束,求解出无人机最佳悬停时间和优化问题的解;
S7、将求得的最大收割能量处理后,作为约束条件优化下行链路的总吞吐量,得出信息与能量联合优化的无人机悬停时间分配以及相应优化目标解。
2.根据权利要求1所述的无人机协同的数能一体化网络的优化方法,其特征在于:步骤S1中,包括以下步骤:
S11:所述N个用户设备表示为U={u1,…,uN},其中,U表示N个用户设备的集合,u1至uN分别对应表示N个用户设备,并且用户与无人机之间是视距无线传输,无人机知晓用户设备数量和位置,且知道无人机最大飞行速度为V,飞行高度为H,将任务时间T划分为Ns个时隙。假设无人机悬停的区域有M个,每个区域中有Kj,j=1,...,M个用户设备;
S12:考虑用户设备的信息接收情况进而定义信息接收策略,用aui[n]∈{0,1}表示用户设备ui在时隙n的信息接收状态,aui[n]=1表示既接收信息也进行能量收割,aui[n]=0表示仅进行能量收割,用户采用时隙分割的方式来同时进行信息接收与能量收割,设一个时隙长度为Ts,在一个时隙中,分配αTs进行能量收割,(1-α)Ts进行信息处理,α表示0~1之间的一个固定值;
S13:无人机的能量消耗包括推进功率消耗和传输消耗,推进功率消耗由公式给出:
其中P0和Pi分别表示悬停状态下的叶片轮廓功率和感应功率,Utip表示转子的叶尖速度,v0被称为悬停时的平均转子感应速度,d0和s分别是机身阻力比和转子坚固度,而ρ和A表示空气密度和转子盘面积,V(t)表示无人机的飞行速度,传输消耗主要体现在无人机的发射功率消耗。
3.根据权利要求2所述的无人机协同的数能一体化网络的优化方法,其特征在于:步骤S2中,包括以下步骤:
S21:得到每个时隙每个用户接收功率:设定划分时隙中的无人机传输功率P0[n]保持不变,在第n个时隙,无人机的下行传输信号xj(t)为
其中,sj(t)表示无人机在区域j中使用的随机发射信号,设定随机发送信号具有单位功率并且相互正交,在LOS信道传输条件下,得到用户设备的接收功率为:
其中β表示参考距离为1m时的信道功率增益,dj,ui表示无人机与用户设备的距离,dL表示路径损耗;
S23:得到每个时隙每个用户的下行吞吐率:在LOS信道下,根据香农公式得到用户设备的下行吞吐率:
6.根据权利要求1所述的无人机协同的数能一体化网络的优化方法,其特征在于:步骤S5中,包括下列步骤:
S51:考虑信息接收策略、最小收割能量约束、电池容量、无人机本身以及任务时间,得到所有用户收割能量的最大化优化问题;
S52:考虑信息接收策略、最小吞吐率约束、无人机本身以及任务时间,得到所有用户总吞吐量最大化优化问题。
7.根据权利要求1所述的无人机协同的数能一体化网络的优化方法,其特征在于:步骤S6中,包括下列步骤:
S61:在任务时间内,信息策略aui[n]是与传输协议相关,从所有时隙看,假设aui[n]是服从[0.6,0.8]的均匀分布,从而步骤S51和S52优化问题时所提出的目标函数变为τj相关的线性函数,将非凸优化问题转化为凸优化问题;
S62:得到仅能量优化与仅信息优化最优解,并解出无人机在各个区域悬停时间,得到最大收割能量为Emax。
8.根据权利要求1所述的无人机协同的数能一体化网络的优化方法,其特征在于:步骤S7中,包括下列步骤:
S71:将用户设备收割的总能量作为约束条件优化用户设备的总信息吞吐量,得到信息与能量联合优化问题;
S72:求解联合优化下,无人机各区域最优悬停时间以及相应的收割能量和信息吞吐量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469936.0A CN112584321B (zh) | 2020-12-15 | 2020-12-15 | 一种无人机协同的数能一体化网络的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469936.0A CN112584321B (zh) | 2020-12-15 | 2020-12-15 | 一种无人机协同的数能一体化网络的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112584321A true CN112584321A (zh) | 2021-03-30 |
CN112584321B CN112584321B (zh) | 2022-01-18 |
Family
ID=75135231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011469936.0A Active CN112584321B (zh) | 2020-12-15 | 2020-12-15 | 一种无人机协同的数能一体化网络的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112584321B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776531A (zh) * | 2021-07-21 | 2021-12-10 | 电子科技大学长三角研究院(湖州) | 无线自供电通信网络的多无人机自主导航及任务分配算法 |
CN114884829A (zh) * | 2022-05-05 | 2022-08-09 | 福州大学 | 基于mcr-wpt的无人机协助wpcn的资源分配方法 |
CN115550878A (zh) * | 2022-09-20 | 2022-12-30 | 重庆邮电大学 | 支持无线功率传输的无人机通信网络资源分配及部署方法 |
CN116092332A (zh) * | 2023-01-31 | 2023-05-09 | 中山大学 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913172A (zh) * | 2013-12-06 | 2014-07-09 | 北京航空航天大学 | 一种适用于复杂低空下飞行器的路径规划方法 |
CN107450586A (zh) * | 2017-09-15 | 2017-12-08 | 广州杰赛科技股份有限公司 | 航路的调整方法和系统以及无人机系统 |
CN110488868A (zh) * | 2019-08-30 | 2019-11-22 | 哈尔滨工程大学 | 一种多无人机协助用户的移动卸载方法 |
CN111953407A (zh) * | 2020-08-24 | 2020-11-17 | 西南大学 | 无人机视频中继系统及其最小化能耗的方法 |
-
2020
- 2020-12-15 CN CN202011469936.0A patent/CN112584321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913172A (zh) * | 2013-12-06 | 2014-07-09 | 北京航空航天大学 | 一种适用于复杂低空下飞行器的路径规划方法 |
CN107450586A (zh) * | 2017-09-15 | 2017-12-08 | 广州杰赛科技股份有限公司 | 航路的调整方法和系统以及无人机系统 |
CN110488868A (zh) * | 2019-08-30 | 2019-11-22 | 哈尔滨工程大学 | 一种多无人机协助用户的移动卸载方法 |
CN111953407A (zh) * | 2020-08-24 | 2020-11-17 | 西南大学 | 无人机视频中继系统及其最小化能耗的方法 |
Non-Patent Citations (1)
Title |
---|
池文浩: "基于动态面和自适应动态规划的四旋翼无人机姿态跟踪控制", 《天津理工大学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776531A (zh) * | 2021-07-21 | 2021-12-10 | 电子科技大学长三角研究院(湖州) | 无线自供电通信网络的多无人机自主导航及任务分配算法 |
CN114884829A (zh) * | 2022-05-05 | 2022-08-09 | 福州大学 | 基于mcr-wpt的无人机协助wpcn的资源分配方法 |
CN114884829B (zh) * | 2022-05-05 | 2023-08-29 | 福州大学 | 基于mcr-wpt的无人机协助wpcn的资源分配方法 |
CN115550878A (zh) * | 2022-09-20 | 2022-12-30 | 重庆邮电大学 | 支持无线功率传输的无人机通信网络资源分配及部署方法 |
CN116092332A (zh) * | 2023-01-31 | 2023-05-09 | 中山大学 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
CN116092332B (zh) * | 2023-01-31 | 2023-12-05 | 中山大学 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112584321B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112584321B (zh) | 一种无人机协同的数能一体化网络的优化方法 | |
CN108880662B (zh) | 一种基于无人机的无线信息和能量传输的优化方法 | |
CN110730031B (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
Cao et al. | Deep reinforcement learning for channel and power allocation in UAV-enabled IoT systems | |
Ye et al. | Optimization for wireless-powered IoT networks enabled by an energy-limited UAV under practical energy consumption model | |
CN112532300B (zh) | 单无人机反向散射通信网络轨迹优化与资源分配方法 | |
CN111970709B (zh) | 一种基于粒子群优化算法的无人机中继部署方法及系统 | |
CN109890035B (zh) | 一种中继无人机航迹规划和用户接入联合优化方法 | |
Tran-Dinh et al. | Energy-efficient trajectory design for UAV-enabled wireless communications with latency constraints | |
Shen et al. | UAV-enabled data collection for mMTC networks: AEM modeling and energy-efficient trajectory design | |
Xiao et al. | Full-duplex machine-to-machine communication for wireless-powered Internet-of-Things | |
CN116113025A (zh) | 一种无人机协能通信网络中轨迹设计和功率分配方法 | |
Ye et al. | Optimal time allocation for full-duplex wireless-powered IoT networks with unmanned aerial vehicle | |
CN111182469A (zh) | 一种能量收集网络时间分配及无人机轨迹优化方法 | |
Wang et al. | Time and energy efficient data collection via UAV | |
CN109272167B (zh) | 一种基于uudn和q神经网络的绿色能量合作方法 | |
Ye et al. | Full-duplex wireless-powered IoT networks with unmanned aerial vehicle | |
Abkenar et al. | ENERGENT: An energy-efficient UAV-assisted fog-IoT framework for disaster management | |
Fu et al. | AoI-Energy-Aware Collaborative Data Collection in UAV-enabled Wireless Powered Sensor Networks | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
Shen et al. | Energy-awareness dynamic trajectory planning for UAV-enabled data collection in mMTC networks | |
CN109831826B (zh) | 无线供能通信网络中的联合上下行信息传输的资源分配方法 | |
Fu et al. | Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas | |
CN114448537B (zh) | 一种通信网络中能量效率和频谱效率的折中方法 | |
Wu et al. | Resource allocation optimization of UAVs-enabled air-ground collaborative emergency network in disaster area |
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 |