CN113015185B - 基于粒子滤波的uav无线携能通信网络系统上行链路吞吐量最大化方法 - Google Patents

Abstract

一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，针对两架UAV服务两个地面信息节点的无线携能通信网络系统，将UAV的飞行时间T等间隔划分为N个时隙，两个UAV在一个固定的位置上，交替地对两个地面信息节点发射能量信号进行充电，地面信息节点则交替传输信息到对应的UAV上，通过联合优化两架UAV的飞行轨迹，资源分配以及地面信息节点的信息传输功率，搜索出了一个全局最优解，以最大化系统上行链路的最小吞吐量。本发明优化方案效果较好，系统上行链路的最小信息吞吐量较高；用于对基于UAV的无线携能通信网络系统进行优化求解，以最大化系统的上行链路最小吞吐量，或者最大化地面信息节点获取的总能量。

Description

基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量 最大化方法

技术领域

本发明设计通信工程技术领域，具体涉及一种两架UAV(unmanned aerialvehicle)服务两个地面信息节点的无线携能通信网络(wireless powered communicationnetwork，WPCN)系统信息传输吞吐量最大化方法。

背景技术

在万物互联的物联网时代，万物互联对信息的传输有着更为迫切的需求。而对于物联网当中的信息节点来说，无线信息传输(wireless information transfer，WIT)是物联网信息交换的主要方式，其能量是受限的，其信息传输的功率是较低的，因此信息传播的距离是有限的。物联网的体积较小的信息节点通常是能量受限的，无法自行补充能量，需要通过外部进行供电，对于远离电源设备的信息节点来说是非常不便的。而无线能量传输(wireless power transfer，WPT)技术的出现为解决这样的难题提供了契机。而UAV作为部署使用灵活性极好的平台，具有一定的飞行负重能力。近年来，UAV结合WPT技术和WIT技术的无线携能通信网络技术被广泛应用于物联网信息节点的供电和信息收集当中，提高了UAV的使用效率。以UAV作为平台，使用WPT技术通过UAV的上行链路，发射特殊的能量信号对物联网信息节点进行充电；物联网的信息节点利用收集的能量将其收集的信息通过下行链路发送到UAV，通过一些优化方法，可以有效提高WPCN系统的信息传输的吞吐量。

目前针对以UAV作为平台的无线携能通信网络系统的信息传输吞吐量最大化的方法广泛而多样。在基于UAV的无线携能通信网络系统当中，地面节点向UAV发送信息，信息的传输速率不仅与信道有关，也与地面节点的发送的功率相关。由于地面节点需要通过获取UAV通过WPT发送的能量来进行信息传输，因此信息传输最大化受到限制条件的约束。对UAV进行路径规划和能量分配，以及对UAV采集信号和能量的时间进行分配，是一种目前针对地面节点信息传输速率最大化的主要研究方式。有的研究考虑了一个单UAV服务多个地面信息节点的无线携能通信网络系统模型，提出了一种UAV连续悬停飞行的轨迹规划方法，通过连续凸逼近(successive convex approximation，SCA)对UAV的飞行轨迹进行规划，得到一个局部最优解，并且对上行链路和下行链路的资源分配，使得地面固定位置的信息节点的信息传输速率最大化。但是，受限于无人机的数量只有一个，地面信息节点的平均信息速率并不高。有的研究考虑了一个两个UAV服务多个地面信息节点的无线携能通信网络系统模型，通过SCP技术和CVX技术来联合规划两个无人机的路径，并且通过对上行链路和下行链路的资源分配进行优化，以最大化系统的最小信息传输速率。这种方案的UAV数目增加到了两个，但是仍然要服务于多个地面信息节点，地面信息节点的信息传输速率还有继续提高的空间。有的研究考虑了一个两个无人机服务两个地面节点的无线携能通信网络系统模型，在该模型当中，地面信息节点将信息传输到对应的UAV上，减小了信号的干扰。与之前的方案相同，该方案也是通过SCA技术和CVX技术联合优化UAV的飞行轨迹，并且优化资源分配来最大化系统的最小吞吐率。通过对应的UAV来接收地面信息节点的信息，提高了系统上行链路传输信息的吞吐量。但是地面信息节点同时发送信息仍然会造成干扰，导致系统上行链路最小吞吐量的下降。

目前存在的关于最大化WPCN系统上行链路吞吐量的方案，主要是通过对UAV的轨迹进行规划，优化UAV的资源分配，以实现WPCN系统上行链路最小吞吐量的最大化。但是，UAV的轨迹规划是一个非凸问题，很难获取全局最优解，需要通过SCA等技术将目标函数转化为凸函数，然后利用一些标准凸优化算法来求解出一个局部最优解，无法得到全局最优解。以遗传算法为代表的启发式算法可以在优化的目标函数的定义域范围内搜索出一个全局最优解，是一种最大化系统信息传输吞吐量的有效方案。但是遗传算法很容易早熟，陷入到一个局部最优解当中。而粒子滤波算法同样存在易于陷入局部最优解，收敛精度不够，后期收敛速度过慢的缺陷。目前为止，进一步提升UAV使能的无线携能通信网络系统的信息传输吞吐量，仍然是一项非常有意义的研究。

发明内容

为了克服已有技术的不足，本发明针对两架UAV服务两个地面信息节点的无线携能通信网络系统，提出了一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法。具体而言，UAV交替对地面信息节点进行充电，而地面信息节点则利用收集到的能量，交替的将自己的信息发送到对应的UAV上。我们在UAV飞行时间受限和速度受限等限制条件下，引入块坐标下降法(block coordinate descent，BCD)的思想，利用改进型的粒子滤波算法对两个UAV的轨迹、UAV充电时间和收集信息的时间，以及地面信息节点发送信息的传输功率进行联合优化，从而搜索出一个全局最优解，以最大化系统的吞吐量。

本发明解决其技术问题所采用的技术方案是：

一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，包括以下步骤：

步骤一：初始化：设置UAV的飞行高度H和能量信号发射功率P，飞行时间T，以及两架UAV之间的最小间隔为d_min，待优化的系统变量X＝{x₁,x₂,y₁,y₂,δ_I,δ_E,Q₁,Q₂}初始化为

系统上行链路的最大信息吞吐量为R_f＝[]，优化算法对变量集合X进行迭代优化的最大迭代次数为I₀，初始迭代次数i＝0；待优化的系统变量X包含的变量向量X(j)的个数记为J＝8，初始化变量向量的优化个数为j＝0；每个变量向量X(j)∈X,j∈[1,8]的最大优化次数为I₁，初始优化次数i₁＝0，改进型粒子滤波算法的最大迭代次数为Np，初始迭代次数k＝0，采样粒子的总数为M；

步骤二：开始迭代，对系统变量集合X进行迭代优化，以获取一个全局最优解。增加迭代优化的次数，得到的最优解应趋于稳定，对应的系统最小吞吐量的最大值也趋于收敛，当前迭代次数为i＝i+1；

步骤三：依次对变量向量X(j)∈X,j∈[1,8]进行优化，其它变量向量作为常量固定，以减少优化变量的维数，并且将优化之后的X(j)代入到下一个变量X(j+1)的更新当中。当前优化个数为j＝j+1，初始化第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

步骤四：开始对变量向量X(j)进行迭代优化，以获取一个变量向量X(j)的最优解。随着迭代优化次数的增加，系统上行链路最小吞吐量的最大值

趋于收敛。变量向量X(j)的当前优化次数为i₁＝i₁+1；

步骤五：开始对变量向量X(j)进行迭代优化，利用改进型的粒子滤波算法进行迭代优化，以搜索出一个全局最优解。在变量向量X(j)的取值范围内，随机生成一个维数与X(j)相同的向量作为初始值，状态粒子x₀的初始值等于该初始值，以指引粒子滤波搜索最优解的方向；

步骤六：开始进行粒子滤波迭代优化，在一个初始范围内搜索变量X(j)的最优解。变量向量通过迭代次数的增加，不断地向最优解的方向进行搜索，通过收缩变量的搜索范围，使得当迭代结束时，最终收敛于全局最优解附近。当前优化搜索的次数为k＝k+1；

步骤七：采样：对于粒子m＝1,2,…,M，根据

采集新粒子

本发明使用均匀分布U(x_k-1-c_k,x_k-1+c_k)代替

然后在变量向量X(j)的取值范围内进行随机采样，采样粒子数为M。其中c_k＝Λ/a^k-1是一个随迭代次数而逐渐变小的参量，Λ是定义域，a＝1.01；然后对采样粒子进行交叉和变异操作；

步骤八：更新全局最优：首先，计算当前迭代次数下，采样粒子

的适应度值

其中，

系统变量集合，且

且满足以下约束条件：

C1：地面信息节点消耗的能量不超过收集到的能量：

C2：发射能量信号的时间与收集信息的时间不超过每个时隙的时间：

δ_I[n]+δ_E[n]≤δ，n∈[1,N] (3)

C3：发射能量信号的时间大于传输信息的时间：

0≤δ_I[n]＜δ_E[n]≤δ，n∈[1,N] (4)C4：UAV的飞行速度是受限的：

||q_u[n+1]-q_u[n]||≤V_maxδ，u∈{1,2},n∈[1,N] (5)C5：UAV需要避免碰撞：

之后，找到并保存适应度值的最大值yg及其对应的采样粒子，以作为下一次迭代搜索的中心点：

步骤九：更新粒子的权值：以上一次迭代得到的状态粒子x_k-1的适应度值y_k-1作为观测值：

其中，X_k-1(j)＝x_k-1，且满足约束条件

若采样粒子

的适应度值

且不满足约束条件C1～C5，则该粒子对应的权值

若采样粒子

的适应度值

且满足约束条件C1～C5，则根据以下式子计算该粒子的权值：

其中，粒子的适应度值集合

m∈[1,M]视为服从正态分布N(y_k-1,s²)，s是样本的方差，之后，归一化所有采样粒子的权值：

步骤十：重采样：为了丰富粒子多样性，避免优化算法过早收敛，陷入一个局部最优解，对采样粒子和相应的权值加权求和近似表示的概率密度函数重新抽样，设定一个阈值N_th＝2M/3，并计算有效粒子数：

当N_eff＜N_th时必须启动重采样；

步骤十一：更新状态粒子x_k：将目标函数的最优解的逼近过程视为一个动态时变系统，更新动态时变系统的状态更新方程，使状态粒子x_k逐步朝着使目标函数逼近最优解的方向前进：

步骤十二：判断是否可以跳出粒子滤波迭代搜索：若当前迭代次数未超过最大迭代次数Np，则返回步骤六继续迭代优化。若迭代次数超过最大迭代次数Np时，算法结束，停止迭代，输出变量向量X(j)在第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

步骤十三：利用第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

更新系统变量集合X和对应的系统上行链路最小吞吐量

更新之后的系统变量用于下一次迭代优化；

步骤十四：判断是否可以跳出对变量向量X(j)的优化：当第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

趋于收敛，或者迭代优化次数超过最大迭代次数I₁时,可以跳出对变量向量X(j)迭代优化，即满足以下条件时跳出迭代：

否则返回步骤四继续迭代优化：

步骤十五：判断是否已经对所有的变量向量进行了优化：如果j≤8，返回步骤三继续对下一个变量向量X(j+1)进行优化，如果j＞8，则停止优化。此时所有变量向量已经完成了优化，最后的一个变量向量X(8)优化之后，得到的系统上行链路最小吞吐量

即为第i次迭代对变量集合X进行优化得到的系统上行链路最小吞吐量的最大值，更新系统上行链路的最大信息吞吐量R_f为：

步骤十六：判断是否可以停止迭代：当系统上行链路的最大信息吞吐量R_f随着迭代次数i的增加而趋于收敛时，跳出对变量集合X的迭代优化，否则返回步骤二继续迭代优化，满足以下条件时停止迭代：

步骤十七：对变量集合X的迭代优化结束，由于在优化的过程中，每一次对变量向量X(j)优化结束之后，都会用X(j)的优化结果更新系统变量集合X，因此，当对变量集合X的迭代优化结束之后，X即更新为了全局最优解，对应的系统上行链路吞吐量的最大值为R_f(end)，即输出的全局最优解X_opt及其对应的系统上行链路最小吞吐量的最大值为：

X_opt＝X (23)

R_max＝R_f(end) (24)。

进一步，所述步骤一中，优化算法对变量集合X进行迭代优化的最大迭代次数为I₀＝10，每个变量向量X(j)∈X,j∈[1,8]的最大优化次数为I₁＝5，改进型粒子滤波算法的最大迭代次数为Np＝200，采样粒子的总数为M＝500。

本发明针对一个两架UAV服务两个地面信息节点的无线携能通信网络系统，其系统模型如图1所示。将UAV的飞行时间T等间隔划分为N个时隙，即δ＝T/N。在第n，n∈[1,N]个飞行时隙内，UAV位于一个固定的位置q_u[n]＝(x_u[n],y_u[n],H)，u∈{1,2}交替地对地面信息节点w_i＝(x_i,y_i,0)，i∈{1,2}进行充电，充电时间为δ_E[n]，地面信息节点则交替地将自身的信息传到对应的UAV上，发送信息的时间为δ_I[n]，且δ_I[n]+δ_E[n]≤δ，δ_I[n]＜δ_E[n]，地面信息节点的信息传输功率为Q_i[n]，i∈{1,2}。则待优化的系统变量集合为：X＝{x₁,x₂,y₁,y₂,δ_I,δ_E,Q₁,Q₂}，其中变量向量X(j)，j∈[1,8]都是维数为N×1的列向量。地面信息节点消耗的能量小于等于接收到的能量，UAV的最大飞行速度V_max≤||q_u[0]-q_u[N]||/T，为了避免碰撞，两架UAV之间的最小间隔为d_min。

本发明的有益效果主要表现在：一个两架UAV服务两个地面信息节点的无线携能通信网络系统模型，UAV交替地给两个地面信息节点发射能量信号进行充电，两个地面信息节点也交替地将自身的信息传输到UAV上，为了减少干扰，UAV发送能量信号的时间大于信息收集的时间δ_I＜δ_E。我们通过联合优化两个UAV的飞行轨迹A＝{q_u[n]}，发射能量信号和收集信息信号的时间分配Β＝{δ_I[n],δ_E[n]}和两个地面信息节点的信息传输功率Θ＝{Q_i[n]}，利用块坐标下降法的思想，我们提出了一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，来对目标函数进行优化，以最大化系统上行链路的最小吞吐量。实验结果表明，相对于基准方案，我们优化得到的系统上行链路最小信息吞吐量更大。

附图说明

图1是两架UAV服务两个地面信息节点的无线携能通信网络系统模型示意图。

图2是基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法的流程图。

图3是系统上行链路的最小信息吞吐量与地面信息节点的关系。

图4是地面信息节点获取的总能量与地面信息节点距离的关系。

图5是系统的上行链路的最小信息吞吐量与UAV飞行时间T的关系。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，针对两架UAV服务两个地面信息节点的无线携能通信网络系统，提出了一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法。具体而言，UAV交替对地面信息节点进行充电，而地面信息节点则利用收集到的能量，交替的将自己的信息发送到对应的UAV上。我们在UAV飞行时间受限和速度受限等限制条件下，引入块坐标下降法(block coordinate descent，BCD)的思想，利用改进型的粒子滤波算法对两个UAV的轨迹、UAV充电时间和收集信息的时间，以及地面信息节点发送信息的传输功率进行联合优化，从而搜索出一个全局最优解，以最大化系统的吞吐量。

一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，针对一个两架UAV服务两个地面信息节点的无线携能通信网络系统，其系统模型如图1所示。将UAV的飞行时间T等间隔划分为N个时隙，即δ＝T/N。在第n，n∈[1,N]个飞行时隙内，UAV位于一个固定的位置q_u[n]＝(x_u[n],y_u[n],H)，u∈{1,2}交替地对地面信息节点w_i＝(x_i,y_i,0)，i∈{1,2}进行充电，充电时间为δ_E[n]，地面信息节点则交替地将自身的信息传到对应的UAV上，发送信息的时间为δ_I[n]，且δ_I[n]+δ_E[n]≤δ，δ_I[n]＜δ_E[n]，地面信息节点的信息传输功率为Q_i[n]，i∈{1,2}。则待优化的系统变量集合为：X＝{x₁,x₂,y₁,y₂,δ_I,δ_E,Q₁,Q₂}，其中变量向量X(j)，j∈[1,8]都是维数为N×1的列向量。地面信息节点消耗的能量小于等于接收到的能量，UAV的最大飞行速度V_max≤||q_u[0]-q_u[N]||/T，为了避免碰撞，两架UAV之间的最小间隔为d_min。

本实施例的基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，包括以下步骤：

步骤一：初始化：设置UAV的飞行高度H和能量信号发射功率P，飞行时间T，以及两架UAV之间的最小间隔为d_min。待优化的系统变量X＝{x₁,x₂,y₁,y₂,δ_I,δ_E,Q₁,Q₂}初始化为

系统上行链路的最大信息吞吐量为R_f＝[]。优化算法对变量集合X进行迭代优化的最大迭代次数为I₀＝10，初始迭代次数i＝0；待优化的系统变量X包含的变量向量X(j)的个数记为J＝8，初始化变量向量的优化个数为j＝0；每个变量向量X(j)∈X,j∈[1,8]的最大优化次数为I₁＝5，初始优化次数i₁＝0。改进型粒子滤波算法的最大迭代次数为Np＝200，初始迭代次数k＝0，采样粒子的总数为M＝500。

步骤二：开始迭代，对系统变量集合X进行迭代优化，以获取一个全局最优解。增加迭代优化的次数，得到的最优解应趋于稳定，对应的系统最小吞吐量的最大值也趋于收敛。当前迭代次数为i＝i+1。

步骤三：依次对变量向量X(j)∈X,j∈[1,8]进行优化，其它变量向量作为常量固定，以减少优化变量的维数，并且将优化之后的X(j)代入到下一个变量X(j+1)的更新当中。当前优化个数为j＝j+1，初始化第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

步骤四：开始对变量向量X(j)进行迭代优化，以获取一个变量向量X(j)的最优解。随着迭代优化次数的增加，系统上行链路最小吞吐量的最大值

趋于收敛。变量向量X(j)的当前优化次数为i₁＝i₁+1。

步骤五：开始对变量向量X(j)进行迭代优化，利用改进型的粒子滤波算法进行迭代优化，以搜索出一个全局最优解。在变量向量X(j)的取值范围内，随机生成一个维数与X(j)相同的向量作为初始值，状态粒子x₀的初始值等于该初始值，以指引粒子滤波搜索最优解的方向。

步骤六：开始进行粒子滤波迭代优化，在一个初始范围内搜索变量X(j)的最优解。变量向量通过迭代次数的增加，不断地向最优解的方向进行搜索，通过收缩变量的搜索范围，使得当迭代结束时，最终收敛于全局最优解附近。当前优化搜索的次数为k＝k+1。

步骤七：采样：对于粒子m＝1,2,...,M，根据

采集新粒子

本发明使用均匀分布U(x_k-1-c_k,x_k-1+c_k)代替

然后在变量向量X(j)的取值范围内进行随机采样，采样粒子数为M。其中c_k＝Λ/a^k-1是一个随迭代次数而逐渐变小的参量，Λ是定义域，a＝1.01。然后对采样粒子进行交叉和变异操作。

步骤八：更新全局最优：首先，计算当前迭代次数下，采样粒子

的适应度值

其中，

系统变量集合，且

且满足以下约束条件：

C1：地面信息节点消耗的能量不超过收集到的能量：

C2：发射能量信号的时间与收集信息的时间不超过每个时隙的时间：

δ_I[n]+δ_E[n]≤δ，n∈[1,N] (3)

C3：发射能量信号的时间大于传输信息的时间：

0≤δ_I[n]＜δ_E[n]≤δ，n∈[1,N] (4)

C4：UAV的飞行速度是受限的：

||q_u[n+1]-q_u[n]||≤V_maxδ，u∈{1,2},n∈[1,N] (5)

C5：UAV需要避免碰撞：

之后，找到并保存适应度值的最大值yg及其对应的采样粒子，以作为下一次迭代搜索的中心点：

步骤九：更新粒子的权值：以上一次迭代得到的状态粒子x_k-1的适应度值y_k-1作为观测值：

其中，X_k-1(j)＝x_k-1，且满足约束条件

若采样粒子

的适应度值

且不满足约束条件C1～C5，则该粒子对应的权值

若采样粒子

的适应度值

且满足约束条件C1～C5，则根据以下式子计算该粒子的权值：

其中，粒子的适应度值集合

m∈[1,M]视为服从正态分布N(y_k-1,s²)，s是样本的方差。之后，归一化所有采样粒子的权值：

步骤十：重采样：为了丰富粒子多样性，避免优化算法过早收敛，陷入一个局部最优解，对采样粒子和相应的权值加权求和近似表示的概率密度函数重新抽样。设定一个阈值N_th＝2M/3，并计算有效粒子数：

当N_eff＜N_th时必须启动重采样。

步骤十一：更新状态粒子x_k：将目标函数的最优解的逼近过程视为一个动态时变系统，更新动态时变系统的状态更新方程，使状态粒子x_k逐步朝着使目标函数逼近最优解的方向前进：

步骤十二：判断是否可以跳出粒子滤波迭代搜索：若当前迭代次数未超过最大迭代次数Np，则返回步骤六继续迭代优化。若迭代次数超过最大迭代次数Np时，算法结束，停止迭代，输出变量向量X(j)在第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

步骤十三：利用第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

更新系统变量集合X和对应的系统上行链路最小吞吐量

更新之后的系统变量用于下一次迭代优化。

步骤十四：判断是否可以跳出对变量向量X(j)的优化：当第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

趋于收敛，或者迭代优化次数超过最大迭代次数I₁时,可以跳出对变量向量X(j)迭代优化，即满足以下条件时跳出迭代：

否则返回步骤四继续迭代优化：

步骤十五：判断是否已经对所有的变量向量进行了优化：如果j≤8，返回步骤三继续对下一个变量向量X(j+1)进行优化。如果j＞8，则停止优化。此时所有变量向量已经完成了优化，最后的一个变量向量X(8)优化之后，得到的系统上行链路最小吞吐量

即为第i次迭代对变量集合X进行优化得到的系统上行链路最小吞吐量的最大值。更新系统上行链路的最大信息吞吐量R_f为：

步骤十六：判断是否可以停止迭代：当系统上行链路的最大信息吞吐量R_f随着迭代次数i的增加而趋于收敛时，跳出对变量集合X的迭代优化，否则返回步骤二继续迭代优化。满足以下条件时停止迭代：

步骤十七：对变量集合X的迭代优化结束，由于在优化的过程中，每一次对变量向量X(j)优化结束之后，都会用X(j)的优化结果更新系统变量集合X，因此，当对变量集合X的迭代优化结束之后，X即更新为了全局最优解，对应的系统上行链路吞吐量的最大值为R_f(end)。即输出的全局最优解X_opt及其对应的系统上行链路最小吞吐量的最大值为：

X_opt＝X (23)

R_max＝R_f(end) (24)。

本实施例提出了一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法。一个两架UAV服务两个地面信息节点的无线携能通信网络系统模型，UAV交替地给两个地面信息节点发射能量信号进行充电，两个地面信息节点也交替地将自身的信息传输到UAV上，为了减少干扰，UAV发送能量信号的时间大于信息收集的时间δ_I＜δ_E。我们通过联合优化两个UAV的飞行轨迹A＝{q_u[n]}，发射能量信号和收集信息信号的时间分配Β＝{δ_I[n],δ_E[n]}和两个地面信息节点的信息传输功率Θ＝{Q_i[n]}，利用块坐标下降法的思想，我们提出了一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，来对目标函数进行优化，以最大化系统上行链路的最小吞吐量。实验结果表明，相对于基准方案，我们优化得到的系统上行链路最小信息吞吐量更大。

为了验证本发明的有效性，进行了仿真对比实验，本发明将通过与一种基准方案进行对比，来验证本发明的性能。作为对比实验的基准方案，同样是针对两架UAV服务两个地面信息节点的无线携能通信系统模型，两架无人机同时发射能量和接收信息。该方案通过联合优化两架UAV的轨迹，分配UAV发射能量信号进行充电的时间和收集信息时间，优化地面信息节点发送信息的功率，以最大化系统的最小信息吞吐量。该基准方案的优化方法是通过对非凸目标函数进行连续凸逼近(SCA)处理，然后利用CVX优化技术求解一个局部最优解。

假设UAV的飞行高度H＝5m，UAV的最小飞行间距设为d_min＝1m，地面信息节点的能量转化效率η＝0.6。本发明以公式(10)所示的目标函数为优化目标，与基准方案做对比。

实验一：在本次实验当中，通过改变地面信息节点的位置的距离，来观察系统的最小信息吞吐量的变化，并与基准方案进行对比。实验的结果如图3和图4所示。图3展示了不同的能量信号发射功率P下，最小信息吞吐量(bps/Hz)与地面信息节点距离(m)的关系。从图3可以看出，增大UAV发射能量信号对地面信息节点进行充电的功率，对于本发明的方案和基准方案都可以有效地提高系统上行链路的最小信息吞吐量。但是，本发明的优化方案在两种不同的发射功率下取得的优化效果都更好，系统上行链路的最小信息吞吐量都高于基准方案。这是因为本发明的方案采取两个地面信息节点交替传输信息的工作方式，尽力避免了两个地面信息节点同时传输信号造成的干扰，从而提高了系统上行链路的最小信息吞吐量。根据目标函数P2所知，本发明的方案的系统上行链路的最小信息吞吐量理论上会随着地面信息节点距离的增加而减小。但是，对于基准方案而言，由于同时传输信息会产生干扰，干扰的强度也会随着地面信息节点距离的增加而衰减，因此，基准方案的系统上行链路的最小信息吞吐量随地面信息节点距离的增加而呈现先升后降的趋势。

图4展示了在不同的能量信号传输功率P下，地面信息节点收集的能量(J)与地面信息节点距离(m)的关系。从图中可以看出，本发明的优化方案取得的效果更好，地面信息节点获取的总能量高于基准方案对应的总能量。随着地面信息节点距离的增加，本发明的优化方案对应的地面信息节点获取的总能量呈下降趋势，这是主要归咎于距离增加信道增益下降，以及信道特性变差。

实验二：本次实验主要验证系统上行链路的最小信息吞吐量与UAV飞行时间T的关系。改变UAV的飞行时间T，观察系统上行链路的最小信息吞吐量(bps/Hz)与UAV飞行时间T(s)的关系，实验结果如图5所示。从图5可以看出，系统上行链路的最小信息吞吐量随着UAV飞行时间T的增加而呈现缓慢上升的趋势。而且，本发明的优化方案在两种不同的UAV能量信号发射功率P下取得的效果都好于基准方案的效果。但是，当T足够大时，两种方案都会趋近于目标函数优化值的上限。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (2)

1.一种基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，其特征在于，所述方法包括以下步骤：

步骤一：初始化：设置UAV的飞行高度H和能量信号发射功率P，飞行时间T，以及两架UAV之间的最小间隔为d_min，待优化的系统变量X＝{x₁,x₂,y₁,y₂,δ_I,δ_E,Q₁,Q₂}，初始化为

将UAV的飞行时间T等间隔划分为N个时隙，即δ＝T/N，在第n，n∈[1,N]个飞行时隙内，UAV位于一个固定的位置q_u[n]＝(x_u[n],y_u[n],H)，u∈{1,2}交替地对地面信息节点w_i＝(x_i,y_i,0)，i∈{1,2}进行充电，充电时间为δ_E[n]，地面信息节点则交替地将自身的信息传到对应的UAV上，发送信息的时间为δ_I[n]，地面信息节点的信息传输功率为Q_i[n]，i∈{1,2}；系统上行链路的最大信息吞吐量为R_f＝[]，优化算法对变量集合X进行迭代优化的最大迭代次数为I₀，初始迭代次数i＝0；待优化的系统变量X包含的变量向量X(j)的个数记为J＝8，初始化变量向量的优化个数为j＝0；每个变量向量X(j)∈X,j∈[1,8]的最大优化次数为I₁，初始优化次数i₁＝0，改进型粒子滤波算法的最大迭代次数为Np，初始迭代次数k＝0，采样粒子的总数为M；

步骤二：开始迭代，对系统变量集合X进行迭代优化，以获取一个全局最优解，增加迭代优化的次数，得到的最优解应趋于稳定，对应的系统最小吞吐量的最大值也趋于收敛，当前迭代次数为i＝i+1；

步骤三：依次对变量向量X(j)∈X,j∈[1,8]进行优化，其它变量向量作为常量固定，以减少优化变量的维数，并且将优化之后的X(j)代入到下一个变量X(j+1)的更新当中，当前优化个数为j＝j+1，初始化第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

步骤四：开始对变量向量X(j)进行迭代优化，以获取一个变量向量X(j)的最优解，随着迭代优化次数的增加，系统上行链路最小吞吐量的最大值

趋于收敛，变量向量X(j)的当前优化次数为i₁＝i₁+1；

步骤五：开始对变量向量X(j)进行迭代优化，利用改进型的粒子滤波算法进行迭代优化，以搜索出一个全局最优解，在变量向量X(j)的取值范围内，随机生成一个维数与X(j)相同的向量作为初始值，状态粒子x₀的初始值等于该初始值，以指引粒子滤波搜索最优解的方向；

步骤六：开始进行粒子滤波迭代优化，在一个初始范围内搜索变量X(j)的最优解，变量向量通过迭代次数的增加，不断地向最优解的方向进行搜索，通过收缩变量的搜索范围，使得当迭代结束时，最终收敛于全局最优解附近，当前优化搜索的次数为k＝k+1；

步骤七：采样：对于粒子m＝1,2,…,M，根据

采集新粒子

使用均匀分布U(x_k-1-c_k,x_k-1+c_k)代替

然后在变量向量X(j)的取值范围内进行随机采样，采样粒子数为M，其中c_k＝Λ/a^k-1是一个随迭代次数而逐渐变小的参量，Λ是定义域，a＝1.01；然后对采样粒子进行交叉和变异操作；

步骤八：更新全局最优：首先，计算当前迭代次数下，采样粒子

的适应度值

其中，

系统变量集合，且

且满足以下约束条件：

C1：地面信息节点消耗的能量不超过收集到的能量：

C2：发射能量信号的时间与收集信息的时间不超过每个时隙的时间：

δ_I[n]+δ_E[n]≤δ，n∈[1,N] (3)

C3：发射能量信号的时间大于传输信息的时间：

0≤δ_I[n]＜δ_E[n]≤δ，n∈[1,N] (4)

C4：UAV的飞行速度是受限的：

||q_u[n+1]-q_u[n]||≤V_maxδ，u∈{1,2},n∈[1,N] (5)

C5：UAV需要避免碰撞：

之后，找到并保存适应度值的最大值yg及其对应的采样粒子，以作为下一次迭代搜索的中心点：

步骤九：更新粒子的权值：以上一次迭代得到的状态粒子x_k-1的适应度值y_k-1作为观测值：

其中，X_k-1(j)＝x_k-1，且满足约束条件

若采样粒子

的适应度值

且不满足约束条件C1～C5，则该粒子对应的权值

若采样粒子

的适应度值

且满足约束条件C1～C5，则根据以下式子计算该粒子的权值：

其中，粒子的适应度值集合

视为服从正态分布N(y_k-1,s²)，s是样本的方差，之后，归一化所有采样粒子的权值：

步骤十：重采样：为了丰富粒子多样性，避免优化算法过早收敛，陷入一个局部最优解，对采样粒子和相应的权值加权求和近似表示的概率密度函数重新抽样，设定一个阈值N_th＝2M/3，并计算有效粒子数：

当N_eff＜N_th时必须启动重采样；

步骤十一：更新状态粒子x_k：将目标函数的最优解的逼近过程视为一个动态时变系统，更新动态时变系统的状态更新方程，使状态粒子x_k逐步朝着使目标函数逼近最优解的方向前进：

步骤十二：判断是否可以跳出粒子滤波迭代搜索：若当前迭代次数未超过最大迭代次数Np，则返回步骤六继续迭代优化，若迭代次数超过最大迭代次数Np时，算法结束，停止迭代，输出变量向量X(j)在第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

步骤十三：利用第i₁次优化得到的最优解

和对应的系统上行链路吞吐量的最大值

更新系统变量集合X和对应的系统上行链路最小吞吐量

更新之后的系统变量用于下一次迭代优化；

步骤十四：判断是否可以跳出对变量向量X(j)的优化：当第i次迭代对X(j)进行优化得到的系统上行链路最小吞吐量

趋于收敛，或者迭代优化次数超过最大迭代次数I₁时,可以跳出对变量向量X(j)迭代优化，即满足以下条件时跳出迭代：

否则返回步骤四继续迭代优化：

步骤十五：判断是否已经对所有的变量向量进行了优化：如果j≤8，返回步骤三继续对下一个变量向量X(j+1)进行优化，如果j＞8，则停止优化，此时所有变量向量已经完成了优化，最后的一个变量向量X(8)优化之后，得到的系统上行链路最小吞吐量

即为第i次迭代对变量集合X进行优化得到的系统上行链路最小吞吐量的最大值，更新系统上行链路的最大信息吞吐量R_f为：

步骤十六：判断是否可以停止迭代：当系统上行链路的最大信息吞吐量R_f随着迭代次数i的增加而趋于收敛时，跳出对变量集合X的迭代优化，否则返回步骤二继续迭代优化，满足以下条件时停止迭代：

步骤十七：对变量集合X的迭代优化结束，由于在优化的过程中，每一次对变量向量X(j)优化结束之后，都会用X(j)的优化结果更新系统变量集合X，因此，当对变量集合X的迭代优化结束之后，X即更新为了全局最优解，对应的系统上行链路吞吐量的最大值为R_f(end)，即输出的全局最优解X_opt及其对应的系统上行链路最小吞吐量的最大值为：

X_opt＝X (22)

R_max＝R_f(end) (23)。

2.如权利要求1所述的基于粒子滤波的UAV无线携能通信网络系统上行链路吞吐量最大化方法，其特征在于，所述步骤一中，优化算法对变量集合X进行迭代优化的最大迭代次数为I₀＝10，每个变量向量X(j)∈X,j∈[1,8]的最大优化次数为I₁＝5，改进型粒子滤波算法的最大迭代次数为Np＝200，采样粒子的总数为M＝500。

Images