CN113395706B - 基于粒子群算法的异构无人机三维空间部署方法及设备 - Google Patents

Abstract

本发明提供一种基于粒子群算法的异构无人机三维空间部署方法及设备，利用多目标粒子群算法在目标区域内随机初始化粒子，每个粒子具有四维参数，包括异构无人机组中每个无人机的三维空间位置和无人机使用情况；利用多目标粒子群算法计算无人机三维位置的变化速度并更新无人机三维位置；基于离散二进制粒子群算法相结合，计算每个粒子的每个无人机使用情况的变化量并更新每个无人机使用情况；并在此基础上加入了遗传算法中的价差和变异操作，来防止粒子群优化过早的陷入局部最优解；通过多目标粒子群算法、离散二进制粒子群算法、遗传算法的结合解决了部署异构无人机需满足网络服务的问题。

Description

基于粒子群算法的异构无人机三维空间部署方法及设备

技术领域

本发明涉及一种无人机空间部署方法，具体的说，涉及了一种基于粒子群算法的异构无人机三维空间部署方法及设备。

背景技术

在无地面固定基础设施(基站)或地面基站受到损坏无法正常工作时，例如：洪水、地震、战争等情况，无人驾驶飞行器搭载小型基站作为空中通讯平台(空中基站)可以快速的向预定区域提供按需、经济、可靠的无线通讯。而现有的部署方案中往往将问题转化为平面圆盘覆盖问题，如k-mean部署，螺旋部署，核心部署等。这些方案往往不考虑在部署时调整高度，只能用于特定的场景，无法推广。

而在部署时考虑高度的要求下，最常用的方法是采用粒子群算法(pso)来计算无人机群的最佳部署位置。但只用单独的粒子群算法无法在一组异构无人机中得到最少数量无人机的部署方案，并且无法判断无人机之间是否存在网络链路。

同时粒子群算法是一种启发式算法，很容易在复杂环境中陷入局部最优解。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供了一种基于粒子群算法的异构无人机三维空间部署方法及设备，能够解决一组具有不同发射功率和最大飞行高度的异构无人机作为空中基站的有效部署问题，在保证网络的连通下，以最大限度地减少无人机的数量，同时在此基础上提高网络服务的质量。

为了实现上述目的，本发明所采用的技术方案是：一种基于粒子群算法的异构无人机三维空间部署方法，包括以下步骤：

步骤1，输入目标区域的三维范围、待服务用户数目M和待服务用户的二维平面位置(x_j,y_j)，j∈[1,M]，异构无人机组的参数和网络服务要求的参数，所述异构无人机组的参数包括无人机总数目N以及无人机i的最大同时服务数C_i、服务功率

网络连通功率

所述网络服务的参数包括网络服务的用户数目阈值τ、网络服务要求的信噪比阈值SNR_g以及连通的信噪比阈值SNR_a；

步骤2：利用多目标粒子群算法在目标区域内随机初始化Np个粒子，每个粒子代表一个具体的解决方案，具有四维参数，包括异构无人机组中每个无人机的三维空间位置(x_i，y_i，h_i)和无人机使用情况θ_i，无人机被使用时θ_i为1，无人机未被使用时θ_i为0，每个粒子位置的具体定义如下P(k)＝[x₁，...x_N，y₁，...，y_N，h₁,...h_N，θ₁，...θ_N]，k∈[1，Np]；x₁，y₁和h₁分别为第1个无人机的三维空间位置坐标；θ₁为第1个无人机使用情况；x_N，y_N和h_N分别为第N个无人机的三维空间位置坐标；θ_N为第N个无人机使用情况；

步骤3：利用适应度函数计算每个粒子的适应度函数值F(k)，设定每个粒子的个体极值为P_l(k)并将P_l(k)对应的适度值F_l(k)初始化为F_l(k)＝F(k)，设定每个粒子的全局极值设定为P_g并将P_g对应的适度值F_g初始化为F_g＝max(F_l(k))；

步骤4：在第t次迭代中，t∈[1，t_max]，t_max为最大迭代次数，利用多目标粒子群算法和离散二进制粒子群的更新公式得到每个粒子的候选新位置P^t+1(k)，利用遗传算法中的交叉操作将每个粒子的个体极值P_l(k)与当前位置P^t(k)交叉得到每个粒子的候选新位置P_l ^c(k)，用同样的交叉操作将每个粒子的全局极值P_g和当前位置P^t(k)交叉得到每个粒子的候选新位置P_g ^c(k)，再利用遗传算法中的变异操作得到每个粒子自我变异的候选新位置P^m(k)；

利用适应度函数计算每个粒子的所有候选新位置的适度值，并将具有最大适度值的新位置作为每个粒子下次迭代时的当前位置，同时更新个体极值P_l(k)、全局极值P_g、个体极值P_l(k)对应的适度值F_l(k)以及全局极值P_g对应的适度值F_g；

步骤5；判断迭代次数是否达到最大迭代次数t_max，若未达到则将迭代次数t加1，返回执行步骤4，若达到则输出得到的全局极值P_g。

本发明第二方面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实现前述的方法步骤。

本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现前述的方法步骤。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，

(1)本专利针对异构无人机的最大飞行高度不同且高度会影响无人机与用户之间的噪声大小的问题，在部署无人机时，区别于之前的二维平面的部署方案，加入了异构无人机的高度作为可调参数，减少路径损失，提高网络通讯质量，满足无人机的性能要求和通讯要求。

(2)利用多目标粒子群算法计算无人机三维位置的变化速度并更新无人机三维位置；基于离散二进制粒子群算法相结合，计算每个粒子的每个无人机使用情况的变化量并更新每个无人机使用情况；并在此基础上加入了遗传算法中的价差和变异操作，来防止粒子群优化过早的陷入局部最优解；通过多目标粒子群算法、离散二进制粒子群算法、遗传算法的结合解决了部署异构无人机需满足网络服务的问题。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1所示，一种基于粒子群算法的异构无人机三维空间部署方法，包括以下步骤：

步骤1，输入目标区域的三维范围、待服务用户数目M和待服务用户的二维平面位置(x_j,y_j)，j∈[1,M]，异构无人机组的参数和网络服务要求的参数，所述异构无人机组的参数包括无人机总数目N以及无人机i的最大同时服务数C_i、服务功率

网络连通功率

所述网络服务的参数包括网络服务的用户数目阈值τ、网络服务要求的信噪比阈值SNR_g以及连通的信噪比阈值SNR_a；

步骤2：利用多目标粒子群算法在目标区域内随机初始化Np个粒子，每个粒子代表一个具体的解决方案，具有四维参数，包括异构无人机组中每个无人机的三维空间位置(x_i，y_i，h_i)和无人机使用情况θ_i，无人机被使用时θ_i为1，无人机未被使用时θ_i为0，每个粒子位置的具体定义如下P(k)＝[x₁，...x_N，y₁，...，y_N，h₁,...h_N，θ₁，...θ_N]，k∈[1，Np]；x₁，y₁和h₁分别为第1个无人机的三维空间位置坐标；θ₁为第1个无人机使用情况；x_N，y_N和h_N分别为第N个无人机的三维空间位置坐标；θ_N为第N个无人机使用情况；

步骤3：利用适应度函数计算每个粒子的适应度函数值F(k)，设定每个粒子的个体极值为P_l(k)并将P_l(k)对应的适度值F_l(k)初始化为F_l(k)＝F(k)，设定每个粒子的全局极值设定为P_g并将P_g对应的适度值F_g初始化为F_g＝max(F_l(k))；

步骤4：在第t次迭代中，t∈[1，t_max]，t_max为最大迭代次数，利用多目标粒子群算法和离散二进制粒子群的更新公式得到每个粒子的候选新位置P^t+1(k)，利用遗传算法中的交叉操作将每个粒子的个体极值P_l(k)与当前位置P^t(k)交叉得到每个粒子的候选新位置P_l ^c(k)，用同样的交叉操作将每个粒子的全局极值P_g和当前位置P^t(k)交叉得到每个粒子的候选新位置P_g ^c(k)，再利用遗传算法中的变异操作得到每个粒子自我变异的候选新位置P^m(k)；

利用适应度函数计算每个粒子的所有候选新位置的适度值，并将具有最大适度值的新位置作为每个粒子下次迭代时的当前位置，同时更新个体极值P_l(k)、全局极值P_g、个体极值P_l(k)对应的适度值F_l(k)以及全局极值P_g对应的适度值F_g；

步骤5；判断迭代次数是否达到最大迭代次数t_max，若未达到则将迭代次数t加1，返回执行步骤4，若达到则输出得到的全局极值P_g。

本专利针对异构无人机的最大飞行高度不同的问题，在部署无人机时，区别于之前的二维平面的部署方案，加入了异构无人机的高度作为可调参数，减少路径损失，提高网络通讯质量；

同时，利用多目标粒子群算法计算无人机三维位置的变化速度并更新无人机三维位置；基于离散二进制粒子群算法相结合，计算每个粒子的每个无人机使用情况的变化量并更新每个无人机使用情况；并在此基础上加入了遗传算法中的价差和变异操作，来防止粒子群优化过早的陷入局部最优解；通过多目标粒子群算法、离散二进制粒子群算法、遗传算法的结合解决了部署异构无人机需满足网络服务的问题。

在具体实施时，步骤3中，计算每个粒子的适应度函数值的步骤如下：

步骤3.1，根据每个粒子中每个用户到每个无人机的路径损失、网络服务的信噪比阈值SNR_g和连通的信噪比阈值SNR_c计算获取异构无人机组的服务用户结果b_ij。

步骤3.1.1，选定信道模型，计算每个粒子中每个用户到每个无人机的路径损失；

常用的信道模型有Air-to-Air信道模型和Air-to-ground信道模型，下面分别给出利用这两个信道模型计算路径损失的步骤；

A：Air-to-Air信道模型

假设无人机基站之间都是在开阔空间中通信，则无人机基站之间的主要通信信道为可视化链路(LoS)，因此，无人机之间的路径损耗可以建模为自由空间传播损耗：

其中d_mn为无人机m和无人机n之间的距离，可以通过无人机的三位部署来求得；f′为无人机之间的信道载波频率，c为光速。

根据成功传输的最小允许接收信号功率来定义服务阈值，如果无人机双方之间接收到的信号功率都大于信号与噪声比(SNR)阈值SNRc，那么则认为他们之间可以相互通信。

B：Air-to-ground信道模型

考虑到地面用户和地形的复杂度，通常根据障碍物的反射效应和阴影效应，把信道分为两类即LOS链路和非LOS链路，分别求出LOS链路和非LOS链路的概率，并结合两种链接的路径损失，来求出平均路径损失。

因此若不考虑无线信道的随机行为，则无人机i和用户j之间的平均路径损耗可以表示为：

其中P(LoS,θ_ij)表示为无人机i和用户j在仰角θ_ij下发生的LoS链接的概率，可用LoS链路概率公式来计算两者之间的LOS链路概率，即

其中，a,b为环境参数，取决与环境是农村，城市等，为恒定值；θ_ij为仰角，等于arctan(h/r)，h为无人机的高度，r为用户距离无人机的水平距离；

和

分别为LoS链路和NLoS链路的平均路径损失，分别表示为：

其中，

为无人机i和用户j的直线距离，f为无人机i和用户j之间信道的载波频率，c为光速；hLoS和hNLoS分别为LoS和NLoS路径下的平均过度路径损耗(excessivepathloss)。

步骤3.1.2，采用公式

计算每个用户到每一无人机的信噪比SNR^ij；

其中，

为无人机i与用户j之间的路径损失,N_gw为稳定的高斯白噪声；

步骤3.1.3，为每个未被服务的用户选择信噪比满足服务信噪比阈值SNR_g且信噪比最大的无人机，得到每个无人机的待服务集合S_i-list；

步骤3.1.4，判断每个无人机i的无人机待服务集合S_i-list的用户数量是否大于该无人机的最大同时服务数C_i，i∈[1，N]。如果大于，则按照信噪比从大到小排列，保留信噪比最大的前C_i个用户，将未被保留的其余用户到该无人机的信噪比设定为0，并移出无人机待服务集合S_i-list；

步骤3.1.5，返回执行步骤3.1.3，直到所有用户都被服务或未被服务的用户和任一无人机之间的信噪比都无法满足服务信噪比SNR_g，从而得到异构无人机组的服务用户结果b_ij：

步骤3.2，判断无人机群是否连通，建立无人机之间的连通函数：

步骤3.2.1：建立网络拓扑图的邻接矩阵E：

其中E_in表示邻接矩阵中第m行第n列的元素，SNR_in表示无人机i发射的信号在无人机n处被接收的信噪比，E_in为1表示无人机i发射的信号可以由无人机n直接接收，E_in为0表示无人机i发射的信号不能由无人机n直接接收；

步骤3.2.2：对任意一个无人机，利用有向图的广度优先搜索遍历算法，查找从该无人机到其他全部无人机的路径，如果从该无人机到其他任意无人机都存在双向路径，则判定网络连通，否则判定为不连通，从而得到无人机之间的连通函数：

步骤3.3，建立适应度函数；

步骤3.3.1，定义用户满足服务需求目标约束函数和无人机之间的连通目标约束函数：

并定义同时满足上述约束函数的部署方案为正确的解；

步骤3.3.2，定义目标函数F₁为

其中UAV_d为被部署的无人机；

定义目标函数F₂为

定义目标函数F₃为

步骤3.3.3，求解步骤3.3.2得到的三个目标函数的最小值，得到：

其中，F_1min为F₁的最小值，F_2min为F₂的最小值，F_3min为F₃的最小值，

为异构无人机组中最大的用来服务用户的功率。

步骤3.3.4，依据步骤3.3.1的两个约束函数、步骤3.3.2得到的三个目标函数，以及步骤3.3.3得到的最小解建立适应度函数F：

其中，w₁为目标函数F₁的权重，w₂为目标函数F₂的权重，w₃为目标函数F₃的权重，且w₁、w₂和w₃满足以下约束：

约束C1表示F₁的值增加时，F₁的变化量ΔF₁以及由于F₁的变化导致的F₂的变化量ΔF₂和F₃的变化量ΔF₃所满足的约束；约束C2表示当目标函数F₁不变而目标函数F₂增加时，F₂的变化量ΔF₂′和由于F₂的变化导致的F₃的变化量ΔF₃′所满足的约束；约束C3表示当只有目标函数F₃变化且F₃的变化量ΔF₃″为正数时所满足的约束。

步骤3.3.5，利用建立的适应度函数计算每个粒子的适度值。

在具体实施时，其中C2：w2*ΔF2′+w3*ΔF3′>0的最差情况为：增加服务的用户，所用的都是最大的路径损失。那么在这种情况下，我们可以得到，当服务用户减少时，对路径损失函数F₃的减少量一定小于F₂的减少量。

所以C1：w1*ΔF1+w2*ΔF2+w3*ΔF3>0的最差情况为：无人机的数目减少1，服务用户的数量减少M。

此时，步骤3.3.4中，w₁、w₂和w₃取值如下：

其中，c为一个正的常数。

在具体实施时，步骤4中，利用多目标粒子群算法和离散二进制粒子群的更新公式得到每个粒子的候选新位置P^t+1(k)的具体步骤如下：

步骤4.1.1，根据每个粒子的个体极值P_l(k)、全局极值以及当前位置P^t(k)计算得到每个粒子的位置变化量V^t(k)：

V^t(k)＝w*V^t-1(k)+c₁*rand₁*(P_l(k)-P^t(k))+c₂*rand₂*(P_g-P^t(k))；

其中，w为惯性权重，表示历史速度对新速度的影响大小，c₁是个人学习系数，c₂是全局学习系数，rand₁和rand₂均为[0，1]区间内的随机数，在每次迭代前独立随机生成；V^t-1(k)为第t-1次迭代时的粒子的位置变化量；初始状态下粒子的位置变化量V⁰(k)在[-V_l，V_l]范围内随机生成；

步骤4.1.2，判断每个粒子的位置变化量V^t(k)的每一维参数变化量是否满足

其中，V_l为位置变化量允许的最大取值，-V_l为位置变化量允许的最小取值；

如果

则将

设置为-V_l，如果

则将

设置为V_l；否则，保持不变；

步骤4.1.3，根据步骤4.1.2得到的每个粒子的位置变化量V^t(k)计算得到每个粒子的候选新位置P^t+1(k)；

采用连续多目标粒子群优化所采用的更新粒子位置的方式得到每个粒子的位置更新值的前3维参数的值

其中，

表示为每个粒子的当前位置P^t(k)的前3维参数的值，

表示每个粒子的位置变化量V^t(k)的前3维参数的值；

采用sigmod函数将每个粒子的位置变化量V^t(k)的后1维参数的值映射到区间[0，1]中，作为每个粒子的位置变化量V^t(k)的后1维参数的值在下次迭代中取0还是取1的概率，映射函数如下：

其中，S()表示sigmod函数，

为每个粒子的位置变化量V^t(k)的后1维参数的值；

基于映射函数得到每个粒子的位置更新值的后1*N维参数的值

其中α为区间[0，1]的随机数，在每次迭代前随机生成。

在一个具体实施例中，步骤4中利用遗传算法中的交叉操作将每个粒子的个体极值P_l(k)与当前位置P^t(k)交叉得到每个粒子的候选新位置

用同样的交叉操作将每个粒子的全局极值P_g和当前位置P^t(k)交叉得到每个粒子的候选新位置

的具体步骤如下：

随机出两个交叉位置r₁和r₂；

基于交叉位置r₁和r₂将每个粒子的当前位置P^t(k)与其个体极值P_l(k)进行交叉，其中，将两个交叉位置及其之间的参数值设定为个体极值中的值，将两个交叉位置外的参数值设定为粒子的当前位置，从而得到每个粒子的候选新位置

即

那么交叉得到的新位置

可以表示为：

同理，随机出两个交叉位置r₃和r₄；

基于交叉位置r₃和r₄将每个粒子的当前位置P^t(k)与其全局极值P_g进行交叉，其中，将两个交叉位置及其之间的参数值设定为全局极值中的值，将两个交叉位置外的参数值设定为粒子的当前位置，从而得到每个粒子的候选新位置

在一个具体实施例中，步骤4中利用遗传算法中的变异操作得到每个粒子自我变异的候选新位置P^m(k)的具体步骤如下：

将每个粒子的当前位置P^t(k)的前3*N维参数值与一个随机数相加，随机数在区间[-V_l,V_l]随机选取；

将每个粒子的当前位置P^t(k)的后1*N维参数值随机设定为0或者1；

从而得到每个粒子自我变异的候选新位置P^m(k)：

P^m(k)＝[x₁+rand[-V_l,V_l],...,x_N+rand[-V_l,V_l],y₁+rand[-V_l,V_l],...,y_N+rand[-V_l,V_l],

h₁+rand[-V_l,V_l],...,h_N+rand[-V_l,V_l],rand₁(0,1),...,rand_i(0,1),...,rand_N(0,1)]，k∈[1,Np]

其中rand[-V_l,V_l]为区间[-V_l,V_l]内的一个随机数，在每次迭代前独立随机生成；rand_i(0,1),i∈[1,N]，表示随机取0或者1，在每次迭代前独立随机生成。

在一个具体实施例中，在通过上述方法得到每个粒子的所有候选新位置后，采用步骤3中计算每个粒子的适应度函数值F(k)的方法，计算每个粒子的所有候选的新位置的适度值；其中，P^t+1(k)对应的适度值为F^t+1(k)，

对应的适度值为

对应的适度值为

P^m(k)对应的适度值为F^m(k)；

比较这些适度值的大小，选取候选新位置的最大适度值作为每个粒子的适度值F(k)，并将每个粒子的新位置设置为具有最大适度值的候选新位置；

然后将每个粒子的适度值F(k)与该粒子的个体极值的适度值F_l(k)进行比较，如果F(k)<F_l(k)，则F_l(k)不变；如果F(k)>F_l(k)，则将F(k)赋值给F_l(k)，并将该粒子的位置P(k)赋值给个体极值P_l(k)；否则不变；

最后，将该粒子的个体极值的适度值F_l(k)与其全局极值的适度值F_g比较，如果F_l(k)>F_g，则将F_l(k)赋值给F_g，并将粒子k的个体极值P_l(k)赋值给全局极值P_g。

当迭代次数达到最大迭代次数t_max后，将得到的全局极值P_g进行输出，该全局极值P_g即为异构无人机三维空间部署最优方案。

由于粒子群算法是一种启发式算法，很容易在复杂环境中陷入局部最优解。为解决上述问题，在具体实施时，在步骤4中，我们除了用粒子群优化得到粒子的候选新位置，还加入了遗传算法中交叉和变异的操作得到粒子的候选新位置，并保留将适度值大的位置作为粒子的新位置，从而得到更好的结果。

本发明第二方面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实现前述的方法步骤。

本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现前述的方法步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (10)

1.一种基于粒子群算法的异构无人机三维空间部署方法，其特征在于，包括以下步骤：

步骤1，输入目标区域的三维范围、待服务用户数目M和待服务用户的二维平面位置(x_j,y_j)，j∈[1,M]，异构无人机组的参数和网络服务要求的参数，所述异构无人机组的参数包括无人机总数目N以及无人机i的最大同时服务数C_i、服务功率

网络连通功率

i∈[1,N]；所述网络服务的参数包括网络服务的用户数目阈值τ、网络服务要求的信噪比阈值SNR_g以及连通的信噪比阈值SNR_a；

步骤2：利用多目标粒子群算法在目标区域内随机初始化Np个粒子，每个粒子代表一个具体的解决方案，具有四维参数，包括异构无人机组中每个无人机的三维空间位置(x_i,y_i,h_i)和无人机使用情况θ_i，无人机被使用时θ_i为1，无人机未被使用时θ_i为0，每个粒子位置的具体定义如下P(k)＝[x₁,...x_N,y₁,...,y_N,h₁,...h_N,θ₁,...θ_N]，k∈[1,Np]；x₁，y₁和h₁分别为第1个无人机的三维空间位置坐标；θ₁为第1个无人机使用情况；x_N，y_N和h_N分别为第N个无人机的三维空间位置坐标；θ_N为第N个无人机使用情况；

步骤3：利用适应度函数计算每个粒子的适应度函数值F(k)，设定每个粒子的个体极值为P_l(l)并将P_l(k)对应的适度值F_l(k)初始化为F_l(k)＝F(k)，设定每个粒子的全局极值设定为P_g并将P_g对应的适度值F_g初始化为F_g＝max(F_l(k))；

步骤4：在第t次迭代中，t∈[1,t_max]，t_max为最大迭代次数，利用多目标粒子群算法和离散二进制粒子群的更新公式得到每个粒子的候选新位置P^t+1(k)，利用遗传算法中的交叉操作将每个粒子的个体极值P_l(k)与当前位置P^t(k)交叉得到每个粒子的候选新位置P_i ^c(k)，用同样的交叉操作将每个粒子的全局极值P_g和当前位置P^t(k)交叉得到每个粒子的候选新位置

再利用遗传算法中的变异操作得到每个粒子自我变异的候选新位置P^m(k)；

利用适应度函数计算每个粒子的所有候选新位置的适度值，并将具有最大适度值的新位置作为每个粒子下次迭代时的当前位置，同时更新个体极值P_l(k)、全局极值P_g、个体极值P_l(k)对应的适度值F_l(k)以及全局极值P_g对应的适度值F_g；

步骤5；判断迭代次数是否达到最大迭代次数t_max，若未达到则将迭代次数t加1，返回执行步骤4，若达到则输出得到的全局极值P_g。

2.根据权利要求1所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤3中，计算每个粒子的适应度函数值的具体步骤如下：

步骤3.1，根据每个粒子中每个用户到每个无人机的路径损失、网络服务的信噪比阈值SNR_g和连通的信噪比阈值SNR_c计算获取异构无人机组的服务用户结果b_ij；

步骤3.2，判断无人机群是否连通，建立无人机之间的连通函数：

步骤3.3，建立适应度函数；

步骤3.3.1，定义用户满足服务需求目标约束函数和无人机之间的连通目标约束函数：

并定义同时满足上述约束函数的部署方案为正确的解；

步骤3.3.2，定义目标函数F₁为

其中UAV_d为被部署的无人机；

定义目标函数F₂为

定义目标函数F₃为

步骤3.3.3，求解步骤3.3.2得到的三个目标函数的最小值，得到：

其中，F_1min为F₁的最小值，F_2min为F₂的最小值，F_3min为F₃的最小值，

为异构无人机组中最大的用来服务用户的功率；

步骤3.3.4，依据步骤3.3.1的两个约束函数、步骤3.3.2得到的三个目标函数，以及步骤3.3.3得到的最小解建立适应度函数F：

其中，w₁为目标函数F₁的权重，w₂为目标函数F₂的权重，w₃为目标函数F₃的权重，且w₁、w₂和w₃满足以下约束：

约束C1表示F₁的值增加时，F₁的变化量ΔF₁以及由于F₁的变化导致的F₂的变化量ΔF₂和F₃的变化量ΔF₃所满足的约束；约束C2表示当目标函数F₁不变而目标函数F₂增加时，F₂的变化量ΔF₂′和由于F₂的变化导致的F₃的变化量ΔF₃′所满足的约束；约束C3表示当只有目标函数F₃变化且F₃的变化量ΔF₃″为正数时所满足的约束；

步骤3.3.5，利用建立的适应度函数计算每个粒子的适度值。

3.根据权利要求2所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤3.1的具体步骤如下：

步骤3.1.1，选定信道模型，计算每个粒子中每个用户到每个无人机的路径损失；

步骤3.1.2，采用公式

计算每个用户到每一无人机的信噪比SNR^ij；

其中，

为无人机i与用户j之间的路径损失,N_gw为稳定的高斯白噪声；

步骤3.1.3，为每个未被服务的用户选择信噪比满足服务信噪比阈值SNR_g且信噪比最大的无人机，得到每个无人机的待服务集合S_i-list；

步骤3.1.4，判断每个无人机i的无人机待服务集合S_i-list的用户数量是否大于该无人机的最大同时服务数C_i，i∈[1,N]；如果大于，则按照信噪比从大到小排列，保留信噪比最大的前C_i个用户，将未被保留的其余用户到该无人机的信噪比设定为0，并移出无人机待服务集合S_i-list；

步骤3.1.5，返回执行步骤3.1.3，直到所有用户都被服务或未被服务的用户和任一无人机之间的信噪比都无法满足服务信噪比SNR_g，从而得到异构无人机组的服务用户结果b_ij:

4.根据权利要求2所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤3.2的具体步骤如下：

步骤3.2.1：建立网络拓扑图的邻接矩阵E：

其中E_in表示邻接矩阵中第m行第n列的元素，SNR_in表示无人机i发射的信号在无人机n处被接收的信噪比，E_in为1表示无人机i发射的信号可以由无人机n直接接收，E_in为0表示无人机i发射的信号不能由无人机n直接接收；

步骤3.2.2：对任意一个无人机，利用有向图的广度优先搜索遍历算法，查找从该无人机到其他全部无人机的路径，如果从该无人机到其他任意无人机都存在双向路径，则判定网络连通，否则判定为不连通，从而得到无人机之间的连通函数：

5.根据权利要求2所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤3.3.4中，w₁、w₂和w₃取值如下：

其中，c为一个正的常数。

6.根据权利要求1所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤4中，利用多目标粒子群算法和离散二进制粒子群的更新公式得到每个粒子的候选新位置P^t+1(k)的具体步骤如下：

步骤4.1.1，根据每个粒子的个体极值P_l(k)、全局极值以及当前位置P^t(k)计算得到每个粒子的位置变化量V^t(k)：

V^t(k)＝w*V^t-1(k)+c₁*rand₁*(P_l(k)-P^t(k))+c₂*rand₂*(P_g-P^t(k))；

其中，w为惯性权重，表示历史速度对新速度的影响大小，c₁是个人学习系数，c₂是全局学习系数，rand₁和rand₂均为[0，1]区间内的随机数，在每次迭代前独立随机生成；V^t-1(k)为第t-1次迭代时的粒子的位置变化量；初始状态下粒子的位置变化量V⁰(k)在[-V_l，V_l]范围内随机生成；

步骤4.1.2，判断每个粒子的位置变化量V^t(k)的每一维参数变化量是否满足

其中，V_l为位置变化量允许的最大取值，-V_l为位置变化量允许的最小取值；

如果

则将

设置为-V_l，如果

则将

设置为V_l；否则，保持不变；

步骤4.1.3，根据步骤4.1.2得到的每个粒子的位置变化量V^t(k)计算得到每个粒子的候选新位置P^t+1(k)；

采用连续多目标粒子群优化所采用的更新粒子位置的方式得到每个粒子的位置更新值的前3维参数的值

其中，

表示为每个粒子的当前位置P^t(k)的前3维参数的值，

表示每个粒子的位置变化量V^t(k)的前3维参数的值；

采用sigmod函数将每个粒子的位置变化量V^t(k)的后1维参数的值映射到区间[0,1]中，作为每个粒子的位置变化量V^t(k)的后1维参数的值在下次迭代中取0还是取1的概率，映射函数如下：

其中，S()表示sigmod函数，

为每个粒子的位置变化量V^t(k)的后1维参数的值；

基于映射函数得到每个粒子的位置更新值的后1*N维参数的值

其中α为区间[0,1]的随机数，在每次迭代前随机生成。

7.根据权利要求1所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤4中，利用遗传算法中的交叉操作将每个粒子的个体极值P_l(k)与当前位置P^t(k)交叉得到每个粒子的候选新位置P_i ^c(k)，用同样的交叉操作将每个粒子的全局极值P_g和当前位置P^t(k)交叉得到每个粒子的候选新位置

的具体步骤如下：

随机出两个交叉位置r₁和r₂；

基于交叉位置r₁和r₂将每个粒子的当前位置P^t(k)与其个体极值P_l(k)进行交叉，其中，将两个交叉位置及其之间的参数值设定为个体极值中的值，将两个交叉位置外的参数值设定为粒子的当前位置，从而得到每个粒子的候选新位置P_l ^c(k)；

随机出两个交叉位置r₃和r₄；

基于交叉位置r₃和r₄将每个粒子的当前位置P^t(k)与其全局极值P_g进行交叉，其中，将两个交叉位置及其之间的参数值设定为全局极值中的值，将两个交叉位置外的参数值设定为粒子的当前位置，从而得到每个粒子的候选新位置

8.根据权利要求1所述的基于粒子群算法的异构无人机三维空间部署方法，其特征在于，步骤4中利用遗传算法中的变异操作得到每个粒子自我变异的候选新位置P^m(k)的具体步骤如下：

将每个粒子的当前位置P^t(k)的前3*N维参数值与一个随机数相加，随机数在区间[-V_l,V_l]随机选取；

将每个粒子的当前位置P^t(k)的后1*N维参数值随机设定为0或者1；

从而得到每个粒子自我变异的候选新位置P^m(k)：

P^m(k)＝[x₁+rand[-V_l,V_l],...,x_N+rand[-V_l,V_l],y₁+rand[-V_l,V_l],...,y_N+rand[-V_l,V_l],h₁+rand[-V_l,V_l],...,h_N+rand[-V_l,V_l],rand₁(0,1),...,rand_i(0,1),...,rand_N(0,1)]，k∈[1,Np]

其中rand[-V_l,V_l]为区间[-V_l,V_l]内的一个随机数，在每次迭代前独立随机生成；rand_i(0,1),i∈[1,N]，表示随机取0或者1，在每次迭代前独立随机生成。

9.一种计算机设备，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实现权利要求1-8任一所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法。

Images