CN113419561A - 一种分布式空中基站高动态部署方法 - Google Patents
一种分布式空中基站高动态部署方法 Download PDFInfo
- Publication number
- CN113419561A CN113419561A CN202110782708.7A CN202110782708A CN113419561A CN 113419561 A CN113419561 A CN 113419561A CN 202110782708 A CN202110782708 A CN 202110782708A CN 113419561 A CN113419561 A CN 113419561A
- Authority
- CN
- China
- Prior art keywords
- base station
- action
- air
- aerial
- air base
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 230000009471 action Effects 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于分布式强化学习的面向内容覆盖的空中基站高动态部署方法，其方案是：将无人机与基站模块、无人机通信模块、微型处理器及硬盘组装构成空中基站；对未知先验信息的覆盖区域进行分割处理，采用栅格法建立环境模型；将不同的文件预先存储在硬盘中，初始化各个空中基站的高动态部署策略，并确立各个空中基站的起始点；空中基站根据部署策略选择飞行路径，并利用微型处理器各自进行强化学习以优化部署策略；空中基站之间通过无人机通信模块交互部署策略，根据其他空中基站的部署策略进一步优化自身部署策略。本发明通过分布式路径规划，保证了空中基站能在高速移动下为未知环境中的用户提供内容覆盖服务，可用于空中无线通信网络。
Description
技术领域
本发明属于无人机技术领域，更进一步涉及一种空中基站高动态部署方法，可用于空中无线通信网络。
背景技术
对空中基站进行按需部署、保障用户的服务质量是空中无线通信网络中的关键技术。空中基站由于其负载受限，其计算能力、通信能力会受到严重的限制，此外，由于空中基站部署环境的先验信息未知，且空中基站的高速移动使得其周围的环境特征变化较快。在这种情况下，如何实现空中基站的按需高动态部署，并尽可能降低部署策略优化过程中的计算负荷和通信负荷，对空中网络的实际应用具有重要意义。
广东工业大学在其申请的专利文献“一种面向智能交通的无人机部署及飞行轨迹优化方法及系统”(申请公布号：CN 111949703 A，申请号：202010659147.7)中公布了一种无人机部署及飞行轨迹优化方法。该方法利用历史先验信息，预测未来出现在路口的交通流，根据预测信息优化飞行轨迹，并根据实时的交通流数据和任务需求优化悬停位置，达到减少能耗，提高服务质量的目的。但是，该方法依然存在的不足之处是，需要关于路口交通流的历史先验信息，所以不适用于未知环境中的空中基站的部署过程。
中国人民解放军军事科学院国防科技创新研究院在其申请的专利文献“一种深度强化学习模型无人机部署试验方法和系统”(申请公布号：CN 111783224 A，申请号：202010575692.8)中公布了一种无人机部署试验方法。该方法采用强化学习算法模型，无人机将状态信息发送给位于地面的中心控制单元，该控制单元接收到来自无人机的状态信息后，通过预设的强化学习算法模型进行计算、决策，并将决策信息发回给无人机，实现无人机的控制。但是，该方法依然存在的不足之处是，在某些空中网络典型应用场景中，中心计算平台由于客观因素限制，如环境、经济条件，而无法建立，进而使得该方法失效。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种分布式空中基站高动态部署方法，以根据空中基站与未知环境的交互，分布式地优化各个空中基站的部署策略，并通过空中基站之间的信息交互，使得各个空中基站中的策略保持一致性，实现空中基站在高速移动下为未知环境中的用户提供内容覆盖服务。
本发明的技术方案是：首先对空中基站进行组装、调试；再设置环境模型及空中基站初始化参数；然后由各个空中基站根据与环境的交互结果进行分布式强化学习，优化高动态部署策略；最后各空中基站根据学习结果，进行分布式地部署，完成对未知环境中用户的内容覆盖服务。其具体实现包括如下：
(1)将无人机与基站模块、无人机通信模块、微型处理器及硬盘组装配置，构成空中基站，并调试飞行；
(2)将未知先验信息的环境进行分割处理，即采用栅格法将空中基站的覆盖区域分成N×N的栅格，构成环境模型；
(3)将不同内容的文件分别存储在各个空中基站的硬盘中，初始化各个空中基站的动作状态矩阵，设置最大学习次数，并设置当前学习次数为0；
(4)初始化各个空中基站的起始点为某个栅格的中心位置；
(5)每个空中基站根据当前动作状态矩阵选择下一步动作，并利用微处理器各自进行强化学习：
(5a)根据各个空中基站的当前位置、空中基站经过各个栅格的次数以及当前时刻，获得空中基站当前状态；
(5b)各个空中基站根据当前状态动作矩阵、以ε-greedy策略选择下一步动作；
(5c)空中基站执行所选择的动作，到达下一个栅格中心处，并为位于该栅格中的用户传输文件；
(5d)空中基站根据设定的服务奖励规则，获得为用户服务的奖励；
(5e)空中基站结合当前动作状态矩阵及所获得的奖励，根据设定的本地更新策略对动作状态矩阵进行更新；
(5f)空中基站向邻居无人机发送更新后的动作状态矩阵；
(5g)空中基站结合来自邻居空中基站的动作状态矩阵，根据设定的邻居更新策略对当前的动作状态矩阵再次进行更新；
(6)判断所有用户的服务需求是否被满足：
如果用户请求的文件成功被接收，则所有用户的服务需求被满足，本轮学习结束，当前学习次数加1，执行(7)；
否则，不满足用户的服务需求，返回(5)；
(7)判断当前学习次数是否达到最大学习次数：
如果是，则执行(8)；否则，返回(4)；
(8)每个空中基站根据动作状态矩阵，各自完成面向内容覆盖的高动态部署。
与现有技术相比，本发明具有以下优点：
第一，本发明在不需要预知关于空中基站运行环境的先验信息情况下，通过空中基站与环境的交互完成空中基站高动态部署策略的优化，解决了现有技术中需要完整的关于环境的先验信息，以及无法在未知环境下应用的问题。
第二，本发明中每个空中基站各自进行强化学习，使各个空中基站能够分布式地优化高动态部署策略，克服了现有技术对中心控制单元的巨大需求，解决了空中基站计算负荷过大的问题，使本发明更适应于计算能力较弱的空中基站。
第三，本发明中由于每个空中基站各自完成高动态部署，可在未知环境的空中基站意外失效后，保证其他空中基站依然正常运行，大幅度降低未知环境对空中基站部署的不利影响，保障了空中基站部署的稳定性。
附图说明
图1是本发明的实现流程图；
图2是本发明中的空中基站在飞行过程采用的时间同步机制示意图。
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详细描述。
参照图1，本实例的实现步骤包括如下：
步骤1，组装配置空中基站。
本实例构建的空中基站是通过将基站模块、通信模块、微型处理器及硬盘与无人机进行组装配置形成，其中：
所述无人机包括机身主体、动力装置及电源装置；
所述基站模块包括基站收发台和基站控制器，用于无人机对地面用户进行数据传输；
所述通信模块包括编码模块和高频发射模块，用于无人机之间进行数据交互；
所述微型处理器包括运算器、控制器和寄存器，用于计算调整空中基站的高动态部署策略，控制空中基站飞行路径；
所述硬盘用于存储需要传输的文件。
上述部件与无人机的装配关系如下：
基站模块安装在无人机底部某侧，且基站模块的天线朝向地面，以形成覆盖地面用户的波束，增强用户的接收信号强度；
硬盘紧挨着基站模块也安装在无人机底部，并与基站模块直接连接，减少内存读取时延；
通信模块安装在无人机顶部某侧，其天线为全向天线。
微处理器紧挨着通信模块也安装在无人机顶部，并与通信模块直接连接，便于对强化学习结果进行交互和计算，且与基站模块直接连接，以使微处理器能够获得基站模块从环境中得到的信息。
步骤2，建立环境栅格，设计时间同步机制。
2.1)将位置环境区域划分为10×10的栅格，共10行、10列；
2.2)设计空中基站的飞行过程采用的时间同步机制：
参照图2，空中基站的飞行过程采用时间同步机制，是将时间轴划分成长度为T的不重叠的时隙，在每个时隙中，空中基站采取三个动作，分别为决策、飞行及悬停。其中：
所述决策，是空中基站根据当前状态及学习结果，选择本时隙的飞行方向及目标栅格；
所述飞行，是空中基站按照决策的飞行方向，从一个当前栅格中心的正上方飞到目标栅格中心的正上方；
所述悬停，是空中基站在到达目标栅格中心的正上方后，开始悬停并向位于该栅格内的地面用户发送数据。
步骤3，初始化空中基站参数。
将文件分别存储在各个空中基站的硬盘中，各个空中基站存储的文件可以相同，也可以不同，文件库中的每一个文件，都必须至少被一个空中基站所存储；
初始化空中基站参数，包括初始化各个空中基站的动作状态矩阵、设置各个空中基站初始栅格、设置最大学习次数，其中：
初始化各个空中基站的动作状态矩阵，是以Qi表示空中基站i的动作状态矩阵，Qi(s,a)表示Qi中的元素，其中，s表示状态，a表示动作，Qi(s,a)表示空中基站i处于状态s时，执行动作a能够获得的收益；
设置各个空中基站的初始栅格，是将空中基站的初始位置位于初始栅格中心的正上方；
最大学习次数是根据场景规模设置，并将当前学习次数设置为0。
步骤4，初始化各个空中基站的起始点。
本实例将每个空中基站的起始点都分别对应位置环境区域中一个栅格的中心位置，即每个空中基站的起始点在不同的位置，对应不同的栅格。
步骤5，各个空中基站利用自身的微型处理器，开始强化学习。
本实例中的强化学习采用基于Q学习算法的分布式强化学习算法，其实现如下：
5.1)各个空中基站获取当前的状态，每个空中基站的状态包括：空中基站当前的位置、空中基站经过各个栅格的次数以及当前的时隙信息；
5.2)各个空中基站结合自身当前状态及动作状态矩阵，依据ε-greedy策略选择当前时隙将要执行的动作，即空中基站在当前状态下，依概率ε选择收益最大的动作作为执行动作，依概率1-ε随机选择一个动作作为执行动作，其中，如果存在多个动作都能获得最大收益，则从所有能够获得最大收益的动作中随机选择一个作为执行动作。
5.3)各个空中基站根据选择的动作，分别飞往各自的目标栅格，当空中基站到达目标栅格后，会悬停在目标栅格上空，并向位于该栅格内的用户发送文件。
5.4)空中基站根据是否满足如下条件，获得奖励值：
如果空中基站所悬停的栅格内有用户存在，且空中基站中存储的文件是用户所需要的文件，则空中基站能够获得奖励值；
否则，空中基站不获得任何奖励。
5.5)空中基站结合获得的奖励值，根据本地更新策略对自身动作状态矩阵进行更新，即：
Q'(s,a)＝Q(s,a)+τ·(r(s,a)+γ·Q(s′,arg maxa′Q(s′,a′))-Q(s,a))，
其中，Q(s,a)表示动作状态矩阵中的元素，Q'(s,a)表示更新后动作状态矩阵中的元素，s表示空中基站状态，a表示空中基站执行的动作，s′表示空中基站在状态s时执行动作a之后到达的下一个状态，a′表示空中基站执行的下一个动作，r(s,a)是空中基站在状态s时执行动作a后获得的奖励值；τ为学习率，其是一个大于0小于1的正数；γ为折现因子，值为0.8；arg maxa′Q(s′,a′)为使得Q(s′,a′)值最大时对应的a′值。
5.6)各个空中基站向各自的邻居空中基站发送自身的动作状态矩阵，所述邻居空中基站，以空中基站i为例，对其进行说明：假设空中基站i所搭载的无人机通信模块的通信距离为l，若某空中基站到空中基站i的欧式距离小于l，则该空中基站称为空中基站i的邻居空中基站，同时空中基站i也为该空中基站的邻居空中基站。即空中基站i和该空中基站互为邻居空中基站。
5.7)各个空中基站结合邻居空中基站发来的动作状态矩阵，根据邻居更新策略对自身动作状态矩阵进行更新。
以空中基站i为例，邻居更新策略是：
其中，Qi(s,a)表示更新前空中基站i的动作状态矩阵中的元素，Qi'(s,a)表示更新后空中基站i的动作状态矩阵中的元素，s表示空中基站状态，a表示空中基站执行的动作；β为学习率，其是一个大于0小于1的正数，Ui为空中基站i的邻居空中基站所组成的集合。
步骤6，根据所有用户的服务需求被满足的情况以及当前学习次数，进行步骤选择。
6.1)判断所有用户的服务需求是否被满足：
如果用户请求的文件成功被接收，则所有用户的服务需求被满足，本轮学习结束，当前学习次数加1，执行步骤6.2)；
否则，返回步骤5。
6.2)判断当前学习次数是否达到最大学习次数：
如果是，则执行步骤7；
否则，返回步骤4。
步骤7，各个空中基站根据学习得到的动作状态矩阵，各自选择部署策略，完成空中基站面向内容覆盖的高动态部署。
7.1)各个空中基站从各自的初始点开始，先计算此时空中基站所处的状态，然后根据动作状态矩阵，选择当前状态下奖励最大的一个动作来执行，飞往下一个栅格处；
7.2)在完成向地面用户发送文件后再次计算空中基站所处状态；
7.3)重复步骤7.1)和7.2)，直至所有用户都接收到所需要的文件。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (9)
1.一种分布式空中基站高动态部署方法，其特征在于，包括：
(1)将无人机与基站模块、无人机通信模块、微型处理器及硬盘组装配置，构成空中基站，并调试飞行；
(2)将未知先验信息的环境进行分割处理，即采用栅格法将空中基站的覆盖区域分成N×N的栅格，构成环境模型；
(3)将不同内容的文件分别存储在各个空中基站的硬盘中，初始化各个空中基站的动作状态矩阵，设置最大学习次数，并设置当前学习次数为0；
(4)初始化各个空中基站的起始点为某个栅格的中心位置；
(5)每个空中基站根据当前动作状态矩阵选择下一步动作，并利用微处理器各自进行强化学习：
(5a)根据各个空中基站的当前位置、空中基站经过各个栅格的次数以及当前时刻，获得空中基站当前状态；
(5b)各个空中基站根据当前状态动作矩阵、以e-greedy策略选择下一步动作；
(5c)空中基站执行所选择的动作，到达下一个栅格中心处，并为位于该栅格中的用户传输文件；
(5d)空中基站根据设定的服务奖励规则，获得为用户服务的奖励；
(5e)空中基站结合当前动作状态矩阵及所获得的奖励，根据设定的本地更新策略对动作状态矩阵进行更新；
(5f)空中基站向邻居无人机发送更新后的动作状态矩阵；
(5g)空中基站结合来自邻居空中基站的动作状态矩阵，根据设定的邻居更新策略对当前的动作状态矩阵再次进行更新；
(6)判断所有用户的服务需求是否被满足：
如果用户请求的文件成功被接收，则所有用户的服务需求被满足，本轮学习结束，当前学习次数加1，执行(7)；
否则，不满足用户的服务需求，返回(5)；
(7)判断当前学习次数是否达到最大学习次数：
如果是，则执行(8)；否则，返回(4)；
(8)每个空中基站根据动作状态矩阵，各自完成面向内容覆盖的高动态部署。
2.根据权利要求1所述的方法，其特征在于，(1)中构成空中基站的无人机及模块装置结构功能如下：
所述无人机包括机身主体、动力装置及电源装置；
所述基站模块包括基站收发台和基站控制器，用于无人机对地面用户进行数据传输；
所述通信模块包括编码模块和高频发射模块，用于无人机与地面用户进行通信。
所述微型处理器包括运算器、控制器和寄存器，用于计算调整空中基站的高动态部署策略，控制空中基站飞行路径；
所述硬盘用于存储需要传输的文件。
3.根据权利要求1所述的方法，其特征在于，(2)中所述的未知先验信息，包括：未知的用户位置，未知的用户需求以及未知的信道特征。
4.根据权利要求1所述的方法，其特征在于，(3)中的动作状态矩阵，其矩阵的行代表空中基站所有可能处于的状态，矩阵的列代表无人机所有可能执行的动作，矩阵中的元素表示空中基站在不同状态下执行不同动作所能够获得的收益。其中，状态由空中基站位置、空中基站经过各个栅格的次数，以及当前时刻共同决定。
5.根据权利要求1所述的方法，其特征在于，(5b)中所述的e-greedy策略是：空中基站在当前状态下，依概率e选择收益最大的动作来执行，依概率1-e随机选择一个动作来执行，对于存在多个动作都能获得最大收益的情况，则从所有能够获得最大收益的动作中随机选择一个来执行。
6.根据权利要求1所述的方法，其特征在于，(5d)中所述的服务奖励规则是必须同时满足如下两个条件：
一是空中基站所在的栅格内必须有用户存在，二是用户请求的文件被缓存在该空中基站的硬盘中，则空中基站能够获得奖励；
否则，空中基站不获得任何奖励。
7.根据权利要求1所述的方法，其特征在于，(5e)中的本地更新策略是：通过如下公式对动作状态矩阵中的元素进行更新：
Q'(s,a)＝Q(s,a)+τ·(r(s,a)+γ·Q(s′,argmaxa′Q(s′,a′))-Q(s,a))
其中，Q(s,a)表示动作状态矩阵中的元素，Q'(s,a)表示更新后动作状态矩阵中的元素，s表示空中基站状态，a表示空中基站执行的动作，s′表示空中基站在状态s时执行动作a之后到达的下一个状态，a′表示空中基站执行的下一个动作，r(s,a)是空中基站在状态s时执行动作a后获得的奖励值，τ为学习率，γ为折现因子，argmaxa′Q(s′,a′)为使得Q(s′,a′)值最大时对应的a′值。
8.根据权利要求1所述的方法，其特征在于，(5f)中所述的邻居空中基站是：如果两个空中基站之间的欧式距离，小于无人机通信模块的最大通信欧式距离，则这两个空中基站互为对方的邻居空中基站。
9.根据权利要求1所述的方法，其特征在于，(5g)中的邻居更新策略，是：
通过如下公式对空中基站i的动作状态矩阵中的元素进行更新：
其中，Qi(s,a)表示更新前空中基站i的动作状态矩阵中的元素，Qi'(s,a)表示更新后空中基站i的动作状态矩阵中的元素，s表示空中基站状态，a表示空中基站执行的动作，β为学习率，Ui为空中基站i的邻居空中基站所组成的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110782708.7A CN113419561A (zh) | 2021-07-12 | 2021-07-12 | 一种分布式空中基站高动态部署方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110782708.7A CN113419561A (zh) | 2021-07-12 | 2021-07-12 | 一种分布式空中基站高动态部署方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113419561A true CN113419561A (zh) | 2021-09-21 |
Family
ID=77720849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110782708.7A Pending CN113419561A (zh) | 2021-07-12 | 2021-07-12 | 一种分布式空中基站高动态部署方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113419561A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114095955A (zh) * | 2021-11-08 | 2022-02-25 | 西安电子科技大学 | 基于凸多边形剖分的地对空覆盖的场景化波束生成方法 |
| CN114879742A (zh) * | 2022-06-17 | 2022-08-09 | 电子科技大学 | 基于多智能体深度强化学习的无人机集群动态覆盖方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109443366A (zh) * | 2018-12-20 | 2019-03-08 | 北京航空航天大学 | 一种基于改进q学习算法的无人机群路径规划方法 |
| CN110708108A (zh) * | 2019-08-07 | 2020-01-17 | 西北工业大学 | 一种多无人机毫米波网络的波束控制优化方法 |
| CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
| CN111479306A (zh) * | 2020-04-02 | 2020-07-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于Q-learning的飞行自组网QoS路由方法 |
| US20210165405A1 (en) * | 2019-12-03 | 2021-06-03 | University-Industry Cooperation Group Of Kyung Hee University | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same |
-
2021
- 2021-07-12 CN CN202110782708.7A patent/CN113419561A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109443366A (zh) * | 2018-12-20 | 2019-03-08 | 北京航空航天大学 | 一种基于改进q学习算法的无人机群路径规划方法 |
| CN110708108A (zh) * | 2019-08-07 | 2020-01-17 | 西北工业大学 | 一种多无人机毫米波网络的波束控制优化方法 |
| US20210165405A1 (en) * | 2019-12-03 | 2021-06-03 | University-Industry Cooperation Group Of Kyung Hee University | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same |
| CN111193536A (zh) * | 2019-12-11 | 2020-05-22 | 西北工业大学 | 一种多无人机基站轨迹优化和功率分配方法 |
| CN111479306A (zh) * | 2020-04-02 | 2020-07-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于Q-learning的飞行自组网QoS路由方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHENXI ZHAO; JUNYU LIU; MIN SHENG; WEI TENG; YANG ZHENG; JIANDON: "Multi-UAV Trajectory Planning for Energy-Efficient Content Coverage: A Decentralized Learning-Based Approach", 《IEEE XPLORE》 * |
| 叶夫根尼·沃罗贝基克: "《对抗机器学习》", 31 December 2019 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114095955A (zh) * | 2021-11-08 | 2022-02-25 | 西安电子科技大学 | 基于凸多边形剖分的地对空覆盖的场景化波束生成方法 |
| CN114095955B (zh) * | 2021-11-08 | 2023-08-18 | 西安电子科技大学 | 基于凸多边形剖分的地对空覆盖的场景化波束生成方法 |
| CN114879742A (zh) * | 2022-06-17 | 2022-08-09 | 电子科技大学 | 基于多智能体深度强化学习的无人机集群动态覆盖方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109682380B (zh) | 一种通信无人机路径优化方法及设备 | |
| US11703853B2 (en) | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same | |
| WO2022199032A1 (zh) | 模型构建方法、任务分配方法、装置、设备及介质 | |
| CN112104502B (zh) | 时敏多任务边缘计算与缓存协作卸载策略方法 | |
| CN112995913A (zh) | 一种无人机轨迹、用户关联和资源分配联合优化方法 | |
| CN113419561A (zh) | 一种分布式空中基站高动态部署方法 | |
| CN112203289B (zh) | 一种集群无人机区域覆盖的空中基站网络部署方法 | |
| Asim et al. | An evolutionary trajectory planning algorithm for multi-UAV-assisted MEC system | |
| CN112902969A (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
| CN113163377B (zh) | 一种无人机网络部署和资源分配方法及其装置 | |
| CN111381499A (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
| CN115633320B (zh) | 多无人机辅助的数据采集与回传方法、系统、设备及介质 | |
| CN115633033A (zh) | 融合射频能量采集的协同节能计算迁移方法 | |
| Chenxiao et al. | Energy-efficiency maximization for fixed-wing UAV-enabled relay network with circular trajectory | |
| Chen et al. | DRL based partial offloading for maximizing sum computation rate of FDMA-based wireless powered mobile edge computing | |
| US20240086715A1 (en) | Training and using a neural network for managing an environment in a communication network | |
| CN114020024A (zh) | 基于蒙特卡洛树搜索的无人机路径规划方法 | |
| CN116882270A (zh) | 一种基于深度强化学习的多无人机无线充电与边缘计算联合优化方法及系统 | |
| Li et al. | UAV-enabled fair offloading for MEC networks: a DRL approach based on actor-critic parallel architecture | |
| Huang et al. | Joint data caching and computation offloading in UAV-assisted internet of vehicles via federated deep reinforcement learning | |
| CN113498018B (zh) | 辅助智能物联网覆盖增强的无人机轨迹优化方法及系统 | |
| Cui et al. | UAV-enabled MEC system: Locations and coverage optimization | |
| Xu et al. | Energy efficiency and delay determinacy tradeoff in energy harvesting-powered zero-touch deterministic industrial M2M communications | |
| Wang et al. | Seamless coverage strategies of FANET | |
| Zhang et al. | Responsive Regulation of Dynamic UAV Communication Networks Based on Deep Reinforcement Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |