CN113595619B - 一种无人机群通联与覆盖组合优化方法 - Google Patents
一种无人机群通联与覆盖组合优化方法 Download PDFInfo
- Publication number
- CN113595619B CN113595619B CN202110875181.2A CN202110875181A CN113595619B CN 113595619 B CN113595619 B CN 113595619B CN 202110875181 A CN202110875181 A CN 202110875181A CN 113595619 B CN113595619 B CN 113595619B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- communication
- aerial vehicles
- coverage
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
-
- 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
Abstract
本发明公开了一种无人机群通联与覆盖组合优化方法,属于无人机任务规划技术领域。本发明首先确定无人机群通信保障任务的先验信息,然后采用蜂窝正六边形策略对任务区域进行分割,接着形成对全部目标的优化覆盖策略,并形成对机间通联关系的保持策略,最后完成无人机的最优指派。本发明在无人机通信范围有限的情况下,通过最优的无人机指派策略,实现数量及分布不均的多个目标的全覆盖,并能保证无人机之间的相互通联。
Description
技术领域
本发明涉及一种无人机群通联与覆盖组合优化方法,属于无人机任务规划技术领域,可用于无人机群通信目标覆盖任务。
背景技术
随着无人系统技术的不断发展,无人机以其建造成本低、安全系数高、无人作业等优点在军民各领域得到广泛应用。然而,由于单无人机执行任务面临周期长、任务单一、抗毁性差等问题,已经越来越难以满足应急救援、目标搜索、饱和攻击等任务需求,由无人机群协同完成各类任务已成为必然趋势。其中,无人机群为特定任务区域内的目标提供通信保障是一个典型应用,即采用无人机群为地面离散分布的目标(人员、设备、电台等)构建空中通信网络,使其地面目标能够保持互联互通。该任务过程需要考虑到无人机群通信覆盖范围、无人机数量、无人机群联通性、覆盖目标数量等因素,实现对目标采用较少的无人机实现较高的覆盖率。
在无人机群的通信保障任务中,一个重要的环节就是如何指派最少的无人机到合适的位置,实现对目标点的通信覆盖,同时保持无人机群间的联通状态。当前的研究主要集中在目标覆盖方面,考虑无人集群联通性约束的较少,通常采用目标覆盖方法如K-means聚类(“优化初始聚类中心的K-means聚类算法”,2020,计算机工程与应用,56(15):172-178)、DBSCAN密度聚类(“基于网格和密度比的DBSCAN算法研究”,2018,辽宁大学,硕士学位论文)、均值漂移聚类和Mini Batch K-means聚类(“Mini BatchK-means算法在遥感影像分类中的应用”,2017,鲁东大学学报,33(4):359-363)。其中,K-means聚类算法没有考虑到覆盖形状和范围,同时随机选取聚类中心会导致无人机群的通信覆盖率低、稳定性差;DBSCAN未指定类的数量,而通信保障中无人机的数量是有限的,在这个算法中指定类的数量会导致对目标点的覆盖率变低;均值漂移聚类同样未指定类的数量,在无人机群的通信保障中对目标点的覆盖率依旧不理想。Mini Batch K-means算法是K-means算法的变种,该算法比K均值算法有更快的收敛速度,但是聚类的效果较差,显然这在无人机群的通信保障中不适用。
综上所述,现有的目标覆盖方法应用在无人机群的通信保障任务中普遍存在对目标点覆盖率低、稳定性差、未考虑无人集群联通性等问题。
发明内容
有鉴于此,本发明提出了一种无人机群通联与覆盖组合优化方法,该方法面向非均匀分布的地面用户目标通信覆盖场景,在每架无人机通信覆盖范围有限的情况下,可通过最优的无人机指派策略,用最少的无人机数量实现分布不均的多个地面目标的全覆盖,同时满足每架无人机地面目标覆盖范围及无人机间的最大通信距离有限等约束条件。
为了实现上述目的,本发明采用的技术方案为:
一种无人机群通联与覆盖组合优化方法,包括以下步骤:
步骤1:确定无人机群通信保障任务的先验信息,包括任务区域、无人机群当前位置、无人机通信范围、地面目标位置;
步骤2:根据无人机通信范围确定蜂窝正六边形的尺寸参数,并采用该蜂窝正六边形策略对步骤1中确定的任务区域进行分割;
步骤3:以利用最少的蜂窝正六边形覆盖最多的地面目标作为优化指标,优化任务区域分割偏移量,计算覆盖所有目标所需的最少无人机数量及期望位置,形成对全部目标的优化覆盖策略;
步骤4:根据无人机期望位置,统计机间不连通状况,并根据统计结果进一步以最少无人机数量为优化指标,生成中继无人机的数量及期望位置,形成对机间通联关系的保持策略;
步骤5:根据待指派无人机群的当前位置及无人机群的期望位置,将全局最短路径作为优化指标,构建每架无人机的最优指派关系,并完成指派。
进一步的,所述任务区域为凸多边形,所述步骤2的具体方式为:
步骤2.1:依次以凸多边形的每一条边作为底边,做底边的平行线,该平行线与底边一起将凸多边形夹住;计算每条底边与其平行线之间的距离,并以这些距离的最小值作为凸多边形的最小高度;
步骤2.2:将蜂窝正六边形的边长a设置为无人机的通信覆盖半径Rd,即,无人机至蜂窝正六边形中心的距离为Rd;
步骤2.3:以凸多边形最小高度所对应的底边为X轴,以该底边的左端点为坐标原点,建立直角坐标系O-XY,在该坐标系下对整个任务区域进行蜂窝分割;其中,坐标原点与一蜂窝正六边形的最左侧顶点重合,X轴与蜂窝正六边形的一边平行,蜂窝正六边形的边长为步骤2.2所确定的Rd。
进一步的,所述步骤3的具体方式为:
步骤3.2:采用以下公式对Δx、Δy进行迭代优化计算:
其中,为迭代优化次数,ω为惯性因子,取值为0.4~0.9,T为待通信覆盖的目标数量,Δxt、Δyt分别表示迭代第t次的二维偏移量,为常数,Nt表示二维偏移量为Δxt、Δyt时所需的无人机数量,1≤Nt≤T,r1t、r2t为[0,1]之间的随机数,min(N0-t)及max(N0-t)分别表示N0~Nt中的最小值及最大值;
步骤3.4:将蜂窝分割网格按照步骤3.3所得的最终的偏移量计算结果进行平移,平移后存在目标的蜂窝正六边形的数量即为覆盖所有目标所需的无人机数量N,这些蜂窝正六边形的中心即为需要指派通信覆盖无人机的期望位置;
步骤3.5:根据步骤3.4所得的无人机数量和期望位置生成无人机期望位置序列,得到对全部目标的优化覆盖策略。
进一步的,步骤4的具体方式为:
步骤4.1:根据无人机间通联状态,将无人机群划分为M个不连通子网络,子网络之间需要指派中继无人机进行通信中继;
步骤4.2:在所有可行的通信路径中求解需要中继无人机最少的路径,得到多区域最短路径连通问题,并采用Prim最小生成树算法进行求解,得到用于实现通信联通的M-1条中继链路;
步骤4.3:通过下式计算第i条中继链路所需的中继无人机的数量ni:
中继无人机的总量n为:
将第i条中继链路进行ni+1等分,等分点处即为第i条中继链路上中继无人机的期望位置。
进一步的,步骤5的具体方式为:
步骤5.1:根据步骤3和4所得的各无人机的期望位置,结合无人机群的当前位置,定义期望位置与当前位置之间的无人机指派关系为φ=[φ1,φ2,...,φN+n],其中N+n为所需全部无人机数量;
步骤5.2:将全局最短路径作为优化指标,基于组合优化方法对无人机进行任务分配,对φ进行求解,并根据求解结果完成指派。
本发明的有益效果在于:
1、本发明通过无人机覆盖半径与地图分割之间的内在关系优化、地图分割偏移量对目标优化覆盖的影响分析、无人机群连通性保持约束等策略,采用多个局部区域间的最短路径组合优化方法,求解目标覆盖所需的最少无人机数量和对应位置,并以群体最短飞行路径为优化指标,实现无人机群的最优指派。
2、本发明充分利用了无人机群通信保障任务执行过程中的离散特性,将大规模非均匀动态目标的覆盖问题转化为多目标组合优化问题,将无人机群联通保持策略调整转化为无人机节点动态指派策略求解问题,通过简单的计算即可实现多无人机的复杂任务分配,使本方法具有更强的场景适应能力,有利于工程化应用。
附图说明
图1为无人机群通联与覆盖组合优化方法的流程图;
图2为多边形任务区域最小高度确定方法示意图;
图3为蜂窝正六边形的尺寸参数计算方法示意图;
图4为任务区域蜂窝分割示意图;
图5为蜂窝偏移量对优化解的影响示意图,其中(a)为初始蜂窝六边形划分示意图,(b)为蜂窝六边形平移后划分示意图;
图6为无人机群不连通子网络统计示意图;
图7为仿真实验结果图;
图8为仿真实验图例说明。
具体实施方式
下面结合附图对本发明的做进一步的详细说明。
一种无人机群通联与覆盖组合优化方法,该方法的应用对象为用于通信保障任务的无人机群系统,此系统可描述为:针对地面用户的通信保障任务,以由多架同构无人机构成的无人机群为载体,通过自组织的方式为地面用户构建空中通信通道,使非均匀分布的地面用户之间可以通过该空中通道实现互联互通,其实现的前提为地面用户目标位置可实时被无人机群系统获取。
如图1所示,该方法包括以下步骤:
步骤1:确定无人机群通信保障任务的先验信息。主要包括任务区域、无人机群当前位置、无人机通信范围、地面目标位置等。
其中,1)任务区域通常采用凸多边形表示,旨在为待通信覆盖的目标框定一个范围,目标仅在该区域内出现或出现在该区域外的目标不在通信覆盖任务执行范围内;2)无人机通信范围包括通信中继范围(机间联通保持的最长距离,采用以无人机的为中心的圆表示)及通信覆盖范围(覆盖地面目标通信的最长距离,采用以无人机为中心的圆在地面的投影圆表示),通常由无人机通信载荷决定,在通信载荷确定的情况下为常量;3)地面目标位置具有随机性、运动连续性,假设可通过定位手段被无人机群系统实时获取,并在整个任务实施过程中持续获取目标位置,作为指派无人机的输入。
步骤2:根据无人机通信范围确定蜂窝正六边形的尺寸参数,并采用该蜂窝正六边形策略对步骤1中确定的任务区域进行分割。
2.1根据多边形任务区域的最小高度确定任务区域原点。如图2所示,针对不规则凸多边形任务执行区域,假设为凸五边形ABCDE,通过做平行线测量多边形最优高度,分别通过平行线的一条线依次与多边形某一边重合,可按顺序DC、CB、BA、AE、ED逐步测量,另一条线过对边顶点,所有平行线中跨度最小值称为凸多边形ABCDE的最小高度Hmin,其对应顶点为D,对应边为BA。任务区域原点则为此状态下多边形区域的左下顶点B。
2.2计算蜂窝分割正六边形的尺寸参数。假设无人机的覆盖半径为Rd,为实现对目标点的覆盖并最大程度上减少重叠覆盖,并进一步简化问题求解,设置六边形边长a=Rd,当指派无人机至六边形中心位置时,实现对该区域内目标的覆盖,如图3所示。在这种划分下,无人机每次将覆盖完整的六边形蜂窝,无人机移动位置为离散化的蜂窝中心,进而在保证较高覆盖精度的条件下简化了后续的优化问题求解。
2.3以步骤2.1中确定的任务区域原点为坐标原点,以任务区域底边为X轴,建立直角坐标系O-XY,在该坐标系下,按照步骤2.2计算的蜂窝六边形边长a为基本尺寸,将六边形最左侧顶点与坐标原点O点重合,对整个任务区域进行蜂窝分割,分割效果如图4所示。
步骤3:以利用最少的蜂窝区域覆盖最多的地面目标作为优化指标,优化蜂窝分割偏移量,计算覆盖所有目标所需的最少无人机数量及期望位置。
如图5所示,对于同样分布的目位置,图(a)划分方式需要用到五架无人机进行目标点覆盖,适当调整蜂窝划分的偏移量后,如图(b)所示,其中两个原本分布于不同蜂窝的目标节点被调整到同一蜂窝区域内,仅需四架无人机即可完成覆盖(暂不考虑通连关系),因此合理优化六边形地图蜂窝离散化偏移量,可以进一步优化配置资源、减少无人机使用量。
3.2设置混合停机准则,并根据停机准则判断是终止迭代计算,本方案采用的混合停机准则为其中λ为常数;同时设置一个最大迭代次数tstop,其目的是为了防止迭代过程不收敛,其中适应度停机准则具有最高优先级,最大迭代次数次之。
3.3基于步骤3.2描述的停机准则,采用以下公式对Δx、Δy进行迭代优化计算:
其中,为迭代优化次数;ω为惯性因子,取值一般为0.4~0.9之间;T为待通信覆盖的目标数量;Δxt、Δyt分别表示迭代t次二维偏移量;为常数;Nt表示二维偏移量为Δxt、Δyt时所需的无人机数量,满足1≤Nt≤T;r1t、r2t为[0,1]之间的随机数;min(N0-t)及max(N0-t)分别表示N0~Nt的最小值及最大值。
3.4若满足步骤3.2描述的停止条件,即或t=tstop-1,则搜索停止,输出最终的偏移量计算结果Δx=Δxt+1、Δy=Δyt+1,并按该结果将蜂窝网格进行平移,平移后存在目标的蜂窝网格中心即为需要指派通信覆盖无人机的期望位置;否则,返回步骤3.3继续迭代优化偏移量Δxt、Δyt。
3.5根据所需无人机数量,以存在待覆盖目标的蜂窝网格中心为目标点,生成无人机期望位置序列,生成对全部目标的优化覆盖策略。
步骤4:根据无人机期望位置序列,统计机间不连通状况,并根据结果进一步以最少无人机数量为优化指标,生成专门用于通信中继无人机的期望位置,形成对机间通联关系的保持策略。
4.1根据无人机通联状态,将无人机群划分为M个不连通子网络,子网络之间的网络拓扑不连通,如图6所示,子网络之间即需要指派无人机专门用于通信中继。
4.2在所有可行的通信路径中求解所需通信联通无人机最少数目的路径,将问题转化为一个多区域最短路径连通问题。并采用Prim算法(最小生成树)求解该问题,得到M-1条路径用于保证通信拓扑连通,该路径之和最短,因此所需支援无人机的数量最少,进一步有效减少资源浪费。
4.3通过下式计算第i条中继链路所需通信中继无人机的数量ni:
所需指派通信中继无人机的位置通过对di进行ni+1等分确定。
步骤5:根据待指派无人机群的当前位置及无人机群期望位置,将全局最短路径作为优化指标,构建每架无人机的最优指派关系,并完成指派;
5.1根据步骤3.5及步骤5.3所输出的目标覆盖或通信中继无人机期望位置T=[t1,t2,...,tN+n],结合无人机群所处的当前位置X=[x1,x2,...,xN+n],定义期望位置与当前位置之间的无人机指派关系为φ=[φ1,φ2,...,φN+n],其中N+n为所需全部无人机数量;
5.2将全局最短路径作为优化指标,采用基于匈牙利算法对无人机进行任务分配,对φ进行求解,并根据求解结果完成指派。采用匈牙利算法进行优化的求解过程可参见谷稳的论文《基于进化匈牙利算法的目标分配问题研究及应用》(西安电子科技大学,硕士学位论文,2013年)。
步骤6:当目标位置及分布不发生变化时,无人机群保持当前状态;当目标位置及分布发生变化时,重复步骤3~步骤5执行新一轮指派,直至任务结束。
本方法的效果可以通过以下仿真实验进行说明:
(1)仿真实施条件
下述仿真中均取待支援目标数目为24个,任务区域为凸四边形,四边形四个顶点坐标分别为(0,0)、(140,0)、(140,90)、(0,90),即各目标点横坐标取值区间为[0,140],纵坐标取值区间为[0,90],无人机的通信覆盖半径为Rd为14.14。
(2)仿真实施内容及结果
随机生成24个待覆盖目标点,根据本专利提出的通信覆盖无人机最少需求数量及期望位置计算方法,计算出目标覆盖无人机数量N为19,单机通信半径Rd为14.14的条件下,根据本方法,计算出通信中继无人机所需数量n为6。整体通联与覆盖组合优化结果如图7所示,图中各标示含义如图8所示。
图7表明,对于多个待通信覆盖的目标,本方法能够在目标点位置随机生成的情况下,实现通信覆盖过程中无人机群最大程度覆盖多目标点的目的,同时保证多无人机之间的通联关系,普适性强、任务效果稳定。
总之,本发明针对无人机群为特定任务区域内的目标提供通信保障典型应用,采用无人机群为地面离散分布的目标(人员、设备、电台等)构建空中通信网络,使其地面目标能够保持互联互通。本发明充分考虑到无人机群通信覆盖范围、无人机数量、无人机群联通性、覆盖目标数量等因素,能够对目标采用较少的无人机实现较高的覆盖率。
以上描述仅是本发明的一些具体实例,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正和改变,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 (3)
1.一种无人机群通联与覆盖组合优化方法,其特征在于,包括以下步骤:
步骤1:确定无人机群通信保障任务的先验信息,包括任务区域、无人机群当前位置、无人机通信范围、地面目标位置;
步骤2:根据无人机通信范围确定蜂窝正六边形的尺寸参数,并采用该尺寸参数对步骤1中确定的任务区域进行蜂窝分割;具体方式为:
步骤2.1:依次以凸多边形的每一条边作为底边,做底边的平行线,该平行线与底边一起将凸多边形夹住;计算每条底边与其平行线之间的距离,并以这些距离的最小值作为凸多边形的最小高度;
步骤2.2:将蜂窝正六边形的边长a设置为无人机的通信覆盖半径Rd,即,无人机至蜂窝正六边形顶点的距离为Rd;
步骤2.3:以凸多边形最小高度所对应的底边为X轴,以该底边的左端点为坐标原点,建立直角坐标系O-XY,在该坐标系下对整个任务区域进行蜂窝分割;其中,坐标原点与一蜂窝正六边形的最左侧顶点重合,X轴与蜂窝正六边形的一边平行,蜂窝正六边形的边长为步骤2.2所确定的Rd;
步骤3:以利用最少的蜂窝正六边形覆盖最多的地面目标作为优化指标,优化任务区域分割的偏移量Δx和Δy,计算覆盖所有地面目标所需的最少无人机数量及期望位置,形成对全部地面目标的优化覆盖策略;具体方式为:
步骤3.2:采用以下公式对Δx、Δy进行迭代优化计算:
其中,为迭代优化次数,ω为惯性因子,取值为0.4~0.9,T为待通信覆盖的地面目标数量,Δxt、Δyt分别表示迭代第t次的二维偏移量,为常数,Nt表示二维偏移量为Δxt、Δyt时所需的无人机数量,1≤Nt≤T,r1t、r2t为[0,1]之间的随机数,min(N0-t)及max(N0-t)分别表示N0~Nt中的最小值及最大值;
步骤3.4:将蜂窝分割网格按照步骤3.3所得的最终的偏移量计算结果进行平移,平移后存在地面目标的蜂窝正六边形的数量即为覆盖所有地面目标所需的用于通信覆盖的无人机数量N,这些蜂窝正六边形的中心即为需要指派的用于通信覆盖的无人机的期望位置;
步骤3.5:根据步骤3.4所得的无人机数量和期望位置生成无人机期望位置序列,得到对全部地面目标的优化覆盖策略;
步骤4:根据无人机期望位置,统计无人机间不连通状况,并根据统计结果进一步以最少无人机数量为优化指标,生成作为中继的无人机的数量及期望位置,形成对无人机间通联关系的保持策略;
步骤5:根据无人机群的当前位置及无人机群的期望位置,将全局最短路径作为优化指标,构建每架无人机的最优指派关系,并完成指派。
2.根据权利要求1所述的一种无人机群通联与覆盖组合优化方法,其特征在于,步骤4的具体方式为:
步骤4.1:根据无人机间通联状态,将无人机群划分为M个不连通子网络,子网络之间需要指派作为中继的无人机进行通信中继;
步骤4.2:在所有可行的通信路径中求解需要作为中继的无人机最少的路径,得到多区域最短路径连通问题,并采用Prim最小生成树算法进行求解,得到用于实现通信联通的M-1条中继链路;
步骤4.3:通过下式计算第i条中继链路所需的作为中继的无人机的数量ni:
作为中继的无人机的总量n为:
将第i条中继链路进行ni+1等分,等分点处即为第i条中继链路上作为中继的无人机的期望位置。
3.根据权利要求2所述的一种无人机群通联与覆盖组合优化方法,其特征在于,步骤5的具体方式为:
步骤5.1:根据步骤3和4所得的各无人机的期望位置,结合无人机群的当前位置,定义期望位置与当前位置之间的无人机指派关系为φ=[φ1,φ2,...,φN+n],其中N+n为所需全部无人机数量;
步骤5.2:将全局最短路径作为优化指标,基于组合优化方法对无人机进行任务分配,对φ进行求解,并根据求解结果完成指派。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875181.2A CN113595619B (zh) | 2021-07-30 | 2021-07-30 | 一种无人机群通联与覆盖组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875181.2A CN113595619B (zh) | 2021-07-30 | 2021-07-30 | 一种无人机群通联与覆盖组合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113595619A CN113595619A (zh) | 2021-11-02 |
CN113595619B true CN113595619B (zh) | 2022-09-02 |
Family
ID=78253056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875181.2A Active CN113595619B (zh) | 2021-07-30 | 2021-07-30 | 一种无人机群通联与覆盖组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113595619B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333429B (zh) * | 2021-12-21 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种面向多无人机目标覆盖任务的规则提取方法 |
CN114938497B (zh) * | 2022-07-04 | 2023-10-24 | 安徽大学 | 一种通信节点无人机多种群网络部署方法 |
CN115616922B (zh) * | 2022-12-19 | 2023-03-21 | 安徽大学 | 一种异构移动机器人集群的时间覆盖控制方法 |
CN116320984B (zh) * | 2023-03-22 | 2023-10-03 | 扬州宇安电子科技有限公司 | 一种基于协作干扰的无人机安全通信系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106211190A (zh) * | 2016-06-30 | 2016-12-07 | 广东工业大学 | 一种非规则区域的无线传感器网络节点部署方法 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN111194038A (zh) * | 2020-01-07 | 2020-05-22 | 北京航空航天大学 | 多无人机移动基站位置部署方法 |
CN111836271A (zh) * | 2020-07-28 | 2020-10-27 | 河海大学 | 一种多无人机通信基站的3d位置部署方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140357283A1 (en) * | 2013-06-04 | 2014-12-04 | King Abdulaziz City For Science And Technology | Method of optimizing location and frequency assignment of cellular base stations |
-
2021
- 2021-07-30 CN CN202110875181.2A patent/CN113595619B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106211190A (zh) * | 2016-06-30 | 2016-12-07 | 广东工业大学 | 一种非规则区域的无线传感器网络节点部署方法 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN111194038A (zh) * | 2020-01-07 | 2020-05-22 | 北京航空航天大学 | 多无人机移动基站位置部署方法 |
CN111836271A (zh) * | 2020-07-28 | 2020-10-27 | 河海大学 | 一种多无人机通信基站的3d位置部署方法 |
Non-Patent Citations (1)
Title |
---|
基于用户偏好预测的无人机部署和缓存策略;任佳智 等;《通信学报》;20200630(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113595619A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113595619B (zh) | 一种无人机群通联与覆盖组合优化方法 | |
CN113316118B (zh) | 基于任务认知的无人机集群网络自组织系统及方法 | |
Zhou et al. | An energy-balanced heuristic for mobile sink scheduling in hybrid WSNs | |
CN109842520B (zh) | 网络拓扑的确定方法、装置及系统 | |
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
Narayanan | Channel assignment and graph multicoloring | |
Andersin et al. | Gradual removals in cellular PCS with constrained power control and noise | |
Wu et al. | Constructing maximum-lifetime data-gathering forests in sensor networks | |
CN113689556B (zh) | 一种块自适应型笛卡尔网格快速图映射方法及系统 | |
CN112118287B (zh) | 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法 | |
CN113645143B (zh) | 一种空中集群通信网络的优化方法及装置 | |
CN112367111A (zh) | 一种无人机中继部署方法、系统、计算机设备及应用 | |
CN114518772B (zh) | 一种拒止环境下无人机蜂群自组织方法 | |
Yu et al. | 3D deployment of Multi-UAV for energy-saving: A game-based learning approach | |
Abdel-Basset et al. | Enhanced computational intelligence algorithm for coverage optimization of 6G non-terrestrial networks in 3D space | |
Stergiopoulos et al. | Coverage-oriented coordination of mobile heterogeneous networks | |
Creput et al. | Automatic mesh generation for mobile network dimensioning using evolutionary approach | |
Zahedi et al. | Fuzzy based efficient drone base stations (DBSs) placement in the 5G cellular network | |
CN109062677A (zh) | 一种无人机系统计算迁移方法 | |
CN108738028B (zh) | 一种超密集组网下的分簇方法 | |
CN117200861A (zh) | 基于Kmeans的无人机集群通信组网重建方法及装置 | |
Zhuang et al. | GA-MADDPG: A Demand-Aware UAV Network Adaptation Method for Joint Communication and Positioning in Emergency Scenarios | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
CN106526450B (zh) | 一种多目标NoC测试规划优化方法 | |
Tan | Artificial Bee Colony-Aided UAV Deployment and Relay Communications for Geological Disasters |
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 |