CN113872661B - 面向接入用户分级服务的无人机网络三维部署方法及系统 - Google Patents
面向接入用户分级服务的无人机网络三维部署方法及系统 Download PDFInfo
- Publication number
- CN113872661B CN113872661B CN202110633074.9A CN202110633074A CN113872661B CN 113872661 B CN113872661 B CN 113872661B CN 202110633074 A CN202110633074 A CN 202110633074A CN 113872661 B CN113872661 B CN 113872661B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- user
- users
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004891 communication Methods 0.000 claims abstract description 99
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims description 161
- 238000004422 calculation algorithm Methods 0.000 claims description 64
- 230000003044 adaptive effect Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 35
- 238000005562 fading Methods 0.000 claims description 21
- 230000003247 decreasing effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241001497337 Euscorpius gamma Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种面向接入用户分级服务的无人机网络三维部署方法及系统，包括：将最小化无人机数量作为无人机通信网络中待求解的目标函数；根据无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；基于模糊聚类的无人机初始化部署方式和差异化线性递减惯性因子的更新方式加快求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案。本发明以最少数量的无人机实现无人机通信网络待部署区域内所有用户的全覆盖需求，减少无人机部署的成本。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种面向接入用户分级服务的无人机网络三维部署方法及系统。
背景技术
受到地震的破坏和影响，灾区原有的基础通信设施往往已经被损毁而无法正常使用，因此，仅仅依靠灾区原有的通信设施，无法支撑一些高清地图重建、目标识别等多种对于服务质量(Quality of Service，QoS)有不同需求的应急应用。为此，考虑到无人机的灵活性和机动性，已经在货物运输、交通管理等方面应用广泛，因此可以将无人机部署在应急场景中充当临时基站，辅助地面用户进行通信。
当前，许多研究工作都基于无人机的二维部署而忽略了高度的影响，而在无人机的三维部署中，算法通常具有较高的复杂度，不适用于无人机数量较多的情况，且对于无人机的功率分配往往需要大量复杂的计算和推导过程，无法适配于具有高及时性需求的应急救援场景。
发明内容
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，用于克服现有应急场景中无人机通信技术中存在的上述至少一个问题，通过对无人机通信网络中的无人机的三维位置及功率分配进行联合优化，能够用最少数量的无人机实现无人机通信网络中待部署区域内所有用户的全覆盖需求，减少了无人机部署的成本。
本发明提供一种面向接入用户分级服务的无人机网络三维部署方法，包括：
将最小化无人机数量作为无人机通信网络中待求解的目标函数；
根据所述无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件；
根据所述目标函数和所述目标约束条件，确定所述无人机通信网络中待求解的优化问题；
求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，所述无人机位置包括无人机水平位置和无人机高度位置。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述根据所述无人机通信网络中无人机位置的初始值、用户位置、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件，包括：
根据所述无人机位置的初始值和所述用户位置，确定无人机与用户之间的通信模型；
根据所述通信模型，确定无人机与用户之间的信道衰落总量；
根据所述信道衰落总量、用户的噪声功率和所述功率的初始值，确定用户的信噪比；
根据所述功率的初始值、所述最大发射功率、所述信噪比和所述匹配关系，分别确定所述目标函数所遵循的第一目标约束条件、第二目标约束条件、第三目标约束条件和第四目标约束条件；
根据所述第一目标约束条件、所述第二目标约束条件、所述第三目标约束条件和所述第四目标约束条件，确定所述目标约束条件；
其中，所述通信模型包括视距链路信道衰落模型和非视距链路信道衰落模型；
所述第一目标约束条件为确定所有用户的信噪比满足预设阈值；
所述第二目标约束条件为每架无人机分配给其匹配的所有用户的功率之后不超过所述最大发射功率；
所述第三目标约束条件为每架无人机所匹配的用户数目之后不超过预设数目阈值；
所述第四目标约束条件为每架无人机与用户之间的匹配关系。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案，包括：
基于粒子群算法对所述优化问题中的所述无人机位置优化，以获取第一无人机位置；
根据所述第一无人机位置，确定所述无人机通信网络中目标无人机群与目标用户群体之间的匹配关系；
根据所述目标无人机群分配给所述目标用户群体的功率、所述目标用户群体中用户的噪声功率、匹配矩阵和所述目标无人机群中无人机的最大发射功率，分别确定处于所有密度区域的所述目标用户群体的第一功率分配方案；
根据所述第一功率分配方案，确定用户的信噪比，若所有密度区域的所有用户的信噪比均分别满足预设密度区域的信噪比要求，则根据所述第一无人机位置和所述第一功率分配方案，确定所述优化后的无人机位置和所述优化后的功率分配方案；
其中，所述目标用户群体是由处于所述无人机通信网络中同一密度区域的用户组成的；
所述目标无人机群是由与所述目标用户群体处于同一密度区域的无人机组成的；
所述密度区域是按照用户密度对所述无人机通信网络进行区域划分后确定的；
所述部署在同一密度区域的无人机服务的用户具有相同的信噪比需求；
所述匹配矩阵是根据所述目标无人机群与所述目标用户群体之间的匹配关系确定的。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述基于粒子群算法对所述优化问题中的所述无人机位置优化，以获取第一无人机位置，包括：
基于K均值聚类算法或模糊均值C聚类FCM算法对粒子群位置初始化，以获取初始化后的粒子群位置；
基于粒子群算法对所述初始化后的粒子群位置进行优化，并根据当前迭代过程中的惯性因子、预设学习因子、预设随机数、上一次迭代过程中粒子的速度和位置，对当前迭代过程中粒子的位置进行更新；
若达到所述粒子群算法的最大迭代次数，则停止对粒子的位置更新，并根据最后一次迭代的粒子的位置，确定所述第一无人机位置；
其中，所述粒子群位置是根据所述无人机位置的初始值确定的；
所述无人机位置的初始值是通过对所述无人机位置进行初始化后获取的。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述基于K均值聚类算法对粒子群位置初始化，以获取初始化后的粒子群位置，包括：
基于K均值聚类算法将所述无人机通信网络中所有用户分簇，并将满足第一预设条件的每簇的第一质心位置作为无人机水平位置的初始值；
对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和所述无人机水平位置的初始值，确定所述无人机位置的初始值；
根据所述无人机位置的初始值，确定所述初始化后的粒子群位置；
其中，所述第一预设条件为目标簇内的所有用户与目标簇的第一质心位置之间的平方误差和最小。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述基于模糊均值C聚类FCM算法对粒子群位置初始化，以获取初始化后的粒子群位置，包括：
基于所述FCM算法将所述无人机通信网络中所有用户分簇，并将满足第二预设条件的每簇的第二质心位置作为无人机水平位置的初始值；
对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和所述无人机水平位置的初始值，确定所述无人机位置的初始值；
根据所述无人机位置的初始值，确定所述初始化后的粒子群位置；
其中，所述第二预设条件为目标簇内的所有用户与目标簇内的第二质心位置之间的加权平方误差和最小；
所述加权平方误差和是根据预设权重、预设权重对应的指数、目标簇内的所有用户和目标簇内的第二质心位置确定的；
所述预设权重是根据所述目标簇内的所有用户属于目标簇的概率确定的。
根据本发明提供的一种面向接入用户分级服务的无人机网络三维部署方法，所述当前迭代过程中的惯性因子通过如下差异化线性递减的更新方式获取：
将当前迭代过程中所述粒子群中所有粒子的适应值中不小于第一平均适应值，则根据预设惯性因子最小值和所述预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
将当前迭代过程中所述粒子群中所有粒子的适应值中的平均值不小于第二平均适应值且小于第一平均适应值的粒子，根据预设惯性因子中间值和预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
将当前迭代过程中所述粒子群中所有粒子的适应值中小于所述第二平均适应值的粒子，根据预设惯性因子最大值和预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
其中，所述粒子的适应值是根据所述无人机通信网络中被服务用户的吞吐量确定的；
所述第一平均适应值是根据第一目标类中所有粒子的适应值的平均值确定的；
所述第二平均适应值是根据第二目标类中所有粒子的适应值的平均值确定的；
所述第一目标类是通过将所述粒子群中高于目标平均值的粒子划分到同一目标类所确定的；
所述第二目标类是通过将所述粒子群中高于目标平均值的粒子划分到同一目标类所确定的；
所述目标平均值是根据所述粒子群中所有粒子的适应值的平均值确定的。
本发明还提供一种面向接入用户分级服务的无人机网络三维部署系统，包括：第一获取模块、第二获取模块、问题确定模块和问题求解模块；
所述第一获取模块，用于将最小化无人机数量作为无人机通信网络中待求解的目标函数；
所述第二获取模块，用于根据所述无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件；
所述问题确定模块，用于根据所述目标函数和所述目标约束条件，确定所述无人机通信网络中待求解的优化问题；
所述问题求解模块，用于求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，所述无人机位置包括无人机水平位置和无人机高度位置。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述面向接入用户分级服务的无人机网络三维部署方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述面向接入用户分级服务的无人机网络三维部署方法的步骤。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法及系统，通过对无人机通信网络中的无人机的三维位置及功率分配进行联合优化，能够用最少数量的无人机实现无人机通信网络中待部署区域内所有用户的全覆盖需求，减少了无人机部署的成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的面向接入用户分级服务的无人机网络三维部署方法的流程示意图；
图2是本发明提供的无人机最终三维部署示意图；
图3是本发明提供的不同惯性因子更新方式对比曲线示意图；
图4是本发明提供的采用不同方案无人机通信网络的性能对比示意图；
图5是本发明提供的不同信噪比需求下所需的无人机数量随发射功率的变化曲线示意图；
图6是本发明提供的无人机通信网络的系统吞吐量随粒子数量的变化曲线示意图；
图7是本发明提供的面向接入用户分级服务的无人机网络三维部署系统的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
受到自然灾害的破坏和影响，灾区原有的基础通信设施往往已经被损毁而无法正常使用，因此，面向应急场景中通信资源不足的情况，考虑引入无人机作为边缘节点充当临时基站，辅助地面用户进行通信。然而，由于无人机资源的有限性，采用无人机辅助进行通信也有几个需要考虑的问题：1)首先，考虑到无人机部署成本的问题，如何用数量最少的无人机帮助地面大量用户提供全覆盖需要研究；2)其次，无人机大多通过电池供电，能量有限，如何合理分配其发射功率也需要考虑；3)最后，由于地理环境的复杂性和应急业务的多样性，地面用户可能分布并不均匀，且具有差异化的需求，例如，对于1080P的视频来说，如果想要流畅播放，至少需要1Mbps的传输要求。因此，综合考虑到上述问题，本发明将提出一种面向差异化大规模用户接入的无人机三维部署及功率分配方案，对无人机的三维位置和发射功率进行动态调整以满足不同用户的差异化需求。基于此，本发明提供了一种面向接入用户分级服务的无人机网络三维部署方法，首先，为了适应实际应急场景中多样化服务的不同需求，提出一种多级需求驱动下的无人机三维部署方案，其中，通过动态调整无人机的三维位置及发射功率来适应差异化的应用需求；其次，为了进一步提升系统性能，提出一种基于模糊聚类的初始化方法，相比于传统的聚类方法，该方法具有更高的聚类准确度，更便于找到最优部署位置，最后，为了降低算法复杂度，提出一种差异化线性递减方法来对权重因子进行动态更新，在同时考虑粒子差异性和迭代次数的影响下，提升算法收敛速度。具体实现如下：
图1是本发明提供的面向接入用户分级服务的无人机网络三维部署方法的流程示意图，如图1所示，方法包括：
S1、将最小化无人机数量作为无人机通信网络中待求解的目标函数；
S2、根据无人机通信网络中无人机位置的初始值、用户位置、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；
S3、根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；
S4、求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，无人机位置包括无人机水平位置和无人机高度位置。
需要说明的是，上述方法的执行主体可以是计算机设备。
具体地，本发明提供的面向接入用户分级服务的无人机网络三维部署方法可以适用于如下场景：考虑由无人机节点和地面用户节点共同组成的通信网络。在该通信网络区域中考虑原有基础通信设施全部损毁的极端情况，远端云由于距离较远和网络拥塞情况，无法为地面用户提供服务，因此在靠近用户侧的边缘处部署无人机节点充当临时基站为下方用户提供服务。假设在该区域中共有N个用户，用集合
表示，假设所有用户随机分布，但在该区域中不同的地方下，用户分布的密度并不相同，考虑实际应急情况，区域中心的为灾区核心，用户密度较高，四周用户密度依次递减。为了更好地完成应急场景中的不同任务，如高清地图重建、目标检测等，假设这些用户具有不同的服务需求，且位置越中心的用户的需求越高。所有用户都分布在水平面上，其中第n个用户的位置坐标为sn＝{xn，yn}。
该区域中部署的无人机的数量为K，用集合
表示。无人机在该区域内部署时高度可能不同，其中第k架无人机的位置坐标可以表示为uk＝{xk，yk，hk}，所有无人机位置的部署向量表示为
因此，k-th无人机和n-th用户之间的水平距离可以表示为如公式(1)所示：
本发明在综合考虑用户的服务质量、无人机最大发射功率、无人机服务上限的前提下，以最小化无人机的数量为目标，建立目标函数。
其中，p代表所有用户的功率分配方案。
根据无人机通信网络中无人机位置的初始值、用户位置、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件。
将目标函数和目标约束条件作为无人机通信网络中待求解的优化问题，并通过求解优化问题，得到优化后的无人机位置(无人机水平位置和无人机高度位置)和优化后的功率分配方案。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，通过对无人机通信网络中的无人机的三维位置及功率分配进行联合优化，能够用最少数量的无人机实现无人机通信网络中待部署区域内所有用户的全覆盖需求，减少了无人机部署的成本。
进一步地，在一个实施例中，步骤S2可以具体包括：
S21、根据无人机位置的初始值和用户位置，确定无人机与用户之间的通信模型；
S22、根据通信模型，确定无人机与用户之间的信道衰落总量；
S23、根据信道衰落总量、用户的噪声功率和功率的初始值，确定用户的信噪比；
S24、根据功率的初始值、最大发射功率、信噪比和匹配关系，分别确定目标函数所遵循的第一目标约束条件、第二目标约束条件、第三目标约束条件和第四目标约束条件；
S25、根据第一目标约束条件、第二目标约束条件、第三目标约束条件和第四目标约束条件，确定目标约束条件；
其中，通信模型包括视距链路信道衰落模型和非视距链路信道衰落模型；
第一目标约束条件为确定所有用户的信噪比满足预设阈值；
第二目标约束条件为每架无人机分配给其匹配的所有用户的功率之后不超过最大发射功率；
第三目标约束条件为每架无人机所匹配的用户数目之后不超过预设数目阈值；
第四目标约束条件为每架无人机与用户之间的匹配关系。
具体地，考虑下行场景，且不同无人机和不同用户之间采用不同频点进行通信，即用户之间不存在相互干扰，无人机和地面用户之间为一对多的关系，即一架无人机可以连接多个用户，但一个用户只能连接一架无人机。
无人机和地面用户之间的通信模型采用LoS链路概率模型，该模型将k-th无人机和n-th用户之间的视距(Line of Sight，LoS)链路和非视距(Non-Line of Sight，NLoS)链路下的信道衰落
和
分别建模为：
其中，nLoS和nNLoS分别表示在LoS链路和NLoS链路下路径损耗因子，ηLoS和ηNLoS则分别表示在LoS链路和NLoS链路下的阴影衰落，是高斯随机变量，
是k-th无人机和n-th用户之间的距离。LF(d0)则表示自由空间路径损耗(Free Space Path Loss，FSPL)，可以表示为以下公式：
LF(d0)＝20log(4πfcd0/c)， (5)
其中，fc、d0、c分别表示载波频率、自由空间路径损耗的参考距离及光速。
该通信模型将k-th无人机和n-th地面用户之间LoS链路的概率
通过以下公式计算：
其中，θk，n表示k-th无人机和n-th用户之间的仰角，可通过式子θk，n＝arctan(hk/rk，n)求出。而a和b则分别是取决于周围环境中建筑物高度和密度的环境参数，因此，k-th无人机和n-th用户之间的总的信道衰落(信道衰落总量)可以表示为：
k-th无人机和n-th用户之间的信噪比(Signal-to-Noise Ratio，SNR)可以表示为：
其中，
pn表示分配给n-th用户的功率的初始值，所有用户的功率分配方案可以表示为p＝{p1，p2，...，pN}，ψn表示n-th用户的噪声功率。考虑到无人机和用户之间一对多的关系，每个用户只能分配给一架无人机，因此，如果n-th用户分配给了k-th无人机，则可以将其表示为：
X(n)＝k. (9)
并在此基础上定义所有无人机和所有用户的匹配关系矩阵为XK×N，其中，Xk，n表示k-th无人机和n-th用户之间的匹配关系，定义为：
根据功率的初始值、所述最大发射功率、信噪比和匹配关系，分别确定目标函数所遵循的第一目标约束条件如公式(11)、第二目标约束条件如公式(12)、第三目标约束条件如公式(13)和第四目标约束条件如公式(14)：
其中，第一目标约束条件(11)用来表示所有用户的SNR应该满足预设阈值γthre，第二目标约束条件(12)表示对于k-th无人机来说，它服务的所有用户的功率之和不能超过该无人机的最大发射功率Pk，max，第三目标约束条件(13)表示每架无人机的服务用户数目上限不能超过其预设数目阈值S，第三目标约束条件(14)则对无人机和用户的匹配关系做出了约束，即每个用户只能与一架无人机匹配。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，通过确定目标函数所遵循的约束条件，为后续基于约束条件确定待求解的优化问题，并通过对优化问题进行求解实现对无人机位置部署优化及功率分配方案优化奠定了基础。
进一步地，在一个实施例中，步骤S4可以具体包括：
S41、基于粒子群算法对优化问题中的无人机位置优化，以获取第一无人机位置；
S42、根据第一无人机位置，确定无人机通信网络中目标无人机群与目标用户群体之间的匹配关系；
S43、根据目标无人机群分配给所述目标用户群体的功率、所述目标用户群体中用户的噪声功率、匹配矩阵和目标无人机群中无人机的最大发射功率，分别确定处于所有密度区域的所述目标用户群体的第一功率分配方案；
S44、根据第一功率分配方案，确定用户的信噪比，若所有密度区域的所有用户的信噪比均分别满足预设密度区域的信噪比要求，则根据第一无人机位置和所述第一功率分配方案，确定优化后的无人机位置和优化后的功率分配方案；
其中，目标用户群体是由处于无人机通信网络中同一密度区域的用户组成的；目标无人机群是由与目标用户群体处于同一密度区域的无人机组成的；密度区域是按照用户密度对无人机通信网络进行区域划分后确定的；部署在同一密度区域的无人机服务的用户具有相同的信噪比需求；匹配矩阵是根据目标无人机群与目标用户群体之间的匹配关系确定的。
根据上述优化问题建模可知，优化问题中包含了多个相互关联的变量，同时对无人机位置、无人机的功率分配进行优化十分困难。因此，在实际优化过程中，考虑将整体优化过程拆分为多个步骤，依次进行优化，具体内容如下：
步骤一、无人机位置调整问题可以用仿生算法进行求解，考虑到粒子群算法在收敛速度上的优越性和算法结构上的简洁性，采用粒子群算法对无人机位置进行调整和优化，以得到第一无人机位置(包括无人机水平位置和无人机高度位置)。
步骤二、基于第一无人机位置，继续在该基础上无人机的发射功率进行优化，基于用户具有的相同的服务需求推导出低复杂度的用户的第一功率分配的闭式解，具体实现如下：
考虑到在大规模用户接入场景下，地面用户分布广泛，应急业务也各不相同，因此，不同密度区域中的用户可能具有不同的需求，为此，将进一步考虑对不同密度区域的用户设置差异性SNR，具体来说，将把用户的SNR分为不同级别进行区分，假设共分为M个级别，并将其分别表示为γ(1)、γ(2)，...γ(M)。其中1级SNR，即γ(1)对应的用户对SNR的需求最高，2级SNR，即γ(2)对应的用户对SNR的需求次高，依次类推，对于每个级别的γ(m)需要满足预设密度区域的信噪比要求大于等于阈值γ(m) thre。
具体地，将根据无人机通信网络中待部署区域按照用户密度进行区域划分，将所有部署的无人机进行分类，并认为部署在用户密集区域的所有无人机匹配的用户具有相同的SNR要求，且该SNR要求最高，认为部署在用户稀疏区域的所有无人机连接的用户具有相同的SNR要求，且该SNR最低，部署在其他用户密度区域的无人机根据其所在区域的用户密度，认为其连接的用户的SNR依次降低，以实现差异性SNR约束下的用户的第一功率分配，从而更符合实际应急场景中救援用户多样性的服务需求。
以其中具有相同SNR需求，即具有某一级需求的一类用户为例，进行用户功率分配方案的闭式表达式的推导。假设这些用户共有J个，表示为目标用户群体
这些用户由I架无人机进行服务，目标无人机群表示为
这些目标用户群体和目标无人机群之间的匹配关系组成匹配矩阵Y，其中Yi，j＝1表示无人机i和用户j匹配，否则Yi，j＝0。
为简单起见，假设所有用户具有相同的SNR，即γi，j＝γ(m)，并根据目标无人机群J分配给目标用户群体I的功率，定义α＝[p1，p2，...，pJ，0]T和β＝[p1，p2，...，pJ，1]T，并将公式(15)进一步扩写为：
其中，A为J+1行J+1列矩阵，表示为：
矩阵h表示为：
h＝[ψ1LY(1)，1，ψ2LY(2)，2，...，ψJLY(J)，J]T. (18)
定义(Y)k表示无人机和地面用户的匹配矩阵Y的第i行，并定义矩阵B为：
其中，Pi，max表示i-th无人机的最大发射功率，则可推导出：
由此，根据矩阵特征值和特征向量的定义可知，矩阵β为矩阵B-1·A的特征向量，当特征值λ取得最大值时，可以得到第一功率分配矩阵β*，此时，用户的SNR为：
因此，可以得到此时的需求对应的SNR为γ(m)的用户的第一功率分配方案，同样地，也可以按照上述方法得到其他SNR要求的用户的第一功率分配方案。
步骤三、根据步骤一和步骤二可以得到在给定无人机数量下的无人机位置和第一功率分配方案，因此，可以对所有用户此时的SNR进行检查，判断是否所有用户的SNR需求均被满足，如果是的话，则证明此时无人机的数量就是最少数量，否则，则说明即使经过位置优化和功率分配，也无法满足用户的SNR需求，证明此时无人机的数量不足，需要在此时无人机数量的基础上将无人机的数量加一，重新进行步骤一和步骤二，直到所有用户的需求均已满足。
考虑到要同时优化无人机的三维位置、用户的功率分配来最小化无人机的部署数量，因此在进行粒子群迭代之前，根据用户数量和每架无人机能服务的用户数目上限S，对该区域中最少需要的无人机的数量Kinitial做初步的估计，即：
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，能够用最少数量的无人机实现待部署区域内所有用户的全覆盖和差异化需求，在面向应急场景中不同的应急业务需求时，能够对所有用户的需求进行分级化考虑。
进一步地，在一个实施例中，步骤S41可以具体包括：
S411、基于K均值聚类算法或模糊均值C聚类FCM算法对粒子群位置初始化，以获取初始化后的粒子群位置；
S412、基于对初始化后的粒子群位置进行优化，并根据当前迭代过程中的惯性因子、预设学习因子、预设随机数、上一次迭代过程中粒子的速度和位置，对当前迭代过程中粒子的位置进行更新；
S413、若达到粒子群算法的最大迭代次数，则停止对粒子的位置更新，并根据最后一次迭代的粒子的位置，确定第一无人机位置；
其中，粒子群位置是根据无人机位置的初始值确定的；无人机位置的初始值是通过对无人机位置进行初始化后获取的。
具体地，基于K均值聚类(K-means Clustering，K-means)算法或模糊均值C聚类(Fuzzy C-means，FCM)算法对粒子群位置初始化，以获取初始化后的粒子群位置。
采用粒子群算法对无人机位置进行调整和优化，具体地，将以被服务的用户的吞吐量为适应值函数，假设共有L个粒子，每个粒子l中均包含有K个无人机的三维位置，粒子l的在第t次迭代过程中速度和位置分别为
和
，其更新公式分别为：
其中，ωt为惯性因子，c1、c2为预设学习因子，φ1、φ2为0至1范围内的预设随机数。
若达到粒子群算法的最大迭代次数itermax，则停止对粒子的位置更新，并根据最后一次迭代的粒子的位置，确定第一无人机位置。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，基于粒子群算法求解优化问题，能够加快求解优化问题的收敛速度。
进一步地，在一个实施例中，步骤S411可以具体包括：
S4111、基于K均值聚类算法将无人机通信网络中所有用户分簇，并将满足第一预设条件的每簇的第一质心位置作为无人机水平位置的初始值；
S4112、对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和无人机水平位置的初始值，确定无人机位置的初始值；
S4113、根据无人机位置的初始值，确定初始化后的粒子群位置；
其中，第一预设条件为目标簇内的所有用户与目标簇的第一质心位置之间的平方误差和最小。
进一步地，在一个实施例中，步骤S411还可以具体包括：
S4114、基于FCM算法将无人机通信网络中所有用户分簇，并将满足第二预设条件的每簇的第二质心位置作为无人机水平位置的初始值；
S4115、对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和无人机水平位置的初始值，确定无人机位置的初始值；
S4116、根据无人机位置的初始值，确定初始化后的粒子群位置；
其中，第二预设条件为目标簇内的所有用户与目标簇内的第二质心位置之间的加权平方误差和最小；加权平方误差和是根据预设权重、预设权重对应的指数、目标簇内的所有用户和目标簇内的第二质心位置确定的；预设权重是根据目标簇内的所有用户属于目标簇的概率确定的。
由于无人机通信网络的最终性能会受到粒子初始化位置的影响，因此，将继续对粒子的初始化位置进行优化。具体地：为了提升无人机通信网络最终得到的系统吞吐量，将采用聚类算法进行粒子群初始化，并基于传统硬聚类方式的基础上，采用软聚类的方式对地面的N个用户进行分簇，例如可以分为M簇，得到每簇质心的位置(即第一质心位置)，并将其赋值给无人机水平位置的初始值，并让无人机的高度值随机产生。
聚类算法一般可以分成两种：硬聚类算法和软聚类算法，对于硬聚类算法来说，数据集中的每个点和每一类的所属关系都是确定性的，即该点和某一类的相似度要么是零，要么是百分之百；而软聚类算法则在其基础上进行了改进，也称为模糊聚类算法，该类算法通过隶属度来确定数据集中每个数据点和每个类的关联，用一种可能性或者概率来表征其属于某个类的程度，而不是确定性的判定这个点是否属于某一类，隶属度是在0到1范围内的数，对于一个数据点来说，其隶属度之和为1。相比起硬聚类算法，软聚类算法可以让我们更直观的了解一个数据点和所有类之间的所属关系的可信度，具有比硬聚类算法更高的分簇准确度。
对于K-means算法来说，按照以下公式将N个用户分为M簇，使得得到将每簇的质心位置(即第一质心位置)作为无人机水平位置的初始值，且每簇的第一质心位置与其簇内的所有用户的平方误差和最小：
其中，om表示按照K-means的方式进行分簇的第m个簇的质心位置，δm，n表示第n个用户是否被分到第m个簇中，满足：
其中，Ωm代表m-th个簇的集合，此时所有无人机水平位置的初始值的集合为OM＝{o1，...，oM}。
同样地，在使用FCM对用户进行分簇操作时，将N个用户分为M′簇，使得得到将每簇的质心位置(即第二质心位置)作为无人机水平位置的初始值，且每簇的质心位置与其簇内的所有用户的加权平方误差和最小：
其中，ωm，n表示第n个用户属于第m簇的概率或者预设权重，q为其指数，cm表示按照FCM的方式进行分簇的第m个集群的质心位置，ωm，n和cm的更新公式为：
经过所有的迭代次数后，所有无人机水平位置的初始值为质心的位置，即：CM＝{c1，...，cM}，考虑到K-means算法和FCM算法在对用户进行分类时，只能获得M个质心位置的水平坐标，因此，在将质心位置赋值给无人机位置(包括无人机水平位置和无人机高度位置)时，将每架无人机高度位置进行随机初始化。假设粒子群算法的最大迭代次数为itermax，则在进行粒子初始化时，通过预设次例如L次循环不断重复K-means算法或FCM算法，从而获得L个粒子的初始状态
，即初始化后的粒子群位置，具体流程如下：
输入分簇数目M，指数q，最大迭代次数itermax，输出第二质心位置CM＝{c1，...，cM}；初始化迭代次数t＝1，初始化ωm，n，且满足
并按照公式(30)更新迭代过程中的CM，然后根据更新后CM以及公式(29)更新迭代过程中的ωm，n，并令t＝t+1，直至达到最大迭代次数，停止对CM和ωm，n的更新，输出最后一次迭代后的质心位置CM，将其作为无人机水平位置的初始值。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，基于本发明提供的模糊聚类算法，能够提高无人机通信网络的系统吞吐量。
进一步地，在一个实施例中，当前迭代过程中的惯性因子通过如下差异化线性递减的更新方式获取：
将当前迭代过程中粒子群中所有粒子的适应值中不小于第一平均适应值，则根据预设惯性因子最小值和预设线性递减惯性因子，确定当前迭代过程中的惯性因子；
将当前迭代过程中粒子群中所有粒子的适应值中的平均值不小于第二平均适应值且小于第一平均适应值的粒子，根据预设惯性因子中间值和预设线性递减惯性因子，确定当前迭代过程中的惯性因子；
将当前迭代过程中粒子群中所有粒子的适应值中小于第二平均适应值的粒子，根据预设惯性因子最大值和预设线性递减惯性因子，确定当前迭代过程中的惯性因子；
其中，粒子的适应值是根据无人机通信网络中被服务用户的吞吐量确定的；第一平均适应值是根据第一目标类中所有粒子的适应值的平均值确定的；第二平均适应值是根据第二目标类中所有粒子的适应值的平均值确定的；第一目标类是通过将粒子群中高于目标平均值的粒子划分到同一目标类所确定的；第二目标类是通过将粒子群中高于目标平均值的粒子划分到同一目标类所确定的；目标平均值是根据粒子群中所有粒子的适应值的平均值确定的。
具体地，粒子群算法的收敛性能会很容易受到其更新公式中各项参数的影响，在迭代过程中，相比于一直使用固定的参数，动态的随迭代次数调整参数往往能获得比较好的效果。因此，在后续内容中，也将考虑采用差异化线性递减更新的方式对粒子群算法中的速度更新公式中的惯性因子ωt进行优化，并和传统更新方式进行对比，具体实现如下：目前粒子群算法对于w因子的更新方式大致可以分为以下三种：
(1)在所有的迭代过程中对于所有粒子均使用同一个固定的惯性因子wfix；
(2)随迭代次数分阶段使用不同的固定的w，即按照下式进行更新：
(3)随迭代次数的增加而不断线性递减惯性因子w，即按照下式更新：
其中，wmax和wmin分别表示预设惯性因子的最大值和最小值。尽管上述更新方式，考虑了迭代次数对于惯性因子的影响，然而却忽略了粒子本身存在的差异性。一般来说，w的大小可能会受到两个方面因素的影响：一方面，随着迭代次数的增加，粒子已经相比迭代开始时找到的适应值要好的多，也离最优值更近了，因此此时应该减小惯性因子w，增强其局部搜优的能力；另一方面，由于搜索的随机性，每个粒子找到的位置好坏也不尽相同，因此对于那些结果较好的粒子，即适应值相对比较大的粒子，只需要在其附近区域进行搜索就可以了，应该减小其惯性因子w，而对于那些结果欠佳的粒子，即适应值相对比较小的粒子，应该加快其在整个区域的搜索步长，增大其惯性因子w。因此，将充分考虑这两方面因素对于惯性因子w更新的影响，令其按照以下公式进行更新：
在上式中，fl(t)表示l-th粒子在第t次迭代时适应值的大小，其他各个参数的含义如下：在第t次迭代结束时，将粒子群中所有粒子的适应值求平均值(即目标平均值)，记为
，然后基于该平均值，将所有粒子分成两类(第一目标类和第二目标类)，其中第一目标类只包含适应值高于
的粒子，第二目标类则只包含适应值低于
的粒子；然后分别对这两类粒子进行其平均适应值的计算，并分别记为第一平均适应值
和第二平均适应值
基于
和
就可以将所有粒子分为三份，一份是适应值不小于
的粒子，该类粒子的适应值较高，说明其离最优值比较接近，因此只需要在其附近进行局部搜索即可，对于这类粒子，应该赋予其一个相对较小的惯性因子，即预设惯性因子最小值ωmin；一份是适应值低于
的粒子，该类粒子的适应值比较小，说明距离最优值的距离比较远，因此需要增加其全局搜优的能力，赋予其一个比较大的惯性因子，即预设惯性因子最大值ωmax；剩余的第三份粒子的适应值比较适中，处于
和
之间，因此应该同时兼顾局部搜优能力和全局搜优能力，赋予其一个适中的惯性因子的值，记为预设惯性因子中间值(wmax+wmin)/2。同时，所有粒子都要考虑迭代次数对其搜优能力的影响，因此，随着迭代次数的增大，令惯性因子随之线性递减，并将公式(32)作为预设线性递减惯性因子，按照公式(33)对当前迭代过程中的惯性因子进行更新。
本发明提供的面向接入用户分级服务的无人机网络三维部署方法，在综合考虑粒子适应度的差异性和迭代次数影响的情况下，针对性提升不同粒子的寻优能力，加快算法收敛，从而提升了无人机通信网络的系统性能。
本发明通过实验仿真结果验证了所提方案的性能。其中，PSO算法仿真是基于MATLAB平台实现的，仿真设置中，在10km×10km范围内随机撒点，用户数量为300个，载波频率为2GHz，设置无人机发射功率为20dBm，无人机服务用户数目上限为10个，无人机最低和最高飞行距离分别为100m和1000m，路损指数nLoS＝2，nNLos＝2.4，阴影衰落设置为ηLoS＝1dB，ηNLoS＝20dB，环境参数a＝9.61，b＝0.16，粒子数目为90个，PSO最大迭代次数为100次，学习因子c1＝0.5，c2＝0.5。
图2展示了待部署区域中用户分布不均匀的情况下，本发明中提出的无人机通信网络的无人机三维部署方案的最终部署结果，包括三维部署的俯视图及立体图。300个用户在整个区域中随机分布，但是在区域不同的分块中可能密度不同。具体地，在图2中，以环形来区分不同区域的用户密度，这是因为环形分布情况更加契合实际应急场景中救援人员的分布情况。在该区域最中心，灾情最为严重，也是需要救援人员最多的区域，以该中心向外扩散，随扩散程度增大，救援人员密度越低。因此，在该环形分布区域中，中心用户密度最大，周围用户密度依次降低，具体地，考虑将整个矩形待部署区域分为四部分，最中心的圆形区域中用户的数量最为密集，占所有用户数量的40％，记为区域1，第二层圆环区域中用户的密度次之，占所有用户数量的30％，记为区域2，第三层圆环区域中的用户密度占所有用户数量的20％，记为区域3，最外层圆形区域外的区域占所有用户数量的10％，记为区域4。同时，无人机部署不同的区域中时其服务的用户具有不同的需求，根据无人机具体部署在四个区域中的位置，设置不同需求下对应的不同SNR阈值分别为0dB、-2dB、-4dB和-6dB。即如果无人机部署在区域1，则认为其对应服务的用户具有最高的需求，即SNR阈值为0dB；如果无人机部署在区域4，则认为其对应服务的用户具有最低的需求，即SNR阈值为-6dB，以此类推。
图3展示了不同的惯性因子w更新方式对于算法收敛性的影响，纵轴为系统吞吐量。其中图中共对比了四种不同的更新方式：固定w、阶段性w(更新方式如公式(31)所示)、线性递减w(更新方式如公式(32)所示)、差异性线性递减w(更新方式如公式(33)所示)。经过曲线的对比，可以观察到：一方面，不同的惯性因子更新方式对算法的收敛速度和系统性能会产生影响，且相比于始终使用固定的惯性因子来说，在迭代过程中动态对惯性因子进行调整对于加快算法收敛速度，提升系统性能有很大帮助；另一方面，相比起线性递减w和阶段性w这两种方式，差异性线性递减w的方式能进一步减少收敛时间，提高系统吞吐量，这是因为，系统性能会同时受到粒子差异性和迭代次数的影响，适应值越高的粒子越容易找到最优值，应该设置一个较小的惯性因子；同理，迭代次数逐渐增大也意味着离最优值越来越近，因此也应该逐渐减小惯性因子。
图4展示了不同的方案下无人机部署完成后系统吞吐量的对比。本发明提出的使用FCM方式进行初始化的方案称为PSO-F，而对比方案有5种，分别为PSO-K、PSO-R、F-Only、K-Only、R-Only。其中，PSO-K表示使用K-means的方式进行无人机初始化但其余设置和PSO-F保持一致；PSO-R表示使用随机的方式进行初始化，但是其余设置和PSO-F保持一致；F-Only和K-Only分别表示只使用FCM和K-means的方式对无人机的二维位置进行初始化，而无人机的高度随机给出；R-Only表示所有无人机的三维位置均随机给出。图中可以发现，随着用户数目增多，每种方案的系统吞吐量均增大，而在所有的方案中，相比于PSO-K、PSO-R、F-Only、K-Only和R-Only这几种方案来说，PSO-F表现出了最优的性能，即能得到最高的系统吞吐量。一方面这是由于PSO算法的应用使得无人机可以从连续空间中进行全局搜优，得到最优解的可能性大大增大；另一方面，由于FCM算法初始化的应用，使得PSO的所有粒子可以从一个相对来说比较合适的位置出发去寻求最优解，而排除了一部分不太好的解，因此对于提升系统性能至关重要。
图5展示了在多级SNR要求设置粒度不同的情况下，最终需要的无人机的数量随无人机发射功率的变化关系。其中，共对比了四种不同的SNR设置：1)只设置一级SNR为0dB；2)设置两级SNR为0dB、-4dB，即部署在区域1和区域2的无人机所服务的用户的SNR阈值为0dB，而部署在区域3和区域4的无人机所服务的用户的SNR阈值为-4dB；3)设置四级SNR为0dB、-2dB、-4dB、-6dB，即部署在四个不同区域1-4的SNR阈值分别为0dB、-2dB、-4dB、-6dB；4)只设置一级SNR为-6dB，四个区域中所有用户的SNR阈值均为-6dB。从图中可以看到，通过调整无人机的发射功率或者无人机的数量均能使地面用户达到更高的SNR阈值需求。容易理解，在高阈值SNR的需求下，原来的无人机数量能提供给用户的SNR已经不能达到，通过增加无人机的数量，在每架无人机连接的用户数减少一些的情况下，使得分配给用户的功率升高，从而提高用户的SNR满足高阈值SNR的需求。此外，从图中也可以看出，在给定的SNR需求下，当无人机发射功率增大时，需要的无人机的数量呈现出减小的趋势，但是也可能会出现，发射功率增大，但是需要的无人机数量不变的情况，在这种情况下，说明此时额外增加的发射功率并不能带来无人机部署成本的减少，反而带来了能量浪费，因此此时应选择能够满足SNR阈值的最小的无人机发射功率，达到降低能耗的目的。
图6展示了不同的粒子数目情况下系统吞吐量的变化情况。图中可以看出，无论是二维部署还是三维部署(无人机高度设置为200m)，随着粒子数量的增多，系统吞吐量变大，但当粒子数量增大到一定程度时，系统吞吐量不再发生变化。粒子数的增大，意味着有更多的粒子可以在整个区域中进行最优解的搜索，所以相比于粒子数比较少的情况，更容易找到最优解，也就会使系统吞吐量越高；然而，系统的吞吐量并不会无限制的增长，当粒子的数目已经足够多找到最优解，此时系统的吞吐量趋于平稳。相比于二维部署中L＝80时系统吞吐量趋于稳定的情况，三维部署在大约L＝90时，系统吞吐量不再变化，这是由于，三维部署比二维部署的搜索空间更大，因此需要的粒子数量更多；同样的，图中也进一步在相同的粒子数下，三维部署能够获得比二维部署更高的系统吞吐量，这是因为三维部署同时对无人机的飞行高度进行了优化，在三维部署的情况下，无人机的飞行高度不固定，高度会同时影响无人机和地面用户通信距离以及无人机和地面用户的LoS链路的概率，因此，对于无人机部署问题来说，高度也同样需要进行优化。
下面对本发明提供的面向接入用户分级服务的无人机网络三维部署系统进行描述，下文描述的面向接入用户分级服务的无人机网络三维部署系统与上文描述的面向接入用户分级服务的无人机网络三维部署方法可相互对应参照。
图7是本发明提供的面向接入用户分级服务的无人机网络三维部署系统的结构示意图，如图7所示，包括：第一获取模块710、第二获取模块711、问题确定模块712和问题求解模块713；
第一获取模块710，用于将最小化无人机数量作为无人机通信网络中待求解的目标函数；
第二获取模块711，用于根据无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；
问题确定模块712，用于根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；
问题求解模块713，用于求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，无人机位置包括无人机水平位置和无人机高度位置。
本发明提供的面向接入用户分级服务的无人机网络三维部署系统，通过对无人机通信网络中的无人机的三维位置及功率分配进行联合优化，能够用最少数量的无人机实现无人机通信网络中待部署区域内所有用户的全覆盖需求，减少了无人机部署的成本。
图8是本发明提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communication interface)811、存储器(memory)812和总线(bus)813，其中，处理器810，通信接口811，存储器812通过总线813完成相互间的通信。处理器810可以调用存储器812中的逻辑指令，以执行如下方法：
将最小化无人机数量作为无人机通信网络中待求解的目标函数；
根据无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；
根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；
求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的面向接入用户分级服务的无人机网络三维部署方法，例如包括：
将最小化无人机数量作为无人机通信网络中待求解的目标函数；
根据无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；
根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；
求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的面向接入用户分级服务的无人机网络三维部署方法，例如包括：
将最小化无人机数量作为无人机通信网络中待求解的目标函数；
根据无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定目标函数所遵循的目标约束条件；
根据目标函数和目标约束条件，确定无人机通信网络中待求解的优化问题；
求解优化问题，以获取优化后的无人机位置和优化后的功率分配方案。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种面向接入用户分级服务的无人机网络三维部署方法，其特征在于，包括：
将最小化无人机数量作为无人机通信网络中待求解的目标函数；
根据所述无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件；
根据所述目标函数和所述目标约束条件，确定所述无人机通信网络中待求解的优化问题；
求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，所述无人机位置包括无人机水平位置和无人机高度位置；
所述根据所述无人机通信网络中无人机位置的初始值、用户位置、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件，包括：
根据所述无人机位置的初始值和所述用户位置，确定无人机与用户之间的通信模型；
根据所述通信模型，确定无人机与用户之间的信道衰落总量；
根据所述信道衰落总量、用户的噪声功率和所述功率的初始值，确定用户的信噪比；
根据所述功率的初始值、所述最大发射功率、所述信噪比和所述匹配关系，分别确定所述目标函数所遵循的第一目标约束条件、第二目标约束条件、第三目标约束条件和第四目标约束条件；
根据所述第一目标约束条件、所述第二目标约束条件、所述第三目标约束条件和所述第四目标约束条件，确定所述目标约束条件；
其中，所述通信模型包括视距链路信道衰落模型和非视距链路信道衰落模型；
所述第一目标约束条件为确定所有用户的信噪比满足预设阈值；
所述第二目标约束条件为每架无人机分配给其匹配的所有用户的功率之后不超过所述最大发射功率；
所述第三目标约束条件为每架无人机所匹配的用户数目之后不超过预设数目阈值；
所述第四目标约束条件为每架无人机与用户之间的匹配关系。
2.根据权利要求1所述的面向接入用户分级服务的无人机网络三维部署方法，其特征在于，所述求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案，包括：
基于粒子群算法对所述优化问题中的所述无人机位置优化，以获取第一无人机位置；
根据所述第一无人机位置，确定所述无人机通信网络中目标无人机群与目标用户群体之间的匹配关系；
根据所述目标无人机群分配给所述目标用户群体的功率、所述目标用户群体中用户的噪声功率、匹配矩阵和所述目标无人机群中无人机的最大发射功率，分别确定处于所有密度区域的所述目标用户群体的第一功率分配方案；
根据所述第一功率分配方案，确定用户的信噪比，若所有密度区域的所有用户的信噪比均分别满足预设密度区域的信噪比要求，则根据所述第一无人机位置和所述第一功率分配方案，确定所述优化后的无人机位置和所述优化后的功率分配方案；
其中，所述目标用户群体是由处于所述无人机通信网络中同一密度区域的用户组成的；
所述目标无人机群是由与所述目标用户群体处于同一密度区域的无人机组成的；
所述密度区域是按照用户密度对所述无人机通信网络进行区域划分后确定的；
所述部署在同一密度区域的无人机服务的用户具有相同的信噪比需求；
所述匹配矩阵是根据所述目标无人机群与所述目标用户群体之间的匹配关系确定的。
3.根据权利要求2所述的面向接入用户分级服务的无人机网络三维部署方法，其特征在于，所述基于粒子群算法对所述优化问题中的所述无人机位置优化，以获取第一无人机位置，包括:
基于K均值聚类算法或模糊均值C聚类FCM算法对粒子群位置初始化，以获取初始化后的粒子群位置；
基于粒子群算法对所述初始化后的粒子群位置进行优化，并根据当前迭代过程中的惯性因子、预设学习因子、预设随机数、上一次迭代过程中粒子的速度和位置，对当前迭代过程中粒子的位置进行更新；
若达到所述粒子群算法的最大迭代次数，则停止对粒子的位置更新，并根据最后一次迭代的粒子的位置，确定所述第一无人机位置；
其中，所述粒子群位置是根据所述无人机位置的初始值确定的；
所述无人机位置的初始值是通过对所述无人机位置进行初始化后获取的。
4.根据权利要求3所述的面向接入用户分级服务的无人机网络三维部署方法，其特征在于，所述基于K均值聚类算法对粒子群位置初始化，以获取初始化后的粒子群位置，包括：
基于K均值聚类算法将所述无人机通信网络中所有用户分簇，并将满足第一预设条件的每簇的第一质心位置作为无人机水平位置的初始值；
对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和所述无人机水平位置的初始值，确定所述无人机位置的初始值；
根据所述无人机位置的初始值，确定所述初始化后的粒子群位置；
其中，所述第一预设条件为目标簇内的所有用户与目标簇的第一质心位置之间的平方误差和最小。
5.根据权利要求3所述的面向接入用户分级服务的无人机网络三维部署方法，其特征在于，所述基于模糊均值C聚类FCM算法对粒子群位置初始化，以获取初始化后的粒子群位置，包括：
基于所述FCM算法将所述无人机通信网络中所有用户分簇，并将满足第二预设条件的每簇的第二质心位置作为无人机水平位置的初始值；
对无人机的高度位置进行随机初始化，并根据随机初始化后的无人机高度位置和所述无人机水平位置的初始值，确定所述无人机位置的初始值；
根据所述无人机位置的初始值，确定所述初始化后的粒子群位置；
其中，所述第二预设条件为目标簇内的所有用户与目标簇内的第二质心位置之间的加权平方误差和最小；
所述加权平方误差和是根据预设权重、预设权重对应的指数、目标簇内的所有用户和目标簇内的第二质心位置确定的；
所述预设权重是根据所述目标簇内的所有用户属于目标簇的概率确定的。
6.根据权利要求3所述的面向接入用户分级服务的无人机网络三维部署方法，其特征在于，所述当前迭代过程中的惯性因子通过如下差异化线性递减的更新方式获取：
将当前迭代过程中所述粒子群中所有粒子的适应值中不小于第一平均适应值，则根据预设惯性因子最小值和预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
将当前迭代过程中所述粒子群中所有粒子的适应值中的平均值不小于第二平均适应值且小于第一平均适应值的粒子，根据预设惯性因子中间值和预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
将当前迭代过程中所述粒子群中所有粒子的适应值中小于所述第二平均适应值的粒子，根据预设惯性因子最大值和预设线性递减惯性因子，确定所述当前迭代过程中的惯性因子；
其中，所述粒子的适应值是根据所述无人机通信网络中被服务用户的吞吐量确定的；
所述第一平均适应值是根据第一目标类中所有粒子的适应值的平均值确定的；
所述第二平均适应值是根据第二目标类中所有粒子的适应值的平均值确定的；
所述第一目标类是通过将所述粒子群中高于目标平均值的粒子划分到同一目标类所确定的；
所述第二目标类是通过将所述粒子群中高于目标平均值的粒子划分到同一目标类所确定的；
所述目标平均值是根据所述粒子群中所有粒子的适应值的平均值确定的。
7.一种面向接入用户分级服务的无人机网络三维部署系统，其特征在于，包括：第一获取模块、第二获取模块、问题确定模块和问题求解模块；
所述第一获取模块，用于将最小化无人机数量作为无人机通信网络中待求解的目标函数；
所述第二获取模块，用于根据所述无人机通信网络中用户位置、无人机位置的初始值、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件；
所述问题确定模块，用于根据所述目标函数和所述目标约束条件，确定所述无人机通信网络中待求解的优化问题；
所述问题求解模块，用于求解所述优化问题，以获取优化后的无人机位置和优化后的功率分配方案；
其中，所述无人机位置包括无人机水平位置和无人机高度位置；
所述根据所述无人机通信网络中无人机位置的初始值、用户位置、无人机分配给用户的功率的初始值、无人机的最大发射功率和所有无人机与所有用户之间的匹配关系，确定所述目标函数所遵循的目标约束条件，包括：
根据所述无人机位置的初始值和所述用户位置，确定无人机与用户之间的通信模型；
根据所述通信模型，确定无人机与用户之间的信道衰落总量；
根据所述信道衰落总量、用户的噪声功率和所述功率的初始值，确定用户的信噪比；
根据所述功率的初始值、所述最大发射功率、所述信噪比和所述匹配关系，分别确定所述目标函数所遵循的第一目标约束条件、第二目标约束条件、第三目标约束条件和第四目标约束条件；
根据所述第一目标约束条件、所述第二目标约束条件、所述第三目标约束条件和所述第四目标约束条件，确定所述目标约束条件；
其中，所述通信模型包括视距链路信道衰落模型和非视距链路信道衰落模型；
所述第一目标约束条件为确定所有用户的信噪比满足预设阈值；
所述第二目标约束条件为每架无人机分配给其匹配的所有用户的功率之后不超过所述最大发射功率；
所述第三目标约束条件为每架无人机所匹配的用户数目之后不超过预设数目阈值；
所述第四目标约束条件为每架无人机与用户之间的匹配关系。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述面向接入用户分级服务的无人机网络三维部署方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述面向接入用户分级服务的无人机网络三维部署方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633074.9A CN113872661B (zh) | 2021-06-07 | 2021-06-07 | 面向接入用户分级服务的无人机网络三维部署方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633074.9A CN113872661B (zh) | 2021-06-07 | 2021-06-07 | 面向接入用户分级服务的无人机网络三维部署方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113872661A CN113872661A (zh) | 2021-12-31 |
| CN113872661B true CN113872661B (zh) | 2022-11-25 |
Family
ID=78989980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110633074.9A Active CN113872661B (zh) | 2021-06-07 | 2021-06-07 | 面向接入用户分级服务的无人机网络三维部署方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113872661B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114531689B (zh) * | 2022-01-11 | 2024-03-26 | 山东师范大学 | 一种无人机阵列三维位置部署方法及系统 |
| CN115002239B (zh) * | 2022-06-10 | 2023-08-11 | 北京邮电大学 | 数据汇聚方法及系统 |
| CN115037638B (zh) * | 2022-06-14 | 2023-10-20 | 北京邮电大学 | 低能耗和高时效性的无人机网络数据采集与传输控制方法 |
| CN114845316B (zh) * | 2022-07-04 | 2022-09-27 | 中国科学院自动化研究所 | 无人机空中基站部署方法、装置及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111683375B (zh) * | 2020-05-08 | 2021-07-16 | 北京科技大学 | 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法 |
| CN111970709B (zh) * | 2020-07-10 | 2022-09-16 | 西北农林科技大学 | 一种基于粒子群优化算法的无人机中继部署方法及系统 |
-
2021
- 2021-06-07 CN CN202110633074.9A patent/CN113872661B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113872661A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113872661B (zh) | 面向接入用户分级服务的无人机网络三维部署方法及系统 | |
| Qin et al. | Distributed UAV-BSs trajectory optimization for user-level fair communication service with multi-agent deep reinforcement learning | |
| CN112929866B (zh) | 一种自适应优化城市灾区网络覆盖的无人机部署方法 | |
| CN113543068B (zh) | 一种基于层次化分簇的林区无人机网络部署方法与系统 | |
| CN113784366B (zh) | 一种基于无人机群覆盖优化的智能集群方法 | |
| CN113359480B (zh) | 基于mappo算法多无人机与用户协同通信优化方法 | |
| CN113206701A (zh) | 一种无人机飞行基站的三维部署和功率分配联合优化方法 | |
| CN114039652B (zh) | 基于建筑物几何分析的毫米波抗阻挡多无人机部署方法 | |
| CN115659803A (zh) | 一种无人机孪生网络映射误差情况下计算任务智能卸载方法 | |
| CN112702713B (zh) | 一种多约束条件下的低空无人机通信部署方法 | |
| CN111970709A (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 | |
| CN114900225A (zh) | 一种基于低轨巨星座的民航互联网业务管理与接入资源分配方法 | |
| CN115499921A (zh) | 面向复杂无人机网络的三维轨迹设计及资源调度优化方法 | |
| Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
| CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
| CN114826380A (zh) | 一种基于深度强化学习算法的无人机辅助空地通信优化算法 | |
| Gan et al. | Trajectory optimization and computing offloading strategy in UAV-assisted MEC system | |
| CN113395706A (zh) | 基于粒子群算法的异构无人机三维空间部署方法及设备 | |
| CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
| CN110248386B (zh) | 一种面向大规模密集无线网络的分层式负载均衡方法 | |
| CN115225142B (zh) | 多无人机通信中用户匹配与频谱资源联合优化方法及系统 | |
| CN116847379A (zh) | 基于联邦学习的框架训练无人机集群的神经网络建模方法 | |
| Wu et al. | Joint optimization of UAVs 3-D placement and power allocation in emergency communications | |
| Si et al. | UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning | |
| CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及系统 |
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 |