CN114039652A - 基于建筑物几何分析的毫米波抗阻挡多无人机部署方法 - Google Patents

Abstract

本发明公开了一种基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，主要解决城市环境中无人机(UAV，Unmanned Aerial Vehicle)为用户提供通信服务时用户分簇以及无人机部署的问题。具体方法为首先建立基于建筑物几何分析的可预知信号阻挡的毫米波信道模型；提出BT‑K‑means多无人机聚类算法，根据最小路径损耗原则进行多次迭代，得到用户的分簇结果和无人机初始位置；在每个簇中，提出基于路径损耗突变感知的无人机位置坐标搜索方法，在6个坐标轴方向上同时搜索最小路径损耗值，多次迭代对无人机坐标不断更新，实现无人机位置优化，得到每架无人机的最终部署位置。本发明提出的算法可以提升视距传输用户数目，同时有效降低整个系统的总路径损耗。

Description

基于建筑物几何分析的毫米波抗阻挡多无人机部署方法

技术领域

本发明属于毫米波无人机无线通信网络领域，涉及聚类方法和优化问题，尤其是针对由多个无人机为多个用户提供通信服务的城市环境无线通信网络，建立一种基于建筑物几何分析的可预知信号阻挡的毫米波信道模型，提出一种基于阻挡检测的K-means多无人机聚类和基于路径损耗突变感知的无人机位置坐标搜索的两阶段部署算法，使得视距传输用户数目提升，同时有效降低无线通信系统的总路径损耗。

背景技术

在无线通信系统关于无人机(UAV，Unmanned Aerial Vehicle)通信部署的问题研究中，Hua Qu、Wenna Zhang、Jihong Zhao和Zhirong Luan发表论文“Rapid Deployment ofUAVs Based on Bandwidth Resources in Emergency Scenarios”，提出一种基于用户带宽需求的K-means算法，来确定无人机的二维坐标，再利用无人机的发射功率、信道增益、覆盖半径等信息确定无人机的飞行高度。Allafifi Omran、Lokman Sboui和Michel Kadoch等人发表论文“3D Deployment of Multiple UAVs for Emergent On-Demand Offloading”，以K-means算法和模式搜索相结合的方法来寻找无人机的最佳三维部署位置。这两种方法都是针对6GHz以下非毫米波频段的，其与毫米波频段信道衰落特性相差很大。特别是毫米波信号易受障碍物阻挡，视距和非视距传输路径损耗差别大，因此在毫米波通信环境下进行无人机部署面临的一个关键挑战是：如何根据建筑物等地形因素调整无人机位置使得用户可以进行视距传输。上述这些算法并没有考虑该问题，因而不能很好适应毫米波通信环境。

为解决毫米波无人机通信阻挡问题，Jianwei Zhao、Jun Liu、Jing Jiang和Feifei Gao发表论文“Efficient Deployment With Geometric Analysis for mmWaveUAV Communications”，提出一种基于建筑物几何分析的多无人机通信系统阻挡检测方法，并基于该检测方法提出了一种贪婪的用户调度算法。但该算法并没有考虑到无人机的具体位置部署。目前基于毫米波无人机通信部署的相关研究较少。

综上所述，现有的无人机部署方法都各有优缺点：基于K-means算法的无人机部署方法提出了用户分簇和无人机部署方法，但未能考虑到毫米波信号易受障碍物阻挡的特性，不能很好适应毫米波通信环境；基于建筑物几何分析的多无人机通信系统有效部署考虑到毫米波信号视距和非视距传输路径损耗差别大的特性，提出一种贪婪的用户调度算法，但没有给出无人机位置部署方案。

发明内容

针对现有技术存在的问题或者缺陷，本发明所要解决的问题为，提供一种考虑到毫米波信号的通信特性，并给出用户分簇方案和无人机具体位置部署方法的算法。

本发明提供一种在毫米波通信环境中使用无人机进行通信的用户分簇和无人机三维部署方案，提出了一种基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，以提升视距传输用户数目，同时有效降低整个系统的总路径损耗。

为实现上述目的，本发明建立了一种基于建筑物几何分析的可预知信号阻挡的毫米波信道模型，提出一种基于阻挡检测的K-means多无人机聚类和基于路径损耗突变感知的无人机位置坐标搜索方法的两阶段部署算法，尽可能地增加系统中视距通信用户数目，并有效降低系统总路径损耗值，提升用户的通信体验。包括如下步骤：

一种基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，该方法包括如下步骤：

步骤1：建立基于建筑物几何分析的可预知毫米波信号阻挡的信道模型；

步骤2：基于基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，获取任意一架无人机与任意一个地面用户之间的路径损耗；

步骤3：建立使得系统总路径损耗最小的无人机位置排布模型；

步骤4：基于阻挡检测的K-means(BT-K-means)算法对地面用户进行分簇，得到任意一架无人机初始部署位置的x，y，z轴坐标；

步骤5：在每个无人机簇内，根据路径损耗突变感知的无人机位置坐标搜索算法对无人机的位置进一步调整。

进一步地，本发明还有如下技术特点：

所述的步骤1所述的基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，具体如下：

设定一个有M架无人机，K个用户的市区环境通信系统，第k个用户的位置为δ_k＝(x_k,y_k,z_k)，x_k，y_k，z_k分别为第k个用户的x，y，z轴坐标；第m架无人机的位置为ξ_m＝(x_m,y_m,z_m)，x_m，y_m，z_m分别为第m架无人机的x，y，z轴坐标；城市建筑物高度信息为矩阵H。

所述的步骤2获取任意一架无人机与任意一个地面用户之间的路径损耗具体为：

第m架无人机与第k个地面用户之间的路径损耗PL_m,k为：

其中，PL_m,k(ξ_m,γ_m,k)表示PL_m,k为变量ξ_m和γ_m,k的函数，γ_m,k为第m架无人机与第k个用户之间的阻挡检测系数，通过从用户和无人机之间的线段上取多个检测点并与城市建筑物高度进行比较获取，即当线段上所有检测点的高度大于建筑物高度时，可以建立视距通信，γ_m,k＝1；当线段上存在检测点的高度小于或等于建筑物高度时，无法建立视距通信，γ_m,k＝0；α_L，β_L分别为视距链路的浮动截距最小二乘拟合以及测量距离的斜率；α_N，β_N分别为非视距链路的浮动截距最小二乘拟合以及测量距离的斜率。

进一步地，所述的步骤3建立使得系统总路径损耗最小的无人机位置排布模型

为：

其中，优化变量为：a_m,k和ξ_m，m＝1,2,…,M，k＝1,2,…,K，a_m,k表征了用户和无人机之间的连接关系，完成用户的分簇；ξ_m为无人机的坐标，完成无人机的位置部署。

所述的步骤4具体包括如下步骤：

步骤4.1：为M架无人机分别选取一个随机初始位置，高度给定，并给定最大迭代次数；

步骤4.2：对于每一个用户，分别计算其与M架无人机之间的路径损耗，将用户分配给具有最小路径损耗值的无人机，所有由同一架无人机服务的用户构成一个簇；

步骤4.3：在每个簇中，更新无人机二维坐标(x_m,y_m)为：

其中，K_m为第m个无人机服务的用户个数；

为第k_i个用户的二维坐标，

是无人机m和用户k_i之间的路径损耗，k_i＝1,2,…,K_m；

步骤4.4：判断是否达到最大迭代次数或无人机位置不再变化，若不满足该条件，回到步骤4.2继续迭代；若满足该条件，算法结束，当前无人机坐标为初步无人机部署位置

当前用户分簇即为最终用户分簇结果。

所述的步骤5具体包括如下步骤：

步骤5.1：确定最大搜索距离：沿坐标轴x正向搜索时，第m个无人机在该方向的最大搜索距离

由以下不等式得到：

其中，

表示无人机位于初始位置时的阻挡检测系数；

表示无人机在+x方向移动

距离后，其与用户k_i之间的视距传输路径损耗，

为此时的阻挡检测系数，令其为1，表示无人机m与用户k_i之间的链路为视距通信；在-x，+y，-y，+z，-z方向上计算最大搜索距离的过程与之相同；迭代次数n＝0；

步骤5.2：以

为初始位置在+x，-x，+y，-y，+z，-z 6个方向上同时搜索；在x坐标轴正向+x上进行搜索时，从初始位置开始，在最大搜索范围

内以Δl为步长进行搜索，计算所有步长处的函数值，找到使目标函数最小的+x坐标，+x方向最小路径损耗值为

其中，t表示在+x轴方向搜索时叠加的步长个数，tΔl为移动步长t次后对应的坐标移动距离，

为达到最大搜索距离时叠加的步长个数，

符号表示向上取整，

为取到最小路径损耗值时叠加的步长个数，

为取到最小路径损耗值时对应的坐标移动距离；

表示在+x轴方向上叠加t个步长时的阻挡检测系数，

表示在+x轴方向上叠加

个步长时的阻挡检测系数；-x，+y，-y，+z，-z各方向上最小路径损耗值

的计算方法相同；

步骤5.3：比较

大小，取其中最小值记为系统最小路径损耗PL_min，其对应的移动方向和移动距离为坐标更新的方向和移动距离；若存在PL_min对应多个坐标方向的情况，则取其中移动距离最小项对应的方向进行更新，得到第n次迭代后无人机坐标

分别为n次迭代后第m架无人机的x，y，z轴坐标；

步骤5.4：判断无人机位置是否发生更新：若无人机位置更新，回到步骤(4b)以新的无人机坐标

为初始位置进行搜索，n＝n+1；若无人机位置未更新，停止搜索，当前

坐标即为我们搜索的最终无人机位置

分别表示第m架无人机最终部署位置的x，y，z轴坐标。

本发明同现有技术相比，具有如下优点：

(1)本发明首次利用建筑物位置及大小高度等地形信息，提出了一种基于阻挡检测的K-means多无人机聚类和路径损耗突变感知的无人机位置坐标搜索的两阶段部署算法，可获得使总路径损耗小且可视距通信用户多的无人机部署方案。

(2)本发明在进行UAV部署时可自行避开建筑物。由于本发明采用了基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，在该信道模型下，UAV位于建筑物内部时，算法会自动识别所有用户为非视距通信，路径损耗大，因而搜索位置时可自动避免部署在建筑物内部。

附图说明

图1是多无人机部署城市通信系统模型图；

图2是本发明的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法流程图；

图3是单建筑物场景模型图；

图4是规则小区场景模型图；

图5不规则多建筑物场景模型图；

图6是在单建筑物场景中，分别对+x，-x，+y，-y四个方向在L＝150m的距离内进行搜索，得到路径损耗和系统中视距通信用户数结果图；

图7是在规则小区场景中，以6个不同的无人机初始位置，分别进行6次独立的路径损耗突变感知的无人机位置坐标搜索过程及结果图；

图8是在规则小区场景中，分别根据BT-K-means算法和经典K-means算法对实验场景进行10次迭代计算的聚类结果图；

图9是在规则小区场景中，分别根据BT-K-means算法和经典K-means算法对实验场景进行10次迭代计算，在迭代过程中视距通信用户数以及路径损耗的对比结果图；

图10是在不规则多建筑物场景中，根据BT-K-means算法对实验场景进行10次聚类迭代计算，得到最终的用户聚类结果以及无人机初步部署位置结果图；

图11是在不规则多建筑物场景中，以BT-K-means算法得到的无人机部署位置为初始位置，根据路径损耗突变感知的无人机位置坐标搜索算法对每个簇内的无人机位置进一步优化，得到最终无人机部署位置结果图。

具体实施方式

以下结合具体实施例对本发明的具体内容作进一步详细说明：

针对如图1所示的城市环境通信系统，本发明公开的一种基于建筑物几何分析的毫米波抗阻挡多无人机部署方法流程参见图2，具体包括如下步骤。

步骤1.设定一个有M架无人机，K个用户的市区环境通信系统，第k个用户的位置为δ_k＝(x_k,y_k,z_k)，x_k，y_k，z_k分别为第k个用户的x，y，z轴坐标；第m架无人机的位置为ξ_m＝(x_m,y_m,z_m)，x_m，y_m，z_m分别为第m架无人机的x，y，z轴坐标；城市建筑物高度信息为矩阵H；用户随机分布在建筑物周围，每个无人机可以同时为多个用户提供服务。无人机和用户之间采用毫米波进行通信传输。假设用户的位置可知，为了使得系统有更好的通信质量，降低路径损耗，需要对无人机的位置进行优化部署。第m个无人机是否为第k个用户提供服务用参数a_m,k表示：

步骤2.建立基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，得到第m架无人机与第k个地面用户之间的路径损耗PL_m,k为：

其中，PL_m,k(ξ_m,γ_m,k)表示PL_m,k为变量ξ_m和γ_m,k的函数，γ_m,k为第m架无人机与第k个用户之间的阻挡检测系数，通过从用户和无人机之间的线段上取多个检测点并与城市建筑物高度进行比较获取，即当线段上所有检测点的高度大于建筑物高度时，可以建立视距通信，γ_m,k＝1；当线段上存在检测点的高度小于或等于建筑物高度时，无法建立视距通信，γ_m,k＝0；α_L，β_L分别为视距链路的浮动截距最小二乘拟合以及测量距离的斜率；α_N，β_N分别为非视距链路的浮动截距最小二乘拟合以及测量距离的斜率。

步骤3.建立使得系统总路径损耗最小的无人机位置优化问题为：

其中，优化变量为：a_m,k和ξ_m，m＝1,2,…,M，k＝1,2,…,K。a_m,k表征了用户和无人机之间的连接关系，完成用户的分簇；ξ_m为无人机的坐标，完成无人机的位置部署。这个问题是非凸整数规划问题，难以直接获得其最优解，为了以较低复杂度求解该问题，因此本发明提出了一种基于阻挡检测的K-means多无人机聚类和路径损耗突变感知的无人机位置坐标搜索的两阶段部署算法，来获得该问题的次优解。

步骤4.根据基于阻挡检测的K-means(BT-K-means)算法进行用户分簇，同时得到初步的无人机部署位置

分别为第m架无人机初始部署位置的x，y，z轴坐标；按如下步骤进行：

(4a)为M架无人机分别选取一个随机初始位置，高度给定；给定最大迭代次数；

(4b)对于每一个用户，分别计算其与M架无人机之间的路径损耗，将用户分配给具有最小路径损耗值的无人机，所有由同一架无人机服务的用户构成一个簇；

(4c)在每个簇中，更新无人机二维坐标(x_m,y_m)为：

其中，K_m为第m个无人机服务的用户个数；

为第k_i个用户的二维坐标，

是无人机m和用户k_i之间的路径损耗，k_i＝1,2,…,K_m；

(4d)判断是否达到最大迭代次数或无人机位置不再变化，若不满足该条件，回到步骤(4b)继续迭代；若满足该条件，算法结束，当前无人机坐标为初步无人机部署位置

当前用户分簇即为最终用户分簇结果。

步骤5.在每个无人机簇内，根据路径损耗突变感知的无人机位置坐标搜索算法对无人机的位置进一步调整，按如下步骤进行：

(5a)无人机位置坐标搜索存在最大搜索距离，该最大搜索距离为从初始搜索点

m＝1,2,…,M开始，在坐标轴正向+x或反向-x(±y，±z)上进行搜索时，理论上需要搜索到的最远距离为

或

(

或

或

)，所对应的最大搜索范围是

(5b)确定最大搜索距离：沿坐标轴x正向搜索时，第m个无人机在该方向的最大搜索距离

由以下不等式得到：

其中，

表示无人机位于初始位置时的阻挡检测系数；

表示无人机在+x方向移动

距离后，其与用户k_i之间的视距传输路径损耗，

为此时的阻挡检测系数，令其为1，表示无人机m与用户k_i之间的链路为视距通信；在-x，+y，-y，+z，-z方向上计算最大搜索距离的过程与之相同；迭代次数n＝0；

(5c)以

为初始位置在+x，-x，+y，-y，+z，-z 6个方向上同时搜索；在坐标轴正向+x上进行搜索时，从初始位置开始，在最大搜索范围

内以Δl为步长进行搜索，计算所有步长处的函数值，找到使目标函数最小的+x坐标，+x方向最小路径损耗值为

其中，t表示在+x轴方向搜索时叠加的步长个数，tΔl为移动步长t次后对应的坐标移动距离，

为达到最大搜索距离时叠加的步长个数，

符号表示向上取整，

为取到最小路径损耗值时叠加的步长个数，

为取到最小路径损耗值时对应的坐标移动距离；

表示在+x轴方向上叠加t个步长时的阻挡检测系数，

表示在+x轴方向上叠加

个步长时的阻挡检测系数；-x，+y，-y，+z，-z各方向上最小路径损耗值

的计算方法相同；

(5d)比较

大小，取其中最小值记为系统最小路径损耗PL_min，其对应的移动方向和移动距离为坐标更新的方向和移动距离；若存在PL_min对应多个坐标方向的情况，则取其中移动距离最小项对应的方向进行更新，得到第n次迭代后无人机坐标

分别为n次迭代后第m架无人机的x，y，z轴坐标；

(5e)判断无人机位置是否发生更新：若无人机位置更新，回到步骤(5c)以新的无人机坐标

为初始位置进行搜索，n＝n+1；若无人机位置未更新，停止搜索，当前

坐标即为我们搜索的最终无人机位置

分别表示第m架无人机最终部署位置的x，y，z轴坐标。

本发明的效果将结合以下仿真结果进一步说明：

仿真实验一：

A.仿真条件

A1)包含长30米，宽25米，高18米长方体建筑物的单建筑物场景，如图3所示；

A2)30个用户，随机分布在建筑物四周，坐标位置已知；

A3)部署1个无人机提供通信服务，以用户二维坐标的均值为初始二维坐标，飞行高度固定；

B.仿真内容：

B1)从无人机的初始位置开始，根据本发明提出的路径损耗突变感知的无人机位置坐标搜索算法，对+x，-x，+y，-y四个方向在L＝150m的距离内进行搜索，搜索结果如图6所示；

C.仿真结果：

图6给出了分别对+x，-x，+y，-y四个方向在L＝150m的距离内进行搜索，得到路径损耗和系统中视距通信用户数的结果。无人机的初始位置是距离所有用户最近的位置，在仿真中恰好处于建筑物内部。当无人机出现在建筑物内部时，毫米波信号阻挡检测方法将认为所有用户均为非视距传输，系统总路径损耗值突变到极大值，如图中方框所画出的区域，在初始位置附近搜索时，路径损耗均很大。因此，最大搜索距离应大于建筑物的长和宽，可以在搜索无人机位置时自行避开建筑物；当搜索距离超过100米时，系统路径损耗将不再有明显减小，视距通信的用户数基本达到最大值(无法继续增加或只有少数增加)，此时继续再更大距离搜索的意义不大，因此本例中所取的最大搜索距离在100米以内。

仿真实验二：

A.仿真条件

A1)包含8个形状一致长方体建筑物的规则小区场景，每个建筑物长80米，宽25米，高18米，如图4所示；

A2)30个用户，随机分布在建筑物四周，坐标位置已知；

A3)部署1个无人机提供通信服务，初始二维位置随机，高度固定为20米；

B.仿真内容：

B1)随机选取6个不同的无人机初始位置，分别进行6次独立的搜索过程，搜索过程及结果如图7所示；

C.仿真结果：

图7给出了6次独立的搜索过程及结果，分别用6个不同的形状表示初始位置，不同形状对应不同的线型表示搜索路径，搜索终点位置用五角星表示。从图中可以看出，迭代产生的最终结果都分布在相近的位置。该算法在进行二维搜索时，最终会收敛。在本例中，不同初始位置的搜索过程最后收敛于同一区域，即搜索到目标函数的全局最优点。改变建筑部署后，不同初始位置对应的搜索过程均会收敛，但可能会收敛于不同区域，即最后会收敛于目标函数的局部最优点处。

仿真实验三：

A.仿真条件

A1)包含8个形状一致长方体建筑物的规则小区场景，每个建筑物长80米，宽25米，高18米，如图4所示；

A2)300个用户，随机分布在建筑物四周，坐标位置已知；

A3)部署10个无人机提供通信服务，初始位置随机；

B.仿真内容：

B1)分别使用本发明提出的BT-K-means算法和经典K-means算法对实验场景进行10次聚类迭代计算，聚类结果如图8所示；

B2)分别使用本发明提出的BT-K-means算法和经典K-means算法对实验场景进行10次聚类迭代计算，这两种算法在迭代过程中视距通信用户数以及路径损耗的对比结果如图9所示；

C.仿真结果：

图8给出了使用本发明提出的BT-K-means算法和经典K-means算法分别对实验场景进行10次迭代的聚类结果，从图8中可以看出，经过10次迭代之后，BT-K-means算法给出的无人机位置和分簇结果更为合理；

图9给出了分别使用本发明提出的BT-K-means算法和经典K-means算法对实验场景进行10次迭代计算过程中视距通信用户数以及路径损耗的对比结果，从图9中可以看出，BT-K-means聚类算法可以使更多的用户实现视距通信，并且总路径损耗更小；经过多次迭代之后，路径损耗值逐渐趋于平稳。

仿真实验四：

A.仿真条件

A1)包含6个形状不一致、分布不规则建筑物的不规则多建筑物场景，如图5所示；

A2)300个用户，随机分布在建筑物四周，坐标位置已知；

A3)部署10个无人机提供通信服务，初始位置随机；

B.仿真内容：

B1)使用本发明提出的BT-K-means算法对实验场景进行10次聚类迭代计算，得到最终的用户聚类结果以及无人机初步部署位置，如图10所示；

B2)以(B1)中得到的无人机部署位置为初始位置，使用本发明提出的路径损耗突变感知的无人机位置坐标搜索算法对每个簇内的无人机位置进一步优化，得到最终无人机部署位置，部署结果如图11所示；

B3)将10次BT-K-means算法迭代以及无人机位置坐标搜索过程中，系统视距通信用户数和路径损耗值的变化进行记录，结果如表1所示；

C.仿真结果：

图10给出了使用本发明提出的BT-K-means算法对实验场景进行10次迭代的聚类结果，从图10中可以看出，经过10次迭代后，BT-K-means算法对该毫米波通信系统有了较为合理的分簇结果，并得到了无人机初步部署位置；

图11给出了基于图10的结果，根据本发明提出的路径损耗突变感知的无人机位置坐标搜索算法对每个簇内的无人机位置进一步优化，得到最终无人机部署三维位置的结果，从图11中可以看出，经过两阶段的聚类及部署之后，对300个用户有了较为合理的分配，也对10个无人机位置进行了合理的部署；

表1详细列举了10次BT-K-means算法迭代以及无人机位置坐标搜索过程中，系统视距通信用户数和路径损耗值的变化。可以看出视距通信用户数在不断增多，路径损耗值也趋于减小。

表1 BT-K-means算法和无人机位置坐标搜索过程中系统LOS用户数和PL值的变化

综上所述，本发明在毫米波无人机通信系统中进行用户分簇和无人机部署时，可有效提升视距通信用户数目，并有效降低系统总路径损耗值，从而提升了用户的通信体验，同时兼顾到通信系统的有效性和可靠性，可用于在实际城市环境中进行毫米波多无人机通信部署。

Claims (6)

1.一种基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：该方法包括如下步骤：

步骤1：建立基于建筑物几何分析的可预知毫米波信号阻挡的信道模型；

步骤2：基于基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，获取任意一架无人机与任意一个地面用户之间的路径损耗；

步骤3：建立使得系统总路径损耗最小的无人机位置排布模型；

步骤4：基于阻挡检测的K-means(BT-K-means)算法对地面用户进行分簇，得到任意一架无人机初始部署位置的x，y，z轴坐标；

步骤5：在每个无人机簇内，根据路径损耗突变感知的无人机位置坐标搜索算法对无人机的位置进一步调整。

2.如权利要求1所述的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：步骤1所述的基于建筑物几何分析的可预知毫米波信号阻挡的信道模型，具体如下：

设定一个有M架无人机，K个用户的市区环境通信系统，第k个用户的位置为δ_k＝(x_k,y_k,z_k)，x_k，y_k，z_k分别为第k个用户的x，y，z轴坐标；第m架无人机的位置为ξ_m＝(x_m,y_m,z_m)，x_m，y_m，z_m分别为第m架无人机的x，y，z轴坐标；城市建筑物高度信息为矩阵H。

3.如权利要求1所述的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：所述的步骤2获取任意一架无人机与任意一个地面用户之间的路径损耗具体为：

第m架无人机与第k个地面用户之间的路径损耗PL_m,k为：

其中，PL_m,k(ξ_m,γ_m,k)表示PL_m,k为变量ξ_m和γ_m,k的函数，γ_m,k为第m架无人机与第k个用户之间的阻挡检测系数，通过从用户和无人机之间的线段上取多个检测点并与城市建筑物高度进行比较获取，即当线段上所有检测点的高度大于建筑物高度时，可以建立视距通信，γ_m,k＝1；当线段上存在检测点的高度小于或等于建筑物高度时，无法建立视距通信，γ_m,k＝0；α_L，β_L分别为视距链路的浮动截距最小二乘拟合以及测量距离的斜率；α_N，β_N分别为非视距链路的浮动截距最小二乘拟合以及测量距离的斜率。

4.如权利要求1所述的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：所述的步骤3建立使得系统总路径损耗最小的无人机位置排布模型为：

其中，优化变量为：a_m,k和ξ_m，m＝1,2,…,M，k＝1,2,…,K，a_m,k表征了用户和无人机之间的连接关系，完成用户的分簇；ξ_m为无人机的坐标，完成无人机的位置部署。

5.如权利要求1所述的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：所述的步骤4具体包括如下步骤：

步骤4.1：为M架无人机分别选取一个随机初始位置，高度给定，并给定最大迭代次数；

步骤4.2：对于每一个用户，分别计算其与M架无人机之间的路径损耗，将用户分配给具有最小路径损耗值的无人机，所有由同一架无人机服务的用户构成一个簇；

步骤4.3：在每个簇中，更新无人机二维坐标(x_m,y_m)为：

其中，K_m为第m个无人机服务的用户个数；

为第k_i个用户的二维坐标，

是无人机m和用户k_i之间的路径损耗，k_i＝1,2,…,K_m；

步骤4.4：判断是否达到最大迭代次数或无人机位置不再变化，若不满足该条件，回到步骤4.2继续迭代；若满足该条件，算法结束，当前无人机坐标为初步无人机部署位置

当前用户分簇即为最终用户分簇结果。

6.如权利要求1所述的基于建筑物几何分析的毫米波抗阻挡多无人机部署方法，其特征在于：所述的步骤5具体包括如下步骤：

步骤5.1：确定最大搜索距离：沿坐标轴x正向搜索时，第m个无人机在该方向的最大搜索距离

由以下不等式得到：

其中，

表示无人机位于初始位置时的阻挡检测系数；

表示无人机在+x方向移动

距离后，其与用户k_i之间的视距传输路径损耗，

为此时的阻挡检测系数，令其为1，表示无人机m与用户k_i之间的链路为视距通信；在-x，+y，-y，+z，-z方向上计算最大搜索距离的过程与之相同；迭代次数n＝0；

步骤5.2：以

为初始位置在+x，-x，+y，-y，+z，-z 6个方向上同时搜索；在x坐标轴正向+x上进行搜索时，从初始位置开始，在最大搜索范围

内以Δl为步长进行搜索，计算所有步长处的函数值，找到使目标函数最小的+x坐标，+x方向最小路径损耗值为

其中，t表示在+x轴方向搜索时叠加的步长个数，tΔl为移动步长t次后对应的坐标移动距离，

为达到最大搜索距离时叠加的步长个数，

符号表示向上取整，

为取到最小路径损耗值时叠加的步长个数，

为取到最小路径损耗值时对应的坐标移动距离；

表示在+x轴方向上叠加t个步长时的阻挡检测系数，

表示在+x轴方向上叠加

个步长时的阻挡检测系数；-x，+y，-y，+z，-z各方向上最小路径损耗值

的计算方法相同；

步骤5.3：比较

大小，取其中最小值记为系统最小路径损耗PL_min，其对应的移动方向和移动距离为坐标更新的方向和移动距离；若存在PL_min对应多个坐标方向的情况，则取其中移动距离最小项对应的方向进行更新，得到第n次迭代后无人机坐标

分别为n次迭代后第m架无人机的x，y，z轴坐标；

步骤5.4：判断无人机位置是否发生更新：若无人机位置更新，回到步骤(4b)以新的无人机坐标

为初始位置进行搜索，n＝n+1；若无人机位置未更新，停止搜索，当前

坐标即为我们搜索的最终无人机位置

分别表示第m架无人机最终部署位置的x，y，z轴坐标。

Images