CN114745693A - 基于pso-ga混合算法的uav辅助车联网资源分配方法 - Google Patents
基于pso-ga混合算法的uav辅助车联网资源分配方法 Download PDFInfo
- Publication number
- CN114745693A CN114745693A CN202210203334.3A CN202210203334A CN114745693A CN 114745693 A CN114745693 A CN 114745693A CN 202210203334 A CN202210203334 A CN 202210203334A CN 114745693 A CN114745693 A CN 114745693A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- resource allocation
- particles
- vehicle
- value
- 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.)
- Granted
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006855 networking Effects 0.000 title abstract description 14
- 239000002245 particle Substances 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- -1 hydrogen Chemical class 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于PSO‑GA混合算法的UAV辅助车联网资源分配方法,涉及车联网技术领域。该方法的步骤包括:对无人机辅助车联网系统进行分析建模,确定混合算法的适应值函数;设计资源分配算法用于无人机频谱带宽资源和发射功率的分配;将遗传算法与粒子群算法结合,在产生下一代粒子时先执行粒子群算法并将结果按适应值降序排列后,在粒子的适应值变化幅度较大的位置将适应值大的粒子直接选入下一代,适应值较小的部分执行遗传算法后再进入下一代。与现有的算法相比,本发明所提出的混合算法的收敛速度以及寻优能力均优于单一的粒子群算法以及单一的遗传算法,经过混合算法优化后的分配方案使得系统拥有更大的总发射速率。
Description
技术领域
本发明涉及车联网技术领域,具体涉及一种基于PSO-GA(粒子群-遗传)混合算法的UAV(无人机)辅助车联网资源分配方法。
背景技术
物联网的概念随着互联网的快速发展,特别是移动互联网方面的长足进步越来越多的被提及。车联网则是物联网技术在交通系统领域的典型应用。随着5G技术的迅猛发展和传感器灵敏度的进一步提升,车联网技术也愈加成熟。但是,由于网络覆盖不全或突发的自然灾害等情况时有发生,该区域的车联网通信中断的情况也是常态。无人机辅助通信以其机动性强、可快速部署、成本低等优势成为一种在应急场景下辅助车辆通信的解决方案。然而,无人机自身储存的能量有限,而大部分能量又要用于维持空中的稳定状态与往来控制中心与服务区域的飞行消耗。因此通讯无人机用于通信发射信号的能量有限,怎样分配不同信道上的发射功率以提高系统的总吞吐量是无人机辅助通信系统中的关键问题之一。另外,在应急场景下,每架通讯无人机要同时服务多个被困车辆。而每个无人机的总频谱带宽是移动的,因此,怎样分配无人机的频谱带宽用于服务不同车辆是无人机辅助通信系统中的另一个关键问题。
发明内容
针对现有技术中存在的缺陷,本发明解决的技术问题为:如何合理对无人机辅助车联网中的资源进行分配,进而提高无人机辅助通信系统的总发射速率。
为达到以上目的,本发明提供的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,包括以下步骤:
S1:建立无人机辅助车联网通信系统模型,确定适应值函数,转到S2;
S2:根据无人机信道数量N和无人机用于服务车辆通信的总发射功率Pt,初始化单一资源分配算法,该算法的输入值是作为发射功率分配算法输入的频谱带宽分配方案,或者是作为频谱带宽分配算法输入的发射功率分配方案,转到S3;
S3:对粒子执行粒子群算法,由第G代粒子得到中间代G′,转到S4;
S4:将中间代G′按适应值降序排列,根据适应值差的变化幅度确定位置将G′分为G′1,G′2;G′1的粒子直接进入第G+1代,转到S5;
S5:对G′2执行遗传算法,得到中间代G″,G″中的个体进入第G+1代,转到S6;
S6:判断该次单一资源分配算法是否结束,该次单一资源分配算法为发射功率分配算法或频谱带宽分配算法,若是,转到S7,否则转到S3;
S7:判断整个分配算法是否结束,若是,结束,否则改变输出结果后转到S2。
在上述技术方案的基础上,S1的具体流程包括:根据服务车辆k和信道数量n,计算无人机在信道n上服务车辆k的发射速率Rk(n),计算公式为:
其中,ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0;pn,k表示无人机在子信道n上向车辆k发送数据的发送功率;hn,k表示在子信道n上无人机的发射器到车辆k接收器的信道增益;N0表示高斯白噪声功率谱密度;
定义车辆间的公平性为:
其中,Rk max表示Rk中的最大值,用来将Rk归一化。
在上述技术方案的基础上,在初始执行S2时,S2的流程包括:定义pn,k=Pt/N作为第一次频谱带宽资源分配的输入值。
在上述技术方案的基础上,S3的具体流程包括:初始化粒子时,采用二进制编码来表示粒子i:ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0;Pi为N×K的矩阵;更新粒子时,粒子矩阵按行更新,记xn={0,…,ρk,…}为粒子的第n行;将xn转换为实数表示,xn∈{2α|α=0,1,…,K-1},根据xn=xn+vn,得到新的xn,取离xn最近的2α作为xn的值,其中,vn为粒子的速度;若|xn-2α|=|xn-2α+1|,则需判断粒子Pi的最优位置Pi best的xn大小,若xn>xnbest,则取2α作为xn的值,否则取2α+1。
在上述技术方案的基础上,S4的具体流程包括:将中间代G′按适应值降序排列,计算粒子的适应值差得到集合Δ={Δ1,Δ2,...,ΔM},其中Δ1=0,M为粒子个数;记Δ的平均值为最大值为Δmax;遍历粒子,若Δm=Δmax,则将G′分为两部分:否则,若判断与大小,若则同样将G′在粒子m处分为两部分,其中为G′中粒子的适应值的均值,G′1将直接进入第G+1代。
在上述技术方案的基础上,S6的具体流程包括:判断该次的单一资源分配算法是否达已收敛或者达到最大迭代次数,若是,代表该次单一资源分配算法结束,生成输出结果,输出结果为频谱带宽分配方案或发射功率分配方案,转到S7;否则转到S3。
在上述技术方案的基础上,S7的具体流程包括:判断发射功率分配算法和频谱带宽分配算法是否均达到最大迭代次数,若是,结束,否则转到S2、并将S6的输出结果作为S2的输入。
与现有技术相比,本发明的优点在于:
本发明的基于PSO-GA混合算法的UAV辅助车联网的资源分配方法,首先对应急场景下的无人机辅助通信系统进行分析并建立数学模型,其次提出了一种粒子群-遗传融合算法用以求解资源分配方案,设计了一种新的遗传算法融合进粒子群算法的方法。应用结果表明PSO-GA混合算法的收敛速度以及寻优能力均优于单一的粒子群算法以及单一的遗传算法,经过混合算法优化后的分配方案使得系统拥有更大的总发射速率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例中基于PSO-GA混合算法的UAV辅助车联网资源分配方法的流程示意图;
图2为本发明实施例中下一代粒子产生方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本发明的研发思路为:
通过对无人机辅助车联网的建模分析,我们可以得知系统的总发射速率同时与无人机的频谱带宽分配和发射功率分配有关。因此提出一个联合分配方法用于无人机辅助车联网中的资源分配。资源分配问题的传统求解方法是将问题建立数学模型,通过求最优解来求解分配方案;随着神经网络的快速发展,另一种求解方式是基于对用户需求的预测来得到下一时段的资源分配方案。
求最优解的一种方式是采用博弈论的方法,将无人机通信场景建立成博弈论的数学模型,通过求解均衡点得到最优分配。第二种方式是通过对目标函数的凸分析、将非凸问题转换成凸问题等方式求解优化问题的解,即资源分配方案。将机器学习技术应用到资源分配研究中是一类解决问题的思路。通过使用机器学习先对下一时段的各用户的传输需求进行预测,然后依据用户需求做资源分配方案。然而,博弈论在求解大规模问题时时效性不强,机器学习方法则稳定性不强且对于不同的场景需要分别进行模型的训练。因此采用启发式算法解决该资源分配问题。单一算法的改进受限于算法自身的林论框架,通过不同算法的混合,可以得到优劣互补、性能更好的混合算法。粒子群算法和遗传算法的优劣势互补性明显,因此本发明采用粒子群-遗传混合算法来解决无人机辅助车联网中的资源分配问题。
在此基础上,本发明实施例中的基于PSO-GA混合算法的UAV辅助车联网资源分配方法的总体逻辑为:为应急场景下无人机辅助车联网通信,一个无人机服务K个车辆进行通信,无人机的信道数N,无人机信道频谱宽度Bt,无人机用于服务车辆通信的总发射功率Pt。本发明中所提出的频谱带宽分配和发射功率分配设计为一个两步的串行分配循环。在初始情况下,假设功率是平均分配的,作为频谱带宽分配的输入值。在频谱带宽分配算法执行完毕后得到一个频谱带宽分配方案,将其作为功率分配算法的输入,再执行功率分配算法。以此循环,直到达到循环结束的条件。
下面参见图1所示,本发明实施例中的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,具体包括以下步骤:
S1:建立无人机辅助车联网通信系统模型,确定算法中的适应值函数,转到S2。
优选的,S1的具体流程包括:根据服务车辆k和信道数量n,计算无人机在信道n上服务车辆k的发射速率Rk(n),计算公式为:
考虑无人机信号覆盖范围内共有K个车辆,无人机总频谱带宽为Bt,共分为N个子信道,信道的频谱带宽资源为B={B1,B2,B3,...,BN};总发射功率为Pt。其中,ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0。pn,k表示无人机在子信道n上向车辆k发送数据的发送功率。hn,k表示在子信道n上无人机的发射器到车辆k接收器的信道增益。N0表示高斯白噪声功率谱密度;
定义车辆间的公平性为:
其中,Rk max表示Rk中的最大值,用来将Rk归一化。
S2:根据无人机信道数量N和无人机用于服务车辆通信的总发射功率Pt,初始化单一资源分配算法,该算法的输入值是作为发射功率分配算法输入的频谱带宽分配方案,或者是作为频谱带宽分配算法输入的发射功率分配方案,转到S3。
优选的,S2的具体流程包括:
初始化单一资源分配算法。在初始情况下,假设功率是平均分配的,即pn,k=Pt/N,作为第一次频谱带宽资源分配的输入值;由于两种资源分配的算法一致,所以该步骤的输入值可以是频谱带宽分配方案(作为发射功率分配算法的输入)或发射功率分配方案(作为频谱带宽分配算法的输入)。
S3:参见图2所示,对粒子执行粒子群算法,由第G代粒子得到中间代G′,转到S4。
优选的,S3的具体流程包括:初始化粒子时,采用二进制编码来表示粒子i:ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0。Pi为N×K的矩阵,由于每个信道只能用于服务一辆车进行数据传输,所以矩阵的每行最多只有一个1。更新粒子时,粒子矩阵按行更新,记xn={0,…,ρk,…}为粒子的第n行。将xn转换为实数表示,如前所述易知,xn∈{2α|α=0,1,…,K-1},根据xn=xn+vn,得到新的xn,取离xn最近的2α作为xn的值,其中,vn为粒子的速度。若|xn-2α|=|xn-2α+1|,则需判断粒子Pi的最优位置Pi best的xn大小,若xn>xn best,则取2α作为xn的值,否则取2α+1。
S4:依据变化剧烈程度选取算法结合位置:参见图2所示,将中间代G′按适应值降序排列,根据适应值差的变化幅度确定位置将G′分为G′1,G′2;G′1的粒子直接进入第G+1代,转到S5。
优选的,具体流程包括:将中间代G′按适应值降序排列,计算粒子的适应值差得到集合Δ={Δ1,Δ2,...,ΔM},其中Δ1=0,M为粒子个数。记Δ的平均值为最大值为Δmax。遍历粒子,若Δm=Δmax,则将G′分为两部分:否则,若判断与大小,若则同样将G′在粒子m处分为两部分,其中为G′中粒子的适应值的均值。其中G′1将直接进入第G+1代。
S5:执行GA算法更新部分粒子:参见图2所示,对G′2执行遗传算法,得到中间代G″,G″中的个体进入第G+1代,转到S6。
S6:判断该次单一资源分配算法(发射功率分配算法或频谱带宽分配算法)是否结束,若是,转到S7,否则转到S3。
优选的,S6的具体流程包括:判断该次的单一资源分配算法是否达已收敛或者达到最大迭代次数,若是,代表该次单一资源分配算法结束,生成输出结果,输出结果为频谱带宽分配方案或发射功率分配方案,转到S7;否则转到S3。
S7:判断整个分配算法是否结束,若是,结束,否则改变输出结果后转到S2。
优选的,S7的具体流程包括:判断发射功率分配算法和频谱带宽分配算法是否均无巨大变化、或均达到最大迭代次数,若是,结束,否则转到S2,并将S6的输出结果作为S2的输入,即进行另一资源的分配算法。其设计原理为:由于本发明将无人机辅助通信中的频谱带宽分配和发射功率分配设计成一个两步串行分配,因此每轮单一资源分配结束后需将该次算法得到的分配方案作为另一项资源分配的输入值继续下一次的资源分配算法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读存储介质上,计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的,术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
示例性的,计算机可读存储介质可以是前述实施例的电子设备的内部存储单元,例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。
以上仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,该方法包括以下步骤:
S1:建立无人机辅助车联网通信系统模型,确定适应值函数,转到S2;
S2:根据无人机信道数量N和无人机用于服务车辆通信的总发射功率Pt,初始化单一资源分配算法,该算法的输入值是作为发射功率分配算法输入的频谱带宽分配方案,或者是作为频谱带宽分配算法输入的发射功率分配方案,转到S3;
S3:对粒子执行粒子群算法,由第G代粒子得到中间代G′,转到S4;
S4:将中间代G′按适应值降序排列,根据适应值差的变化幅度确定位置将G′分为G′1,G′2;G′1的粒子直接进入第G+1代,转到S5;
S5:对G′2执行遗传算法,得到中间代G″,G″中的个体进入第G+1代,转到S6;
S6:判断该次单一资源分配算法是否结束,该次单一资源分配算法为发射功率分配算法或频谱带宽分配算法,若是,转到S7,否则转到S3;
S7:判断整个分配算法是否结束,若是,结束,否则改变输出结果后转到S2。
2.如权利要求1所述的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,S1的具体流程包括:根据服务车辆k和信道数量n,计算无人机在信道n上服务车辆k的发射速率Rk(n),计算公式为:
其中,ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0;pn,k表示无人机在子信道n上向车辆k发送数据的发送功率;hn,k表示在子信道n上无人机的发射器到车辆k接收器的信道增益;N0表示高斯白噪声功率谱密度;
定义车辆间的公平性为:
其中,Rk max表示Rk中的最大值,用来将Rk归一化。
3.如权利要求2所述的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,在初始执行S2时,S2的流程包括:定义pn,k=Pt/N作为第一次频谱带宽资源分配的输入值。
4.如权利要求3所述的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,S3的具体流程包括:初始化粒子时,采用二进制编码来表示粒子i:ρn,k={0,1},表示将子信道n分配用于服务车辆k的服务则取值为1,否则取值为0;Pi为N×K的矩阵;更新粒子时,粒子矩阵按行更新,记xn={0,…,ρk,…}为粒子的第n行;将xn转换为实数表示,xn∈{2α|α=0,1,…,K-1},根据xn=xn+vn,得到新的xn,取离xn最近的2α作为xn的值,其中,vn为粒子的速度;若|xn-2α|=|xn-2α+1|,则需判断粒子Pi的最优位置Pi best的xn大小,若xn>xn best,则取2α作为xn的值,否则取2α+1。
6.如权利要求5所述的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,S6的具体流程包括:判断该次的单一资源分配算法是否达已收敛或者达到最大迭代次数,若是,代表该次单一资源分配算法结束,生成输出结果,输出结果为频谱带宽分配方案或发射功率分配方案,转到S7;否则转到S3。
7.如权利要求6所述的基于PSO-GA混合算法的UAV辅助车联网资源分配方法,其特征在于,S7的具体流程包括:判断发射功率分配算法和频谱带宽分配算法是否均达到最大迭代次数,若是,结束,否则转到S2、并将S6的输出结果作为S2的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203334.3A CN114745693B (zh) | 2022-03-03 | 2022-03-03 | 基于pso-ga混合算法的uav辅助车联网资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203334.3A CN114745693B (zh) | 2022-03-03 | 2022-03-03 | 基于pso-ga混合算法的uav辅助车联网资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114745693A true CN114745693A (zh) | 2022-07-12 |
CN114745693B CN114745693B (zh) | 2024-04-26 |
Family
ID=82276042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210203334.3A Active CN114745693B (zh) | 2022-03-03 | 2022-03-03 | 基于pso-ga混合算法的uav辅助车联网资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114745693B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
CN109190857A (zh) * | 2018-10-30 | 2019-01-11 | 武汉大学 | 一种基于多目标资源受限项目调度模型的优化算法 |
WO2020012241A1 (en) * | 2018-07-08 | 2020-01-16 | Nng Software Developing And Commercial Llc. | A method and apparatus for optimal navigation to multiple locations |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN113630886A (zh) * | 2021-08-27 | 2021-11-09 | 黑龙江八一农垦大学 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
-
2022
- 2022-03-03 CN CN202210203334.3A patent/CN114745693B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
WO2020012241A1 (en) * | 2018-07-08 | 2020-01-16 | Nng Software Developing And Commercial Llc. | A method and apparatus for optimal navigation to multiple locations |
CN109190857A (zh) * | 2018-10-30 | 2019-01-11 | 武汉大学 | 一种基于多目标资源受限项目调度模型的优化算法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN113630886A (zh) * | 2021-08-27 | 2021-11-09 | 黑龙江八一农垦大学 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
Non-Patent Citations (2)
Title |
---|
梅金平;张士兵;王海莲;: "基于PSO-GA算法的多用户OFDM系统资源分配", 电视技术, no. 01, 2 January 2014 (2014-01-02) * |
覃匡宇等: "SDN 网络中受时延和容量限制的多控制器均衡部署", 《通信学报》, 30 November 2016 (2016-11-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN114745693B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN113395654A (zh) | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 | |
CN110730031A (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
CN114650228A (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信系统资源分配方法 | |
Liao et al. | Energy minimization for UAV swarm-enabled wireless inland ship MEC network with time windows | |
Li et al. | DNN partition and offloading strategy with improved particle swarm genetic algorithm in VEC | |
Huda et al. | Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications | |
CN114374981A (zh) | 一种通信无人机的节能按需预部署方法 | |
CN114521002A (zh) | 一种云边端合作的边缘计算方法 | |
CN113987692A (zh) | 用于无人机和边缘计算服务器的深度神经网络分区方法 | |
CN117098189A (zh) | 一种基于gat混合动作多智能体强化学习的计算卸载和资源分配方法 | |
Zhou et al. | Dynamic channel allocation for multi-UAVs: A deep reinforcement learning approach | |
Bahonar et al. | Low-complexity resource allocation for dense cellular vehicle-to-everything (C-V2X) communications | |
CN117221951A (zh) | 车载边缘环境下基于深度强化学习的任务卸载方法 | |
Liwang et al. | Graph-represented computation-intensive task scheduling over air-ground integrated vehicular networks | |
Tang et al. | Multi-UAV-assisted federated learning for energy-aware distributed edge training | |
CN117580180A (zh) | 面向端到端低时延信息交付的通感算存多域资源分配方法 | |
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 | |
CN114745693B (zh) | 基于pso-ga混合算法的uav辅助车联网资源分配方法 | |
CN114884957B (zh) | 空天地网络中的计算任务卸载方法、装置和电子设备 | |
CN108430103B (zh) | 一种软件定义雾车联网资源分配方法及其系统 | |
Si et al. | UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning | |
CN115967430A (zh) | 一种基于深度强化学习的成本最优空地网络任务卸载方法 | |
Zhao et al. | Secure resource allocation for UAV assisted joint sensing and comunication networks |
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 |