CN115209424A - 一种基于椭圆覆盖模型的无人机基站分流部署方法 - Google Patents
一种基于椭圆覆盖模型的无人机基站分流部署方法 Download PDFInfo
- Publication number
- CN115209424A CN115209424A CN202210782051.9A CN202210782051A CN115209424A CN 115209424 A CN115209424 A CN 115209424A CN 202210782051 A CN202210782051 A CN 202210782051A CN 115209424 A CN115209424 A CN 115209424A
- Authority
- CN
- China
- Prior art keywords
- coverage
- unmanned aerial
- aerial vehicle
- user
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 230000008030 elimination Effects 0.000 claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000003252 repetitive effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 241001347978 Major minor Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04B7/18506—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种无人机基站椭圆覆盖部署方法,具体表现为:首先设定无人机椭圆覆盖长半轴最大值Amax,计算能覆盖所有未被地面宏站覆盖的用户的最小圆;若最小圆半径大于Amax,用k‑means聚类算法将用户分为两个簇,再分别对每个簇进行上述操作,直到所有用户簇最小覆盖圆半径都小于Amax;以所有覆盖圆中心作为椭圆中心,用随机梯度下降算法求得全覆盖下椭圆面积最小时长轴的角度;在求最小覆盖椭圆的过程中,进行用户重复覆盖检测,如果当前无人机覆盖的用户重复覆盖,运行碰撞消除算法,即将当前无人机覆盖用户拆分成两个簇,用两个无人机进行覆盖;当一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,停止迭代,输出最终结果。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及地面宏站分流方案、无人机基站部署方案研究。
背景技术
在蜂窝移动网络中,带宽需求高的移动应用程序占用了大量的无线资源,且随着用户数量的增加以及城市环境的变化,小区基站可能会逐渐满足不了部分区域的服务需求。而无人机基站具有灵活调度的特点,可作为空中基站为流量压力过大而固定基站信号又难以覆盖的区域进行临时快速无线覆盖。
然而,无人机携带基站在实际应用中也有一些技术限制。首先,在不同的环境下无人机基站信号面临的信道干扰可能有很大的不同,要让无人机能够适应多种环境,就需要建立足够鲁棒的信道模型。其次,无人机飞行所需的功耗较大,滞空时间有限,难以持续为用户提供服务,所以需要在算法上进行优化,通过调整信号发射功率,飞行高度等参数尽可能增加能效。在密集部署的情况下,多个无人机基站之间又可能会出现严重的相互干扰,为了降低干扰,则需要调整无人机的信号发射频率,波束形状或者空间位置等参数。
在实际环境中,地面用户如果过于分散,或者数量过多,则很难用同一个无人机全部覆盖。这种情况就需要多个无人机协同配合,统一调度进行部署。针对这一情景,一些无人机基站集群部署算法应运而生。K-means算法就是一种被广泛引用的无人机集群部署算法。螺旋算法是另一种被广泛使用的无人机部署算法。这一算法先通过环境信道参数选取最适合的无人机飞行高度和发射功率以获得单个无人机在地面的最大覆盖区域面积,然后统一设置所有无人机的参数使之地面覆盖面积达到最大值。螺旋算法通过一种巧妙的启发式算法,沿逆时针方向从外向内在用户所处的区域内生成无人机基站,从而以尽可能少的无人机基站覆盖全部地面用户。
由于无人机基站在部署时可以考虑的变量较多,包括但不限于城市环境下的无线信道干扰,无人机基站发射功率以及无人机高度与地面信号覆盖区域大小的关系,无人机的续航能力等,因此大部分现有研究都对模型进行了相当的简化。绝大部分研究工作都假定无人机的覆盖区域呈圆形,并在此基础上固定无人机高度或功率等参数,然后探讨如何使得无人机基站在地面的覆盖范围最大化。实际研究表明,通过改变天线的波束模型可以实现无人机基站在地面的椭圆区域覆盖,这为无人机基站的部署提供了新思路。
本发明提出了无人机基站椭圆覆盖部署算法,重点研究了此算法在密集地区多用户部署中的理论和实际性能。本发明的核心是提出了一种异构网络下基于椭圆覆盖模型的无人机基站集群部署算法,该算法的目的在于根据地面用户和固定基站的坐标信息,计算得到异构网络下的无人机基站部署方案,同时尽可能降低基站之间的重叠干扰以及用户覆盖需要的无人机发射功率。
发明内容
本发明致力于减少重复覆盖率,提高用户覆盖率和无人机基站的总体能效,提出一种无人机基站椭圆覆盖部署方法,具体表现为:获得固定基站信息后,设定无人机椭圆覆盖区域的长半轴最大值Amax,首先把被地面基站覆盖的用户剔除出用户坐标集,然后计算能覆盖剩余所有用户的最小圆的中心点和半径;当最小圆半径大于椭圆长半轴最大值时,用k-means聚类算法将用户分为两个簇,再分别对每个簇进行上述判断和拆分,直到所有用户簇最小覆盖圆的半径都小于椭圆长半轴的最大值;以此前求得的覆盖圆中心点作为椭圆中心,用随机梯度下降算法求得全覆盖下椭圆面积最小时长轴的角度,得到多个满足覆盖条件且参数不同的椭圆;在求得最小覆盖椭圆的过程中,进行用户重复覆盖的检测,如果发现当前无人机覆盖的用户重复覆盖,此时运行碰撞消除算法,即将当前无人机覆盖用户拆分成两个簇,用两个无人机进行覆盖;当一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,停止迭代,输出最终结果。
本发明的面向密集用户的无人机基站椭圆覆盖部署方法包括以下步骤:
步骤200,获取固定基站信息,把地面基站覆盖的用户剔除,用Welzl算法计算能覆盖所有用户的最小覆盖圆。
在使用椭圆算法开始求解之前,需要已知用户坐标U,固定基站坐标及其覆盖半径RBS,以及无人机在地面覆盖椭圆区域的长半轴大小范围Am=[Amin,Amax]和椭圆长短半轴比K。获得固定基站信息后,我们的算法首先把被地面基站覆盖的用户剔除出用户坐标集,然后采用Welzl算法计算能覆盖剩余所有用户的最小圆的中心点和半径。
步骤210,用k-means聚类算法分簇,直到所有用户簇的最小覆盖圆半径都小于椭圆长半轴最大值。
当半径大于椭圆长半轴最大值时,用k-means聚类算法将用户分为两个簇,再分别对每个簇进行上述判断和拆分,直到所有用户簇最小覆盖圆的半径都小于椭圆长半轴的最大值。
步骤220,以最小圆中心坐标为椭圆中心输出多个椭圆,利用随机梯度下降求解并椭圆长半轴方向,并选取面积最小的椭圆。最小覆盖椭圆的求解算法会以之前求得的圆中心点坐标作为椭圆中心,求能够覆盖用户簇内所有用户的最小覆盖椭圆,最后输出多个满足覆盖条件且参数不同的椭圆。对于无人机基站m,该算法会任意选取地面覆盖椭圆的初始水平角度θm,计算当椭圆位于左右两侧临近角度时能够覆盖所有用户的最小长轴E(θm)=Am,再进行随机梯度下降求得Am最小时对应的θm。
步骤230,对用户进行重复覆盖检测,若碰撞则用碰撞消除算法将无人机拆分。直到一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,我们就会停止迭代,输出最终结果。
有益效果
本发明的面向密集用户的无人机基站椭圆覆盖部署方法能够很好地降低重复度和总发射功率,大大降低计算复杂度,因此这种方法可以减少用户之间的干扰。此外。本发明提出的椭圆覆盖算法相比传统的圆覆盖算法增加了一个可以调整的参数,即椭圆的倾角,这将使得无人机基站能够更加灵活地覆盖地面用户。
附图说明
本发明的技术步骤会涉及到无人机基站椭圆部署场景、椭圆覆盖模型、部署过程、仿真结果的描述,下面将简单解释本发明说明书中提到的所有附图。需要说明的是,下面描述的附图仅仅是本发明实施的一些例子,无人机部署领域其他普通技术人员依旧可以根据这些附图在其他不同场景下获得其他的附图。
图1是本发明的实施流程图;
图2是本发明的无人机基站椭圆部署场景图;
图3是本发明的同一场景下不同部署算法的部署结果图;
图4是四种算法在不同场景条件下的无人机数量和用户重复覆盖比例图;
图5是椭圆和圆(K=1)覆盖模型在不同场景条件下的发射功率对比图;
图6是椭圆和圆(K=1)覆盖模型在不同参数条件下的用户未覆盖率对比图。
具体实施方式
下面结合本申请中的附图,对本发明的步骤、过程进行完整清晰地描述,显而易见,本申请中所描述的实例仅仅是本发明的一个实例应用场景,其他基于本发明内容的、没有做出实质性改变的结果都是属于本发明的保护范畴。附图1是本发明的实施流程图。附图2是本发明的一个无人机基站椭圆部署场景图.
本发明实例仅以五个地面基站以及100个用户场景为例进行说明,多个基站和用户的场景仅仅是本发明实例的多个复制。无人机信号发射功率2.4GHz,信噪比阈值为0dB,最大噪声功率为10-9mW,无人机基站天线的两维度半功率波束宽度HPBW分别设为45°和60°,无人机飞行高度位于93m到185m之间,城市环境下视距链路和非视距链路的额外路径损耗ηLoS和ηNLoS设为的1dB和20dB,椭圆长短半轴比设为K∈{1.5,1}。
面向密集用户的无人机椭圆覆盖部署方法步骤如附图1所示,具体描述如下:
步骤300,获取固定基站信息,把地面基站覆盖的用户剔除,用Welzl算法计算能覆盖所有用户的最小覆盖圆。
获得固定基站信息后,我们的算法首先把被地面基站覆盖的用户剔除出用户坐标集,然后采用Welzl算法计算能覆盖剩余所有用户的最小圆的中心点和半径。Welzl算法:先取凸包上的三个不共线的点建立一个圆,如果找不到三个点共线就取距离最远的两点作为直径建立圆,然后再对剩余的点进行遍历,每遍历到一个点都对当前的最小覆盖圆进行更新,保证所有遍历过的点都位于圆内,最终以时间复杂度O(n)获得最小覆盖圆。
步骤310,用k-means聚类算法分簇,直到所有用户簇的最小覆盖圆半径都小于椭圆长半轴最大值。
当半径大于椭圆长半轴最大值时,用k-means聚类算法将用户分为两个簇,再分别对每个簇进行上述判断和拆分,直到所有用户簇最小覆盖圆的半径都小于椭圆长半轴的最大值。此时得到了用户簇U={u1,u2,...,un},以及对应的用户簇中心点集C={c1,c2,...,cn}。将C作为无人机的初始坐标。
用户聚类算法先对用户取凸包,并选取距离凸包最小覆盖圆的圆心作为椭圆的中心。用尽可能小的椭圆覆盖用户簇是一个NP-hard问题,如果暴力检索会非常耗时,我们设计用户聚类算法就是为了给之后的椭圆覆盖算法提供椭圆的初始位置和指定需要覆盖的用户集合,从而减少计算量。获取凸包后就可以只采用组成凸包的点集进行运算,从而减少后续的计算量。在本算法中,只要距离用户簇中心最远的用户超出无人机的最远覆盖距离,用户聚类算法就会将用户簇重新聚为两类,从而保证单个用户簇至少能够被一个半径等同于无人机最远覆盖距离的圆完全覆盖。
步骤320,以最小圆中心坐标为圆心输出多个椭圆,利用随机梯度下降求解并选取面积最小的椭圆。
最小覆盖椭圆的会以之前求得的中心点坐标作为椭圆中心,求能够覆盖用户簇内所有用户的最小覆盖椭圆,最后输出多个满足覆盖条件且参数不同的椭圆。对于无人机基站m,该算法会任意选取地面覆盖椭圆的初始水平角度θm,计算当椭圆位于左右两侧临近角度时能够覆盖所有用户的最小长轴E(θm)=Am,从而得到椭圆在完全覆盖用户的情况下最小长轴与无人机水平倾角的梯度再进行随机梯度下降(Stochastic gradientdescent,SGD)求得最小时对应的Am。随机梯度下降是一种简单而有效的优化函数,相比于梯度下降法(gradient descent,GD),随机梯度下降每次迭代只采用一个训练数据对参数进行更新,从而可以更高效地获取局部最优解。仅使用随机梯度下降时的角度更新公式可以表示为其中α表示步长,其大小决定了θ长度向梯度方向的变化幅度。除此之外,为了尽可能获得全局最优解,本算法模拟了退火算法(Simulated Annealing)的思路,当角度梯度为0或符号改变时,加入随迭代轮数减小的随机变量T。于是本算法计算的椭圆角度采用以下公式进行迭代更新:
假设当前无人机用序号i表示,当迭代次数达到最大后,算法会得到当前无人机的多个局部最优解这些解的旋转角度各不相同。此时选取其中面积最小的椭圆作为该无人机的参数,写入无人机列表M={m1,m2,...,mn},并遍历地面用户,标记所有被该无人机覆盖的用户。
步骤330,对用户进行重复覆盖检测,若碰撞则用碰撞消除算法将无人机拆分。
碰撞消除算法,在求得最小覆盖椭圆,标记地面用户的过程中,进行用户重复覆盖的检测,如果发现当前无人机覆盖的用户已经被其它基站覆盖过了,则说明发生了碰撞,此时就会运行碰撞消除算法。检测到重复覆盖之后,算法会首先遍历此前记录的当前无人机局部最优解,寻找是否存在某个解可以避免重复覆盖。如果所有局部最优解都无法避免重复覆盖,算法则遍历无人机列表,根据当前生成的所有无人机的空间信息以及覆盖情况选取合适的无人机进行拆分,也就是将本应由这台无人机覆盖的用户拆分成两类,分别分配给两个新的无人机。判断的标准定义如下:
其中σθ表示当前无人机与周边相距小于2Amax的无人机连线倾角的标准差,Nuav为周边无人机的个数,a和b分别为椭圆的长短半轴,单位为米,nusr为无人机覆盖的用户数。当一个无人机周边的基站数量越少,方向越集中,覆盖的用户密度越低,总覆盖面积越大时,Sdivide越大,拆分该无人机对其它无人机的影响也越小。出现重复覆盖时,我们会分别计算重复覆盖无人机的Sdivide,并选取值最大的无人机基站进行拆分。
为了避免在拆分和合并椭圆的过程中无限循环,碰撞消除算法只会在出现用户重复覆盖时选取无人机进行拆分,不会重新合并已经拆分的无人机。所以当一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,我们就会停止迭代,输出结果,而此时的结果可能存在一些未覆盖用户和重复覆盖用户。由于以上原因,算法有较小的可能会在单次运算中得出非常糟糕的结果。为了尽可能避免这种情况,我们在算法中设置了参数Ttrial,每次进行运算时都进行Ttrial次求解并取其中的最优值。这是因为计算最小覆盖椭圆的算法存在陷入局部最优解的可能性,每次运算得出的结果可能会有不同,进行多次尝试可以有效增加。测试时Ttrial的值固定为3。
仿真结果如附图3、附图4、附图5、附图6所示。
附图3是针对同一个数据集分别采用不同算法以及不同模型的部署结果图,包括使用椭圆覆盖模型的新算法,使用圆覆盖模型的新算法,螺旋算法,k-means算法。其中左上图所示为本发明所提椭圆算法(K=1.5)给出的部署方案,右上图为即采用圆覆盖模型(本发明所提椭圆算法K=1)时椭圆算法的运算结果。左下和右下则分别展示了螺旋算法和k-means算法的仿真结果。通过上图的对比,可以看出椭圆算法得出的无人机部署方案能够有效避开固定基站,完成对用户的覆盖。同时从图像上也可以看出相比圆覆盖模型,椭圆覆盖模型可以通过调整椭圆的倾角从而进一步尝试贴合用户簇,减小无人机的总发射功率。
附图4是四种算法在不同场景条件下的无人机数量和用户重复覆盖比例,其中改变用户数量,用户簇数量,用户簇方差以及地面基站数量这四种变量。这里的用户簇数量指的是生成用户坐标时创建的用户聚类个数,用户簇方差则表示单个用户簇内所有用户坐标的方差。为了减少随机生成的数据集对结果造成的影响,我们对每组参数分别生成了100轮模拟数据进行测试。测试时圆覆盖模型和椭圆覆盖模型的最大功率设为一致。
从附图4右侧的四幅图可以看出在改变用户数量,用户簇数量,用户簇方差以及地面基站数量这四种变量的情况下,我们提出的新算法相比传统算法都能显著降低用户的重复覆盖率。这主要是因为无论是k-means算法还是螺旋算法都没有考虑重复覆盖导致的干扰问题,出现重复覆盖时不会采取任何行动,而我们的算法一旦检测到重复覆盖就会尝试通过旋转或拆分无人机基站得方式对结果进行优化。在以上进行的20组不同参数得测试中我们提出的椭圆算法都能获得更低的用户重复覆盖率,也证明了该算法的有效性和鲁棒性。
附图4左侧的四张图对比了几种部署算法所需的无人机数量,可以看出本发明提出的算法在不同的环境下所需的无人机数量都比k-means算法更少,但依旧比螺旋算法所需的无人机数量略多。为减少总功率消耗,椭圆算法会试图用尽可能少的无人机进行覆盖,只有当现有的无人机因为种种原因覆盖不了时,才会增加无人机数量,因此所需的无人机数量比k-means少。但为了降低重复覆盖率,椭圆算法常常不得不拆分一些原本能被同一个无人机覆盖的用户簇,因此需要的无人机数量略多于不考虑重复覆盖的螺旋算法。而本发明的总发射功耗会大大低于螺旋算法和k-means算法。
附图5是椭圆和圆覆盖模型在不同场景参数条件下的发射功率对比图。可以看出在不同环境下椭圆覆盖模型的总发射功率都小于圆覆盖模型,圆覆盖模型需要的总发射功率几乎是椭圆覆盖模型的1.5倍。
附图6是椭圆和圆覆盖模型在不同场景参数条件下的用户未覆盖率对比图。可以看出椭圆覆盖模型的未覆盖用户数也明显比圆覆盖模型更低,大多数情况下仅为圆覆盖模型的0.5倍。这是因为相比圆覆盖模型,椭圆可以通过调整自身的长轴方向从而更好地贴合用户群,减少功率浪费并提高用户的覆盖率。
Claims (6)
1.一种基于椭圆覆盖模型的无人机基站分流部署方法,其特征在于,包括:首先设定无人机椭圆覆盖长半轴最大值Amax,计算能覆盖所有未被地面宏站覆盖的用户的最小圆;若最小圆半径大于Amax,用k-means聚类算法将用户分为两个簇,再分别对每个簇进行上述操作,直到所有用户簇最小覆盖圆半径都小于Amax;以所有覆盖圆中心作为椭圆中心,用随机梯度下降算法求得全覆盖下椭圆面积最小时长轴的角度;在求最小覆盖椭圆的过程中,进行用户重复覆盖检测,如果当前无人机覆盖的用户重复覆盖,运行碰撞消除算法,即将当前无人机覆盖用户拆分成两个簇,用两个无人机进行覆盖;当一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,停止迭代,输出最终结果。
2.根据权利要求1所述的方法,其特征在于,获取地面固定宏基站信息,把地面基站覆盖的用户剔除,用Welzl算法计算能覆盖所有用户的最小覆盖圆;Welzl算法:先取凸包上的三个不共线的点建立一个圆,如果找不到三个点共线就取距离最远的两点作为直径建立圆,然后再对剩余的点进行遍历,每遍历到一个点都对当前的最小覆盖圆进行更新,保证所有遍历过的点都位于圆内。
3.根据权利要求1所述的方法,其特征在于,只要距离用户簇中心最远的用户超出无人机的最远覆盖距离,用户聚类算法就会将用户簇重新聚为两类,从而保证单个用户簇至少能够被一个半径等同于无人机最远覆盖距离的圆完全覆盖,最终所有用户簇最小覆盖圆半径都小于Amax。
5.根据权利要求1所述的方法,其特征在于,在求最小覆盖椭圆的过程中,进行用户重复覆盖的检测,如果发现当前无人机覆盖的用户已经被其它基站覆盖过了,首先遍历此前记录的当前无人机局部最优解,寻找是否存在某个解可以避免重复覆盖;如果所有局部最优解都无法避免重复覆盖,算法则遍历无人机列表,根据当前生成的所有无人机的空间信息以及覆盖情况选取Sdivide大的无人机进行拆分,也就是将本应由这台无人机覆盖的用户拆分成两类,分别分配给两个新的无人机,Sdivide定义如下:
其中,σθ表示当前无人机与周边相距小于2Amax的无人机连线倾角的标准差,Nuav为周边无人机的个数,a和b分别为椭圆的长短半轴,nusr为无人机覆盖的用户数。
6.根据权利要求1所述的方法,其特征在于,为了避免在拆分和合并椭圆的过程中无限循环,权利要求5中所述方法只会在出现用户重复覆盖时起作用,也不会重新合并已经拆分的无人机;所以当一个无人机既无法被拆分也无法满足用户无重叠覆盖要求时,停止迭代,输出结果,而此时的结果可能存在一些未覆盖用户和重复覆盖用户;为了尽可能避免这种情况,每次进行运算时都进行Ttrial次求解并取其中的最优值,降低陷入局部最优解的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782051.9A CN115209424B (zh) | 2022-06-30 | 2022-06-30 | 一种基于椭圆覆盖模型的无人机基站分流部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210782051.9A CN115209424B (zh) | 2022-06-30 | 2022-06-30 | 一种基于椭圆覆盖模型的无人机基站分流部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115209424A true CN115209424A (zh) | 2022-10-18 |
CN115209424B CN115209424B (zh) | 2023-12-29 |
Family
ID=83577357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210782051.9A Active CN115209424B (zh) | 2022-06-30 | 2022-06-30 | 一种基于椭圆覆盖模型的无人机基站分流部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115209424B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160112116A1 (en) * | 2014-10-16 | 2016-04-21 | Ubiqomm Llc | Unmanned aerial vehicle (uav) beam forming and pointing toward ground coverage area cells for broadband access |
KR102149617B1 (ko) * | 2019-12-16 | 2020-08-28 | 연세대학교 산학협력단 | 에너지 효율적 무인 항공기 기지국 배치 장치 및 방법 |
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 |
CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
CN112367668A (zh) * | 2020-10-30 | 2021-02-12 | 北京邮电大学 | 一种利用反射波束补充覆盖的无人机基站部署方法 |
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN114039652A (zh) * | 2021-11-24 | 2022-02-11 | 西北大学 | 基于建筑物几何分析的毫米波抗阻挡多无人机部署方法 |
WO2022032620A1 (zh) * | 2020-08-14 | 2022-02-17 | 海能达通信股份有限公司 | 一种无人机基站的部署方法、系统、设备及存储介质 |
-
2022
- 2022-06-30 CN CN202210782051.9A patent/CN115209424B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160112116A1 (en) * | 2014-10-16 | 2016-04-21 | Ubiqomm Llc | Unmanned aerial vehicle (uav) beam forming and pointing toward ground coverage area cells for broadband access |
KR102149617B1 (ko) * | 2019-12-16 | 2020-08-28 | 연세대학교 산학협력단 | 에너지 효율적 무인 항공기 기지국 배치 장치 및 방법 |
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 |
CN111970714A (zh) * | 2020-08-14 | 2020-11-20 | 北京邮电大学 | 一种面向用户分布依赖的无人机基站部署方法 |
WO2022032620A1 (zh) * | 2020-08-14 | 2022-02-17 | 海能达通信股份有限公司 | 一种无人机基站的部署方法、系统、设备及存储介质 |
CN112367668A (zh) * | 2020-10-30 | 2021-02-12 | 北京邮电大学 | 一种利用反射波束补充覆盖的无人机基站部署方法 |
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN114039652A (zh) * | 2021-11-24 | 2022-02-11 | 西北大学 | 基于建筑物几何分析的毫米波抗阻挡多无人机部署方法 |
Non-Patent Citations (3)
Title |
---|
JIAN WANG ET AL.: "Extensive Throughput Enhancement For 5G-Enabled UAV Swarm Networking", 《IEEE JOURNAL ON MINIATURIZATION FOR AIR AND SPACE SYSTEMS》 * |
JIANGHUI LIU: "Deployment Optimization of UAV-Aided Networks Through a Dynamic Tunable Model", 《IEEE COMMUNICATIONS LETTERS》 * |
张辽平: "无人机辅助通信中资源管理与部署优化研究", 《中国优秀硕士学位论文全文数据库》 工程科技II辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN115209424B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyu et al. | Network-connected UAV: 3-D system modeling and coverage performance analysis | |
CN109511134B (zh) | 基于能效最优的无人机辅助无线通信系统负载分流方法 | |
Cherif et al. | On the optimal 3D placement of a UAV base station for maximal coverage of UAV users | |
CN108242961B (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
Gong et al. | A similarity-based multiobjective evolutionary algorithm for deployment optimization of near space communication system | |
CN111510933A (zh) | 一种多定向天线的自组网分簇方法 | |
Yang et al. | Modeling and analysis of HetNets with interference management using Poisson cluster process | |
Gulfam et al. | On the spatial characterization of 3-D air-to-ground radio communication channels | |
CN112672376A (zh) | 一种无人机辅助蜂窝网络中无人机部署方法 | |
CN110868734B (zh) | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 | |
CN109600756B (zh) | 一种基于最大度优先染色算法的物理小区识别分配方法 | |
Lee et al. | Coverage analysis of LEO satellite downlink networks: Orbit geometry dependent approach | |
He et al. | Machine learning based network planning in drone aided emergency communications | |
Baltzis | A Simplified Geometric Channel Model for Mobile-to-Mobile Communications. | |
CN102035588A (zh) | 基于角度信息的发射多播赋形方法及系统 | |
CN115209424A (zh) | 一种基于椭圆覆盖模型的无人机基站分流部署方法 | |
Yu et al. | Energy harvesting personal cells-traffic offloading and network throughput | |
CN116388837A (zh) | 基于毫米波的全双工无人机中继通信系统资源分配方法 | |
CN113395709B (zh) | 一种面向用户基站泊松分布的服务覆盖分析方法 | |
Nikooroo et al. | Optimization of transmission power for NOMA in networks with flying base stations | |
Gu et al. | Optimization of spectrum efficiency in UAV cognitive communication network based on trajectory planning | |
Dai et al. | K-means clustering-aided dynamic multi-cell optimization algorithm for HAPS | |
Yamada et al. | Machine learning-based primary exclusive region update for database-driven spectrum sharing | |
CN103702410A (zh) | 目标定位的方法、装置和系统 | |
Bi et al. | Deep reinforcement learning for IRS-assisted UAV covert communications |
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 |