CN115334543A - 一种基于多无人机的数据收集模型优化方法 - Google Patents
一种基于多无人机的数据收集模型优化方法 Download PDFInfo
- Publication number
- CN115334543A CN115334543A CN202210876491.0A CN202210876491A CN115334543A CN 115334543 A CN115334543 A CN 115334543A CN 202210876491 A CN202210876491 A CN 202210876491A CN 115334543 A CN115334543 A CN 115334543A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- ground node
- representing
- 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
- 238000013480 data collection Methods 0.000 title claims abstract description 115
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 159
- 238000005265 energy consumption Methods 0.000 claims abstract description 117
- 230000008569 process Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011480 coordinate descent method Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
- H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- 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)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于多无人机的数据收集模型优化方法。本发明首先提出了基于多架无人机且能耗受限的数据收集模型。特别的,本发明考虑了多节点多无人机之间的数据传输与信道干扰模型,同时考虑了地面节点数据传输能耗与无人机飞行能耗模型。而后提出了以最大化多无人机收集到的地面节点的最小数据量为目标的联合轨迹、数据传输规划与时间的优化问题。最后针对这个优化问题,本发明将其分解为三个部分的子问题,之后提出相应的联合迭代优化方案以获得该优化问题的最优无人机轨迹、功率与数据传输方案,同时得到了从地面节点收集的最优最小数据量。并通过实施例证明了方案的有效性和优越性。
Description
技术领域
本发明属于无人机通信领域,尤其涉及一种基于多无人机的数据收集模型优化方法。
背景技术
无人机通信领域中,部署无人机进行数据收集是一个重要的应用方向。在广袤地域上部署无人机来收集间距较远的地面节点上的数据能够显著提高数据收集的性能表现。一方面,利用无人机优良的移动性,能够高效地收集地面传感器和节点的数据。另一方面,部署无人机使得大范围多节点的数据收集变得可行。但受有限电池容量的约束,无人机无法长时间提供稳定可靠的数据收集服务。因此,需要对无人机与地面节点相关的参数变量进行合理的优化,来提高无人机飞行时间,以此来提高无人机在进行数据收集任务时的任务指标。
无人机与地面节点之间的数据传输规划是一个影响数据收集量的重要因素。目前发明的主要问题之一是在某一个时刻哪一架无人机去收集哪一个地面节点的数据。一般而言,每个地面节点的数据都应尽可能多的去收集,因此数据传输规划需要根据无人机距离节点的距离、数据传输的功率来确定。
无人机轨迹是另一个影响数据收集量的重要因素。一般而言,根据香浓定理,无人机距离地面节点的距离越短,无人机收集数据的速度就越快。同时,多架无人机同时在同一个区域内的天空中飞行,也需要考虑到每架无人机彼此之间的防碰撞问题,也即在同一时刻,无人机之间的距离需要大于一个设定的最小安全距离。
数据的传输功率也极大的影响了无人机从地面节点收集到的数据量。在一般条件下,传输功率当然是越大越好,但在本发明中,多架无人机在同时收集地面节点的数据,因此它们彼此间会产生信道干扰,此干扰可以用信号加干扰信噪比(Signal toInterference plus Noise Ratio,SINR)表示。在此条件下,当无人机距离相隔不远时,过大的传输功率反而会造成数据收集速率减小,因此整个任务过程中,需要根据实时的无人机位置与此时的数据传输规划,来对数据传输功率进行优化,以达到更多的数据收集量。
发明内容
本发明提供了一种基于多无人机且在能耗受限条件下的数据收集模型轨迹、功率与传输规划优化方法,以解决在多无人机能耗受限的条件下尽可能提高从每个地面节点收集数据量的问题。
为解决以上问题,本发明首先提供了一种基于多无人机且在能耗受限条件下的数据收集模型。本发明还提供了构成上述模型的子模型设置,包括多无人机基础模型、数据收集模型以及系统能耗模型。
基于以上模型,提出了通过共同优化多无人机轨迹、数据传输和数据收集时间来最大化多无人机从每个地面节点收集的最小数据量问题。无人机轨迹、任务时间与数据传输相关参数具有很强的耦合关系,共同优化它们能取得更优的决策方案。
本发明的技术方案为一种基于多无人机的数据收集模型优化方法,具体步骤如下:
步骤1:引入多个地面节点位置以及多无人机轨迹模型,进一步构建每架无人机轨迹的约束条件,并构建时间离散化序列;
步骤2:构建每个地面节点传输功率变量的约束条件;
步骤3:构建每架无人机与每个地面节点之间的信道功率增益模型,构建每架无人机收集每个地面节点数据的信号与干扰加噪声比模型;
步骤4:构建每架无人机与每个地面节点之间的数据传输规划模型的约束条件;
步骤5:构建整个数据收集过程中每个地面节点的总数据量约束条件;
步骤6:构建每架无人机飞行能耗模型,进一步构建多架无人机飞行能耗模型;
步骤7:构建多个地面节点传输数据的总能耗模型;
步骤8:根据多无人机轨迹模型构建多无人机轨迹约束条件;根据节点传输功率模型构建传输功率约束条件;将无人机收集每个地面节点数据的信号与干扰加噪声比模型与数据传输规划模型一同构建数据收集约束条件;将无人机飞行能耗模型与节点传输数据的总能耗模型构建系统能耗约束条件;将收集节点的最小数据量最大化作为优化目标,通过联合优化算法优化每架无人机的轨迹、每架无人机的数据传输规划、每架无人机的节点传输功率与每架无人机的数据收集时间,得到优化后每架无人机的轨迹、优化后每架无人机的数据传输规划、优化后每架无人机的节点传输功率、优化后每架无人机的数据收集时间;
作为优选,步骤1中所述多个地面节点位置表示为:
gk=(xk,yk)T,k=1,…,K
其中,gk表示第k个地面节点的水平位置,xk表示第k个地面节点的横坐标,yk表示第k个地面节点的纵坐标,K表示地面节点的数量;
步骤1中所述多无人机轨迹模型表示为:
qu[n]=(xu[n],yu[n])T,n=1,…,N-1,u=1,…,U
其中,qu[n]表示第n个时隙时第u架无人机的轨迹位置,xu[n]表示第n个时隙时第u架无人机的轨迹位置的横坐标,yu[n]表示第n个时隙时第u架无人机的轨迹位置的纵坐标,N-1表示时隙的数量,U表示无人机的数量;
多架无人机的飞行高度均为H;
步骤1中所述每架无人机轨迹模型的约束条件为:
qu[1]=qu[N],u=1,…,U
步骤1所述构建时间离散化序列,具体为:
Tf为无人机完成数据收集时间,每架无人机完成数据收集的时间相同,均为Tf;对其进行离散化处理,将Tf平均分为N-1个时隙,即Tf=(N-1)δ,δ为每一个时隙的时间长度;
作为优选,步骤2所述每个地面节点传输功率模型中变量的约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
其中,Pmax为地面节点的最大数据传输功率,pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量,K表示地面节点的数量,N-1表示时隙的数量;
作为优选,步骤3所述每架无人机与每个地面节点之间的信道功率增益模型为:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
其中,β0表示在参考距离d=1m时候的信道增益,hu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信道功率增益;du,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的距离,无人机与地面节点的距离为无人机的飞行高度为H,且每架无人机飞行高度均为H,K表示地面节点的数量,N-1表示时隙的数量,U表示无人机的数量;
步骤3所述每架无人机收集每个地面节点数据的信号与干扰加噪声比模型为:
其中,γu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信号与干扰加噪声比,σ2表示环境中的高斯白噪声;pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量;
作为优选,步骤4构建每架无人机与每个地面节点之间的数据传输规划约束条件具体为,bu,k[n]=1表示第n个时隙第u架无人机与第k个地面节点之间正在收集数据,bu,k[n]=0表示第n个时隙第u架无人机与第k个地面节点之间没有收集数据;
bu,k[n]满足以下限制:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
其中,bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;以上限制条件表示在同一个时隙n时,一架无人机只能收集一个地面节点的数据,并且一个地面节点只能向一架无人机发送数据,K表示地面节点的数量,N-1表示时隙的数量,U表示无人机的数量;
作为优选,步骤5所述构建整个数据收集过程中每个地面节点的总数据量约束条件,具体为:
Jk≥μ
k=1,…,K
其中,Jk表示整个数据收集过程中第k个地面节点的总数据量,B表示信道带宽,μ表示无人机从所有节点中收集数据的最小数据收集量,δ表示时隙长度,γu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信号与干扰加噪声比,K表示地面节点的数量,N-1表示时隙的数量,U表示无人机的数量,bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;
作为优选,步骤6所述每架无人机飞行能耗模型为:
其中,Eu,uav表示第u架无人机的飞行能耗,N-1表示时隙的数量,P0表示悬停状态下的感应功率,Utip表示转子叶片的叶尖速度,Δqu表示在一个时隙内第u架无人机所移动的距离,d0是转子的机身阻力比,ρ表示空气密度,s是转子的坚固度和,A表示转子桨叶面积,Pi表示悬停状态下的叶片轮廓功率,δ表示时隙长度,v0表示悬停时平均转子感应速度;
步骤6所述多架无人机飞行能耗模型为:
其中,U表示无人机的数量,EU表示所有无人机的飞行能耗总和,Eu,uav表示第u架无人机的飞行能耗;
作为优选,步骤7所述多个地面节点传输数据的总能耗模型为
其中,EGN表示整个数据收集过程中所有地面节点发送数据的总能耗;δ表示时隙长度;bu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的数据传输规划;pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量,K表示地面节点的数量,N-1表示时隙的数量,U表示无人机的数量;
作为优选,步骤8所述多无人机轨迹约束条件,具体为:
步骤8所述多无人机轨迹约束条件,具体为:
qu[1]=qu[N],u=1,…,U
步骤8所述传输功率约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
步骤8所述数据收集约束条件,具体为:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
Jk≥μ
k=1,…,K
步骤8所述系统能耗约束条件,具体为:
EU+EGN≤Eε
其中,Eε表示整个数据收集系统的能耗上限;EGN表示整个数据收集过程中所有地面节点发送数据的总能耗;EU表示所有无人机的飞行能耗总和。
步骤8所述优化目标,具体为:
其中,γu,k[n]表示在第n个时隙时无人机u与节点k之间的信号加干扰信噪比;B表示信道带宽;δ表示时隙长度;bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;N-1表示时隙数量;U表示无人机数量。
整个优化问题表示为:
s.t.C1:EU+EGN≤Eε
C6:‖qu[n+1]-qu[n]‖2≤Dmax,n=1,…,N-1
C8:qu[1]=qu[N]
其中,Eε表示整个数据收集系统的能耗上限,C1表示多无人机的总能耗与地面节点传输数据的总能耗之和不能超过Eε,EU表示多架无人机的总飞行能耗,EGN表示地面节点传输数据的总能耗。C2为目标函数收集最小数据量的限制条件,N-1表示时隙数量,U表示无人机数量,δ表示时隙长度,bu,k表示无人机u与节点k之间的数据传输规划,Ru,k[n]表示在第n个时隙时无人机u收集节点k数据时的数据传输速率,μ表示收集节点的最小数据量。C3~C5为数据传输规划的限制条件,在同一时刻,一架无人机只能接收一个节点的数据且一个节点只能向一架无人机发送数据,bu,k表示无人机u与节点k之间的数据传输规划。C6~C8为多无人机轨迹的限制条件,qu[n]表示无人机u在第n个时隙时的位置。C6表示无人机移动速度不能超过其最大值,Dmax表示无人机在一个时隙内能够移动的最大距离,C7表示不同无人机间距离也要大于设定的最小值,ds表示任意两架无人机之间的最小距离,C8表示每架无人机的沿着闭环轨迹飞行,因此无人机轨迹结束点与起始点重合。C9为数据传输功率的限制条件,pk表示节点k的数据传输功率,Pmax表示节点的最大数据传输功率。
数据传输规划bu,k[n]是一个二值变量,且C1、C2、C7左边均为非凸;
步骤8所述通过联合优化算法优化,具体步骤为:
步骤8.1:在给定其他参数变量的情况下,使用线性规划方法与连续凸逼近技术分别求出此时的其中表示在第m次迭代时第n个时隙内无人机u与地面节点k的数据传输规划,pk m[n]表示在第m次迭代时第n个时隙内地面节点k的数据传输功率;上标m表示此时为第m次迭代;
步骤8.2:根据步骤8.1中与给定时隙长度δm的情况下,通过引入松弛变量简化无人机能耗模型,并使用以坐标下降法与连续凸逼近技术为核心思想的迭代算法,求得最优{qu m[n]},表示为第m次迭代时第n个时隙内无人机u的轨迹位置;上标m表示此时为第m次迭代;
步骤8.3:根据步骤8.1中与步骤8.2中{qu m[n]}的情况下,在通过松弛变量近似能耗模型后,使用以连续凸逼近技术为核心思想的迭代算法,求得第m次迭代时的最优时隙长度δm;上标m表示此时为第m次迭代;
步骤8.4:重复步骤8.1、步骤8.2和步骤8.3直到两次目标函数μ的差值小于一个极小值此时目标函数μ求得最优值,用μp表示;也得到最终的数据传输规划{bu,k[n]},节点数据传输功率{pk[n]},多无人机轨迹{qu[n]}与最优时隙长度δp;
步骤8.5:通过时隙长度δm求出最优无人机完成数据收集时间Tf,即可得到优化问题的解{μp,{bu,k[n]},{pk[n]},{qu[n]},Tf};μp表示最终的目标函数最优值,含义为经过此方法优化后无人机收集到的地面节点数据的最小值;{bu,k[n]}表示此时对应的数据传输规划;{pk[n]}表示此时对应的节点数据传输功率;{qu[n]}表示此时对应的多无人机轨迹;Tf表示此时对应的无人机完成数据收集的时间。
本发明具有以下技术效果:
本发明提出了在系统能耗受限的条件下,基于多无人机的数据收集系统模型,并联合优化数据传输规划、数据传输功率、多无人机轨迹与任务时间等参数变量,实现了最大化无人机从地面节点收集到的最小数据量。在有限能量条件下,提升了多无人机收集地面节点数据的性能表现,提高了能量利用率。
本发明提出了一个考虑以上情景的优化问题,并发现此问题是一个混合非线性整数规划问题。然后,提出把此问题分解为多个子问题的分解方案,分别使用凸优化与非凸优化技术求得这些子问题的最优解,最终提出低复杂度的迭代算法解决原始问题。
附图说明
图1:为本发明提供的一种基于多无人机的数据收集系统示意图;
图2:为本发明实施例提供的地面节点数据传输规划示意图。
图3:为本发明实施例提供的两架无人机时接收数据功率变化情况。
图4:为本发明实施例提供的不同能耗下多无人机轨迹对比图。
图5:为本发明实施例提供的无人机完成任务时间随能耗变化的对比图。
图6:为本发明实施例提供的节点最小数据收集量随能耗变化的对比图。
图7:为本发明实施例提供的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
下面结合图1至图7介绍本发明实施例提供的一种基于多无人机的数据收集模型优化方法,具体如下:
步骤1:引入多个地面节点位置以及多无人机轨迹模型,进一步构建每架无人机轨迹的约束条件,并构建时间离散化序列;
步骤1中所述多个地面节点位置表示为:
gk=(xk,yk)T,k=1,…,K
其中,gk表示第k个地面节点的水平位置,xk表示第k个地面节点的横坐标,yk表示第k个地面节点的纵坐标,K=60表示地面节点的数量;
步骤1中所述多无人机轨迹模型表示为:
qu[n]=(xu[n],yu[n])T,n=1,…,N-1,u=1,…,U
其中,qu[n]表示第n个时隙时第u架无人机的轨迹位置,xu[n]表示第n个时隙时第u架无人机的轨迹位置的横坐标,yu[n]表示第n个时隙时第u架无人机的轨迹位置的纵坐标,N-1=200表示时隙的数量,U=3表示无人机的数量;
多架无人机的飞行高度均为H=100m;
步骤1中所述每架无人机轨迹模型的约束条件为:
qu[1]=qu[N],u=1,…,U
步骤1所述构建时间离散化序列,具体为:
Tf为无人机完成数据收集时间,每架无人机完成数据收集的时间相同,均为Tf;对其进行离散化处理,将Tf平均分为N-1个时隙,即Tf=(N-1)δ,δ为每一个时隙的时间长度;
步骤2:构建每个地面节点传输功率变量的约束条件;
步骤2所述每个地面节点传输功率模型中变量的约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
其中,Pmax=100mW为地面节点的最大数据传输功率,pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量,K=60表示地面节点的数量,N-1=200表示时隙的数量;
步骤3:构建每架无人机与每个地面节点之间的信道功率增益模型,构建每架无人机收集每个地面节点数据的信号与干扰加噪声比模型;
步骤3所述每架无人机与每个地面节点之间的信道功率增益模型为:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
其中,β0=-60dBm表示在参考距离d=1m时候的信道增益,hu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信道功率增益;du,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的距离,无人机与地面节点的距离为无人机的飞行高度为H,且每架无人机飞行高度均为H=100m,K=60表示地面节点的数量,N-1=200表示时隙的数量,U表示无人机的数量;
步骤3所述每架无人机收集每个地面节点数据的信号与干扰加噪声比模型为:
其中,γu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信号与干扰加噪声比,σ2=-110dBm表示环境中的高斯白噪声;pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量;
步骤4:构建每架无人机与每个地面节点之间的数据传输规划模型的约束条件;
步骤4构建每架无人机与每个地面节点之间的数据传输规划约束条件具体为,bu,k[n]=1表示第n个时隙第u架无人机与第k个地面节点之间正在收集数据,bu,k[n]=0表示第n个时隙第u架无人机与第k个地面节点之间没有收集数据;
bu,k[n]满足以下限制:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
其中,bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;以上限制条件表示在同一个时隙n时,一架无人机只能收集一个地面节点的数据,并且一个地面节点只能向一架无人机发送数据,K=60表示地面节点的数量,N-1=200表示时隙的数量,U=3表示无人机的数量;
步骤5:构建整个数据收集过程中每个地面节点的总数据量约束条件;
步骤5所述构建整个数据收集过程中每个地面节点的总数据量约束条件,具体为:
Jk≥μ
k=1,…,K
其中,Jk表示整个数据收集过程中第k个地面节点的总数据量,B=1MHz表示信道带宽,μ表示无人机从所有节点中收集数据的最小数据收集量,δ表示时隙长度,γu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信号与干扰加噪声比,K=60表示地面节点的数量,N-1=200表示时隙的数量,U=3表示无人机的数量,bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;
步骤6:构建每架无人机飞行能耗模型,进一步构建多架无人机飞行能耗模型;
步骤6所述每架无人机飞行能耗模型为:
其中,Eu,uav表示第u架无人机的飞行能耗,N-1表示时隙的数量,P0=79.86W表示悬停状态下的感应功率,Utip=120m/s表示转子叶片的叶尖速度,Δqu表示在一个时隙内第u架无人机所移动的距离,d0=0.6是转子的机身阻力比,ρ=1.225kg/m3表示空气密度,s=0.05是转子的坚固度和,A=0.503m2表示转子桨叶面积,Pi=88.63W表示悬停状态下的叶片轮廓功率,δ表示时隙长度,v0=4.03m/s表示悬停时平均转子感应速度;
步骤6所述多架无人机飞行能耗模型为:
其中,U=3表示无人机的数量,EU表示所有无人机的飞行能耗总和,Eu,uav表示第u架无人机的飞行能耗;
步骤7:构建多个地面节点传输数据的总能耗模型;
步骤7所述多个地面节点传输数据的总能耗模型为
其中,EGN表示整个数据收集过程中所有地面节点发送数据的总能耗;δ表示时隙长度;bu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的数据传输规划;pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量,K=60表示地面节点的数量,N-1=200表示时隙的数量,U=3表示无人机的数量;
步骤8:根据多无人机轨迹模型构建多无人机轨迹约束条件;根据节点传输功率模型构建传输功率约束条件;将无人机收集每个地面节点数据的信号与干扰加噪声比模型与数据传输规划模型一同构建数据收集约束条件;将无人机飞行能耗模型与节点传输数据的总能耗模型构建系统能耗约束条件;将收集节点的最小数据量最大化作为优化目标,通过联合优化算法优化每架无人机的轨迹、每架无人机的数据传输规划、每架无人机的节点传输功率与每架无人机的数据收集时间,得到优化后每架无人机的轨迹、优化后每架无人机的数据传输规划、优化后每架无人机的节点传输功率、优化后每架无人机的数据收集时间;
步骤8所述多无人机轨迹约束条件,具体为:
步骤8所述多无人机轨迹约束条件,具体为:
qu[1]=qu[N],u=1,…,U
步骤8所述传输功率约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
步骤8所述数据收集约束条件,具体为:
n=1,…,N-1,
k=1,…,K,
u=1,…,U
Jk≥μ
k=1,…,K
步骤8所述系统能耗约束条件,具体为:
EU+EGN≤Eε
其中,Eε表示整个数据收集系统的能耗上限;EGN表示整个数据收集过程中所有地面节点发送数据的总能耗;EU表示所有无人机的飞行能耗总和。
步骤8所述优化目标,具体为:
其中,γu,k[n]表示在第n个时隙时无人机u与节点k之间的信号加干扰信噪比;B表示信道带宽;δ表示时隙长度;bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;N-1表示时隙数量;U表示无人机数量。
整个优化问题表示为:
s.t.C1:EU+EGN≤Eε
C6:‖qu[n+1]-qu[n]‖2≤Dmax,n=1,…,N-1
C8:qu[1]=qu[N]
其中,Eε表示整个数据收集系统的能耗上限,C1表示多无人机的总能耗与地面节点传输数据的总能耗之和不能超过Eε,EU表示多架无人机的总飞行能耗,EGN表示地面节点传输数据的总能耗。C2为目标函数收集最小数据量的限制条件,N-1=200表示时隙数量,U=3表示无人机数量,δ表示时隙长度,bu,k表示无人机u与节点k之间的数据传输规划,Ru,k[n]表示在第n个时隙时无人机u收集节点k数据时的数据传输速率,μ表示收集节点的最小数据量。C3~C5为数据传输规划的限制条件,在同一时刻,一架无人机只能接收一个节点的数据且一个节点只能向一架无人机发送数据,bu,k表示无人机u与节点k之间的数据传输规划。C6~C8为多无人机轨迹的限制条件,qu[n]表示无人机u在第n个时隙时的位置。C6表示无人机移动速度不能超过其最大值,Dmax表示无人机在一个时隙内能够移动的最大距离,C7表示不同无人机间距离也要大于设定的最小值,ds表示任意两架无人机之间的最小距离,C8表示每架无人机的沿着闭环轨迹飞行,因此无人机轨迹结束点与起始点重合。C9为数据传输功率的限制条件,pk表示节点k的数据传输功率,Pmax=100mW表示节点的最大数据传输功率。
数据传输规划bu,k[n]是一个二值变量,且C1、C2、C7左边均为非凸;
步骤8所述通过联合优化算法优化,具体步骤为:
步骤8.1:在给定其他参数变量的情况下,使用线性规划方法与连续凸逼近技术分别求出此时的其中表示在第m次迭代时第n个时隙内无人机u与地面节点k的数据传输规划,pk m[n]表示在第m次迭代时第n个时隙内地面节点k的数据传输功率;上标m表示此时为第m次迭代;
步骤8.2:根据步骤8.1中与给定时隙长度δm的情况下,通过引入松弛变量简化无人机能耗模型,并使用以坐标下降法与连续凸逼近技术为核心思想的迭代算法,求得最优{qu m[n]},表示为第m次迭代时第n个时隙内无人机u的轨迹位置;上标m表示此时为第m次迭代;
步骤8.3:根据步骤8.1中与步骤8.2中{qu m[n]}的情况下,在通过松弛变量近似能耗模型后,使用以连续凸逼近技术为核心思想的迭代算法,求得第m次迭代时的最优时隙长度δm;上标m表示此时为第m次迭代;
步骤8.4:重复步骤8.1、步骤8.2和步骤8.3直到两次目标函数μ的差值小于一个极小值此时目标函数μ求得最优值,用μp表示;也得到最终的数据传输规划{bu,k[n]},节点数据传输功率{pk[n]},多无人机轨迹{qu[n]}与最优时隙长度δp;
步骤8.5:通过时隙长度δm求出最优无人机完成数据收集时间Tf,即可得到优化问题的解{μp,{bu,k[n]},{pk[n]},{qu[n]},Tf};μp表示最终的目标函数最优值,含义为经过此方法优化后无人机收集到的地面节点数据的最小值;{bu,k[n]}表示此时对应的数据传输规划;{pk[n]}表示此时对应的节点数据传输功率;{qu[n]}表示此时对应的多无人机轨迹;Tf表示此时对应的无人机完成数据收集的时间。
为了证明本发明中提出算法的优越性考虑与以下几种方案进行对比
数据传输规划与传输功率优化对比:在按照步骤8.2得出数据传说规划与数据传输功率后,对比地面节点数量不同时的数据传输规划情况;对比本实施例带有传输功率优化的方案与不进行传输功率优化的方案,比较两者对应的无人机从地面节点收集到最小数据量的最大值μ。
不同轨迹对比:在按照步骤8.3得出多无人机优化轨迹后,对比本实施例提出的无人机轨迹优化方案以及无人机悬停轨迹方案与无人机圆形轨迹方案,测试了3架无人机60个地面节点的情况。
任务时间与收集数据量对比:在按照步骤8.4得出时隙长度与任务时间后,对比本实施例所提出的方案与基准方案下的多无人机完成数据收集任务时间Tf与优化目标最小数据收集量μ,最能说明本实施例所提出的方法的优越性。
在本实施例中,随机设置多个地面节点随机的分布在在2000m×2000m的大范围正方形区域内,同时设置多架无人机也在此范围内飞行并收集所有地面节点的数据。无人机的飞行高度H=100m。给定停止迭代的精度设置时隙长度初始值δ0=1s。其余参数具体设置如表1。
表1仿真参数表
数据传输规划测试结果及对比分析。
本实验比较了在地面节点数较少与较多两种情况下所得出的数据传输规划方案。图2展示了两种不同节点数量情况下各自的数据传输规划方案,图2(a)展示的是地面节点数为3个的情况下数据传输规划方案,图2(b)展示的是地面节点数为20个的情况下数据传输规划方案。
观察可发现,图2(a)中在整个任务时间内,无人机依次收集前三个地面节点的数据,但是收集每个地面节点数据的时间各不相同,收集有的节点的时间短一些,而收集另外两个地面节点数据的时间要长一些。由于整个系统的能耗约束Eε并不很大,当前的能量限制使得无人机无法足够靠近地面节点或者是飞行到节点正上方,无人机只能尽量的在能耗约束范围内靠近地面节点,提升传输速度。距离无人机轨迹更近的节点向无人机发送数据的速率更快,所以无人机花费的收集此节点数据的时间就更少,而距离无人机轨迹更远的节点,传输数据的速率更慢,无人机就需要花费更多的时间来收集数据。
图2(b)所示为地面节点增加到20个时候的数据传输规划方案,此时可以看出传输时间更长的节点距离无人机更远,距离无人机轨迹更近的节点传输数据的时间则更短,这与图2(a)中节点较少时得出的规律是一样的。
数据传输功率测试结果及分析
本实验中,由于在同一时间有多个地面节点在向多架无人机发送数据,地面节点彼此信道便会造成干扰,因此必须对各个地面节点的传输功率进行实时控制,以达到在同一时刻系统中干扰最小且传输速度最快的效果。的为了便于展示无人机接收功率的变化情况,本实验使用2架无人机与6个地面节点进行测试。
图3(a)则展示了使用数据传输功率优化时2架无人机接收地面节点传输数据的功率变化情况。当2架无人机相距较远时,数据传输功率都是最大的,这样可以提高数据传输速度,例如,两架无人机的距离比较远时,此时数据传输功率保持最大。然而,当两架无人机非常接近时,地面节点数据的发射功率会降低,甚至会降低到0以避免产生严重的信道干扰,使得数据收集速度变得太慢,例如两架无人机的距离很近且还在彼此靠近中,此时向其中一架无人机传输数据的功率会大幅降低,防止对另一架无人机收集数据的干扰。
为了展示数据传输优化所带来的性能增益,图3(b)通过对比展示了是否使用数据传输功率两种情况下,无人机收集到的地面节点数据量最小值随着能耗约束Eε的变化情况,可以得出以下结论:
首先两种优化方案下都如预期一样,优化目标μ随着能耗约束的变大而增加,且能耗约束较小时增加的速度更快,这是因为随着能耗约束的变大的增加,无人机轨迹覆盖面积更大,地面节点与无人机轨迹之间的距离正在缩短,因此μ的值增加得更快。当Eε≥140kJ时,μ的值近似线性增加。这是因为无人机轨迹与地面节点的最小距离不再变化,此时μ的增加只取决于数据收集时间的增加。
其次,在不同的能耗约束下,使用数据传输功率优化时多无人机收集到地面节点的最小数据量相比未使用数据传输功率优化时,提升幅度在5%~15%之间。证明数据传输功率优化算法的使用不仅能够使得多无人机在选择飞行轨迹时更加平直,减少飞行能耗,也能够提升无人机收集到地面节点的最小数据量μ。
多无人机轨迹优化方案测试结果及对比分析
本实验中,为了测试算法在多无人机与更多地面节点时的性能表现,在系统内部署3架无人机与60个地面节点,并对比不同轨迹优化算法实现的多无人机轨迹以及对优化目标μ的影响。
图4(a)展示了部署3无人机60节点系统内,系统能耗约束为Eε=120kJ的情况下,提出的无人机优化轨迹与基准悬停轨迹和圆形轨迹的对比。图中的3个圆形为基础的圆形轨迹,其轨迹的圆心为对应节点的几何中心,半径与节点与圆心的距离相关,在整个任务时间内无人机沿着圆形轨迹飞行收集数据;图中的黑点则为无人机悬停轨迹的位置,无人机在整个任务时间内,悬停在此位置收集地面节点的数据。此时给定的能耗约束也并不大,不足以让3架无人机都能够飞往每个节点正上方传输数据,但是此时提出的优化轨迹在有限能量内尽量的靠近更远的节点,获取更高的传输速度,以达到每个节点更多的数据收集量。此时多无人机数据收集系统收集的地面节点最小数据量μ=63.17bit。
给定的能耗约束足够大时,图4(b)展示了在系统能耗约束为Eε=300kJ时,不同轨迹优化算法下实现的无人机轨迹。观察可以发现,在能耗约束足够大(Eε=300kJ)的时候,本发明所提出的轨迹联合优化算法方案可以使得每架无人机以直线依次飞往每个节点正上方收集数据,此时无人机与节点距离最短,数据收集速率最快,因此可以从每个节点收集到更多的数据。此时多无人机系统最大能达到的收集地面节点最小数据量为μ=220.51bit,说明此时在边界内取得了最优值。此外,对比图4(a)在能耗为120kJ下实现了63.17bit的数据收集量,说明在能耗越大的情况下,多无人机的轨迹能够更加靠近地面节点,也能使得收集地面节点最小数据量提升幅度更大。以上实验结果与分析说明本发明提出的联合优化方案能够得出多无人机的最佳优化轨迹,提升数据收集性能表现。
数据收集任务时间测试结果与对比分析
本实验展示了另外一个对于多无人机数据收集系统十分重要的指标——数据收集时间。为了说明不同无人机数量与不同地面节点数量下的数据收集时间,因此本实验分别设置了2架无人机6节点的情况与3架无人机60个节点的情况。
图5(a)中为部署2架无人机6个地面节点时,2架无人机下的三种轨迹策略与单无人机下的数据收集时间对比。观察发现,此情况下多无人机三种轨迹优化策略与单无人机所对应数据收集时间都随着能耗约束的增加而增大;圆形轨迹与悬停轨迹所对应的数据收集时间与能耗约束几乎是成正比的,呈线性增长。多无人机的三种轨迹策略在能耗约束较小时完成数据收集的时间总体来说比较相近,这是因为能耗约束太小时,三种轨迹下无人机飞行的路程都很短,覆盖的面积都很小,轨迹比较类似,此时无人机在不同轨迹下的单位时间能耗差距不大,因此整个数据收集任务时间比较一致。而当能耗约束足够大时,本发明提出的联合轨迹优化方案可以使得无人机更加靠近每个节点,飞行轨迹的路程更长,覆盖面更广,无人机速度也更快,单位时间能耗更多,因此对应的能耗约束下数据收集时间便是最短的。
2架无人机对比单架无人机可以发现,2架无人机系统比单架无人机系统在同一能耗约束下可以节约50%左右的时间,证明了多无人机在完成数据收集任务时节省时间上对比单无人机的巨大优势。
图5(b)则展示了部署3架无人机与60个节点时,多无人机下的三种轨迹策略与单无人机下的数据收集时间对比。可以发现多无人机多节点时,数据收集时间的变化趋势与图5(a)所反映的趋势比较一致,都随着能耗约束的增加而增大。且在3架无人机60个节点时,本章提出的联合优化轨迹完成数据收集的时间总体上来说均少于基准的圆形轨迹与悬停轨迹。3架无人机对比单架无人机,单无人机所需时间约为3无人机的3倍,因此在执行数据收集任务时,3无人机比起单无人机能够节约大概66.67%的时间。这进一步说明了部署多无人机的数据系统在节约数据收集时间上对于单无人机系统的优越性,也说明了本发明提出的联合优化迭代方案能够在多无人机时大大减少数据收集任务时间。
最小数据收集量测试结果及分析对比
作为优化目标,无人机收集的地面节点的最小数据量μ才能反映整个优化方案的成效,图6(a)与图6(b)展示了多无人机的三种轨迹与单无人机的情况下,在不同能耗约束下无人机所收集到的地面节点的最小数据量μ的变化情况,从而验证本发明提出方案的优越性。
图6(a)为系统部署2无人机6节点时收集节点的最小数据量μ随能耗约束变化情况。观察可以发现提出的联合迭代优化方案从地面节点收集到的最小数据量μ明显大于另外三种方案。随着能耗约束Eε的增加,四种不同轨迹下无人机从地面节点收集的最小数据量μ也增加。对于提出的联合迭代优化方案,当Eε≤140kJ时,随着数据采集时间的增加,节点与无人机轨迹之间的距离正在缩短,因此μ的值增加得更快。当Eε≥140kJ时,μ的值近似线性增加。这是因为此时能耗约束已足够大,可以使得无人机到达每个节点的正上方收集数据,若此时能耗约束继续增加,无人机与节点的最小距离不会再变化,只会使得无人机悬停在节点正上方的时间增加,因此最小数据收集量μ此时仅仅随着时间的增长而增加,变呈现出线性增长的趋势。
2架无人机对比单无人机情况,提出的联合迭代优化方案将从地面节点收集到的最小数据量μ最高可提升25%以上,总体而言提升了15%左右;对比圆形轨迹与悬停轨迹,联合迭代优化方案收集到的最小数据量则远远大于这两者。
图6(b)则展示了系统部署3架无人机来收集60个地面节点数据的情况下收集的节点最小数据量μ随能耗约束的变化情况。其各个轨迹优化算法实现的节点最小数据收集量μ随能耗约束变化的趋势与图6(a)中的大致相同。在给定的能耗约束较小时,提出的联合迭代优化方案能够实现更快的最小数据收集量μ增长率;在能耗约束较大时,提出的方案下最小数据收集量μ也呈近似线性增长。对比基准的圆形轨迹与悬停轨迹,实现的最小数据收集量μ优势明显。
3架无人机对比单无人机情况,在地面节点也增长为60个的情况下,提出的联合迭代优化方案将收集的节点最小数据量μ整体提升了18%左右,最高时则可达30%以上。
因此,结合图6(a)与图6(b),本发明所提出的联合迭代优化方案在最大化收集的地面节点最小数据量方面对比基准方案优势明显,对比单无人机情况也有相当程度的提升,而且大大减小了数据收集时间。在相同约束下,提出的联合迭代优化方案对比各个轨迹策略与单机情况,都能够用更少的时间收集到地面节点更多的数据,充分说明了本方案的优越性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多无人机的数据收集模型优化方法,其特征在于,包括以下步骤:
步骤1:引入多个地面节点位置以及多无人机轨迹模型,进一步构建每架无人机轨迹的约束条件,并构建时间离散化序列;
步骤2:构建每个地面节点传输功率变量的约束条件;
步骤3:构建每架无人机与每个地面节点之间的信道功率增益模型,构建每架无人机收集每个地面节点数据的信号与干扰加噪声比模型;
步骤4:构建每架无人机与每个地面节点之间的数据传输规划模型的约束条件;
步骤5:构建整个数据收集过程中每个地面节点的总数据量约束条件;
步骤6:构建每架无人机飞行能耗模型,进一步构建多架无人机飞行能耗模型;
步骤7:构建多个地面节点传输数据的总能耗模型;
步骤8:根据多无人机轨迹模型构建多无人机轨迹约束条件;根据节点传输功率模型构建传输功率约束条件;将无人机收集每个地面节点数据的信号与干扰加噪声比模型与数据传输规划模型一同构建数据收集约束条件;将无人机飞行能耗模型与节点传输数据的总能耗模型构建系统能耗约束条件;将收集节点的最小数据量最大化作为优化目标,通过联合优化算法优化每架无人机的轨迹、每架无人机的数据传输规划、每架无人机的节点传输功率与每架无人机的数据收集时间,得到优化后每架无人机的轨迹、优化后每架无人机的数据传输规划、优化后每架无人机的节点传输功率、优化后每架无人机的数据收集时间。
2.根据权利要求1所述的基于多无人机的数据收集模型优化方法,其特征在于:
步骤1中所述多个地面节点位置表示为:
gk=(xk,yk)T,k=1,…,K
其中,gk表示第k个地面节点的水平位置,xk表示第k个地面节点的横坐标,yk表示第k个地面节点的纵坐标,K表示地面节点的数量;
步骤1中所述多无人机轨迹模型表示为:
qu[n]=(xu[n],yu[n])T,n=1,…,N-1,u=1,…,U
其中,qu[n]表示第n个时隙时第u架无人机的轨迹位置,xu[n]表示第n个时隙时第u架无人机的轨迹位置的横坐标,yu[n]表示第n个时隙时第u架无人机的轨迹位置的纵坐标,N-1表示时隙的数量,U表示无人机的数量;
多架无人机的飞行高度均为H;
步骤1中所述每架无人机轨迹模型的约束条件为:
qu[1]=qu[N],u=1,…,U
步骤1所述构建时间离散化序列,具体为:
Tf为无人机完成数据收集时间,每架无人机完成数据收集的时间相同,均为Tf;对其进行离散化处理,将Tf平均分为N-1个时隙,即Tf=(N-1)δ,δ为每一个时隙的时间长度。
3.根据权利要求1所述的基于多无人机的数据收集模型优化方法,其特征在于:
步骤2所述每个地面节点传输功率模型中变量的约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
其中,Pmax为地面节点的最大数据传输功率,pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量,K表示地面节点的数量,N-1表示时隙的数量。
4.根据权利要求1所述的基于多无人机的数据收集模型优化方法,其特征在于:
步骤3所述每架无人机与每个地面节点之间的信道功率增益模型为:
其中,β0表示在参考距离d=1m时候的信道增益,hu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信道功率增益;du,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的距离,无人机与地面节点的距离为无人机的飞行高度为H,且每架无人机飞行高度均为H,K表示地面节点的数量,N-1表示时隙的数量,U表示无人机的数量;
步骤3所述每架无人机收集每个地面节点数据的信号与干扰加噪声比模型为:
其中,γu,k[n]表示第n个时隙时第u架无人机与第k个地面节点之间的信号与干扰加噪声比,σ2表示环境中的高斯白噪声;pk[n]表示第k个地面节点第n个时隙时的数据传输功率变量。
9.根据权利要求1所述的基于多无人机的数据收集模型优化方法,其特征在于:
步骤8所述多无人机轨迹约束条件,具体为:
步骤8所述多无人机轨迹约束条件,具体为:
qu[1]=qu[N],u=1,…,U
步骤8所述传输功率约束条件,具体为:
0≤pk[n]≤Pmax
k=1,…,K
n=1,…,N-1
步骤8所述数据收集约束条件,具体为:
Jk≥μ
k=1,…,K
步骤8所述系统能耗约束条件,具体为:
EU+EGN≤Eε
其中,Eε表示整个数据收集系统的能耗上限;EGN表示整个数据收集过程中所有地面节点发送数据总能耗;EU表示所有无人机的飞行能耗总和;
步骤8所述优化目标,具体为:
其中,γu,k[n]表示在第n个时隙时无人机u与节点k之间的信号加干扰信噪比;B表示信道带宽;δ表示时隙长度;bu,k[n]表示第n个时隙第u架无人机与第k个地面节点之间的数据传输规划;N-1表示时隙数量;U表示无人机数量;
整个优化问题表示为:
s.t.C1:EU+EGN≤Eε
C6:‖qu[n+1]-qu[n]‖2≤Dmax,n=1,…,N-1
C8:qu[1]=qu[N]
其中,Eε表示整个数据收集系统的能耗上限,C1表示多无人机的总能耗与地面节点传输数据的总能耗之和不能超过Eε,EU表示多架无人机的总飞行能耗,EGN表示地面节点传输数据的总能耗;C2为目标函数收集最小数据量的限制条件,N-1表示时隙数量,U表示无人机数量,δ表示时隙长度,bu,k表示无人机u与节点k之间的数据传输规划,Ru,k[n]表示在第n个时隙时无人机u收集节点k数据时的数据传输速率,μ表示收集节点的最小数据量;C3~C5为数据传输规划的限制条件,在同一时刻,一架无人机只能接收一个节点的数据且一个节点只能向一架无人机发送数据,bu,k表示无人机u与节点k之间的数据传输规划;C6~C8为多无人机轨迹的限制条件,qu[n]表示无人机u在第n个时隙时的位置;C6表示无人机移动速度不能超过其最大值,Dmax表示无人机在一个时隙内能够移动的最大距离,C7表示不同无人机间距离也要大于设定的最小值,ds表示任意两架无人机之间的最小距离,C8表示每架无人机的沿着闭环轨迹飞行,因此无人机轨迹结束点与起始点重合;C9为数据传输功率的限制条件,pk表示节点k的数据传输功率,Pmax表示节点的最大数据传输功率;
数据传输规划bu,k[n]是一个二值变量,且C1、C2、C7左边均为非凸。
10.根据权利要求1所述的基于多无人机的数据收集模型优化方法,其特征在于:步骤8所述通过联合优化算法优化,具体步骤为:
步骤8.1:在给定其他参数变量的情况下,使用线性规划方法与连续凸逼近技术分别求出此时的其中表示在第m次迭代时第n个时隙内无人机u与地面节点k的数据传输规划,pk m[n]表示在第m次迭代时第n个时隙内地面节点k的数据传输功率;上标m表示此时为第m次迭代;
步骤8.2:根据步骤8.1中与给定时隙长度δm的情况下,通过引入松弛变量简化无人机能耗模型,并使用以坐标下降法与连续凸逼近技术为核心思想的迭代算法,求得最优{qu m[n]},表示为第m次迭代时第n个时隙内无人机u的轨迹位置;上标m表示此时为第m次迭代;
步骤8.3:根据步骤8.1中与步骤8.2中{qu m[n]}的情况下,在通过松弛变量近似能耗模型后,使用以连续凸逼近技术为核心思想的迭代算法,求得第m次迭代时的最优时隙长度δm;上标m表示此时为第m次迭代;
步骤8.4:重复步骤8.1、步骤8.2和步骤8.3直到两次目标函数μ的差值小于一个极小值此时目标函数μ求得最优值,用μp表示;也得到最终的数据传输规划{bu,k[n]},节点数据传输功率{pk[n]},多无人机轨迹{qu[n]}与最优时隙长度δp;
步骤8.5:通过时隙长度δm求出最优无人机完成数据收集时间Tf,即可得到优化问题的解{μp,{bu,k[n]},{pk[n]},{qu[n]},Tf};μp表示最终的目标函数最优值,含义为经过此方法优化后无人机收集到的地面节点数据的最小值;{bu,k[n]}表示此时对应的数据传输规划;{pk[n]}表示此时对应的节点数据传输功率;{qu[n]}表示此时对应的多无人机轨迹;Tf表示此时对应的无人机完成数据收集的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876491.0A CN115334543B (zh) | 2022-07-25 | 2022-07-25 | 一种基于多无人机的数据收集模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876491.0A CN115334543B (zh) | 2022-07-25 | 2022-07-25 | 一种基于多无人机的数据收集模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115334543A true CN115334543A (zh) | 2022-11-11 |
CN115334543B CN115334543B (zh) | 2024-04-19 |
Family
ID=83919104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210876491.0A Active CN115334543B (zh) | 2022-07-25 | 2022-07-25 | 一种基于多无人机的数据收集模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334543B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115755987A (zh) * | 2023-01-09 | 2023-03-07 | 南京邮电大学 | 一种面向灾难数据采集的多无人机协同调度方法 |
CN117253381A (zh) * | 2023-09-14 | 2023-12-19 | 安徽农业大学 | 一种离散符号输入下无人机数据收集设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322497A1 (en) * | 2009-06-19 | 2010-12-23 | Viewray, Incorporated | System and method for performing tomographic image acquisition and reconstruction |
CN110881190A (zh) * | 2019-10-25 | 2020-03-13 | 南京理工大学 | 基于非正交多址接入的无人机网络部署和功率控制方法 |
WO2021062913A1 (zh) * | 2019-09-30 | 2021-04-08 | 华南理工大学 | 一种基于无线能量传输网络的无人机三维轨迹的设计方法 |
CN112911534A (zh) * | 2021-01-29 | 2021-06-04 | 大连理工大学 | 高能效无人机绿色数据采集系统设计方法 |
CN113490176A (zh) * | 2021-06-01 | 2021-10-08 | 武汉理工大学 | 一种基于三维轨迹功率优化的无人机通信抗干扰方法 |
CN113784314A (zh) * | 2021-11-12 | 2021-12-10 | 成都慧简联信息科技有限公司 | 一种智能反射表面辅助下的无人机数据与能量传输方法 |
-
2022
- 2022-07-25 CN CN202210876491.0A patent/CN115334543B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322497A1 (en) * | 2009-06-19 | 2010-12-23 | Viewray, Incorporated | System and method for performing tomographic image acquisition and reconstruction |
WO2021062913A1 (zh) * | 2019-09-30 | 2021-04-08 | 华南理工大学 | 一种基于无线能量传输网络的无人机三维轨迹的设计方法 |
CN110881190A (zh) * | 2019-10-25 | 2020-03-13 | 南京理工大学 | 基于非正交多址接入的无人机网络部署和功率控制方法 |
CN112911534A (zh) * | 2021-01-29 | 2021-06-04 | 大连理工大学 | 高能效无人机绿色数据采集系统设计方法 |
CN113490176A (zh) * | 2021-06-01 | 2021-10-08 | 武汉理工大学 | 一种基于三维轨迹功率优化的无人机通信抗干扰方法 |
CN113784314A (zh) * | 2021-11-12 | 2021-12-10 | 成都慧简联信息科技有限公司 | 一种智能反射表面辅助下的无人机数据与能量传输方法 |
Non-Patent Citations (1)
Title |
---|
万俊;肖霖;杨鼎成;吴法辉;汪昭;: "无人机空对地通信中的联合轨迹优化和功率控制", 现代电子技术, no. 17, 1 September 2020 (2020-09-01) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115755987A (zh) * | 2023-01-09 | 2023-03-07 | 南京邮电大学 | 一种面向灾难数据采集的多无人机协同调度方法 |
CN117253381A (zh) * | 2023-09-14 | 2023-12-19 | 安徽农业大学 | 一种离散符号输入下无人机数据收集设计方法 |
CN117253381B (zh) * | 2023-09-14 | 2024-04-12 | 安徽农业大学 | 一种离散符号输入下无人机数据收集设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115334543B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115334543A (zh) | 一种基于多无人机的数据收集模型优化方法 | |
CN112911534B (zh) | 高能效无人机绿色数据采集系统设计方法 | |
CN109099918B (zh) | 无人机辅助无线能量传输系统及节点调度与路径规划方法 | |
CN113645635B (zh) | 智能反射面辅助的高能效无人机通信系统的设计方法 | |
CN109286913B (zh) | 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法 | |
CN111682895B (zh) | 一种基于缓存的无人机中继辅助车联网传输优化方法 | |
CN113625761B (zh) | 一种通信任务驱动的多无人机路径规划方法 | |
CN110730031B (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 | |
Nie et al. | Energy-efficient UAV trajectory design for backscatter communication: A deep reinforcement learning approach | |
CN113489531B (zh) | 一种功率和三维轨迹联合优化的无人机协作通信方法 | |
CN110113106B (zh) | 多基站多激光发射器的激光供能无人机无线通信方法 | |
CN108632831A (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN116700343A (zh) | 一种无人机路径规划方法、设备和存储介质 | |
CN114615759A (zh) | 一种非正交多址接入网络中无人机辅助通信的方法 | |
CN115065976B (zh) | 一种面向全域应急通信场景下高效绿色立体覆盖方案 | |
CN116205390A (zh) | 一种基于联邦强化学习的多无人机数据收集方法及系统 | |
CN114217630B (zh) | 一种基于注意力机制的动态时空无人机充电方法 | |
CN114980017B (zh) | 一种无人机辅助无线通信的吞吐量最大化适配方法 | |
CN115877870A (zh) | 一种基于机会数据采集的无人机在线路径规划方法 | |
CN114980157A (zh) | 无人机中继网络中基于联邦学习的轨迹优化方法及装置 | |
CN106249759B (zh) | 一种导弹自主编队在队形控制过程中的冲突协调方法 | |
CN116010756A (zh) | 一种基于数据采集新鲜度的无人机充电站部署方法 | |
CN112068596B (zh) | 一种面向无线传感网数据采集的无人机能耗最优飞行控制方法 | |
Zhang et al. | UAV Trajectory Optimization Considering User Pattern and Communication Coverage Fairness | |
Liu et al. | DRL-based joint optimization for energy efficiency maximization in DAV-NOMA 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 |