CN115765847B - 一种量子物质生成机制的多无人机协作通信中继选择方法 - Google Patents
一种量子物质生成机制的多无人机协作通信中继选择方法 Download PDFInfo
- Publication number
- CN115765847B CN115765847B CN202211467828.9A CN202211467828A CN115765847B CN 115765847 B CN115765847 B CN 115765847B CN 202211467828 A CN202211467828 A CN 202211467828A CN 115765847 B CN115765847 B CN 115765847B
- Authority
- CN
- China
- Prior art keywords
- quantum
- unmanned aerial
- aerial vehicle
- substance
- relay
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 124
- 238000004891 communication Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 title claims abstract description 21
- 238000010187 selection method Methods 0.000 title claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012986 modification Methods 0.000 claims abstract description 10
- 230000004048 modification Effects 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 44
- 230000005540 biological transmission Effects 0.000 claims description 30
- 230000000737 periodic effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 9
- 230000000996 additive effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 7
- 238000005649 metathesis reaction Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005755 formation reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 39
- 238000004088 simulation Methods 0.000 description 12
- 241000894007 species Species 0.000 description 9
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- 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
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种量子物质生成机制的多无人机协作通信中继选择方法,包括建立多无人机协作通信中继选择模型;初始化量子物质量子位置并设定参数;计算量子物质位置适应度函数值;使用量子失去、获得、共享电子策略更新量子物质量子位置;使用量子化合反应策略更新量子物质量子位置;使用量子复分解反应策略更新量子物质量子位置,对第i个量子物质的量子位置进行赋值,选择三种更新策略中最优量子位置赋值给量子结构更改策略中第i个量子物质量子位置;使用量子结构更改策略更新量子物质量子位置;更新量子位置至最大迭代次数,将最优量子物质位置映射为中继选择方案并输出。本发明降低了问题求解复杂度,克服易陷入局部收敛的弊端,提升寻优速率。
Description
技术领域
本发明属于无人机中继选择通信领域,涉及一种量子物质生成机制的多无人机协作通信中继选择方法。
背景技术
无人机是一种有动力、可控制、能够执行多种类型任务的无人驾驶飞行器。近年来随着智能制造、自主控制、精准定位、信息技术等技术的发展,无人机的应用逐渐广泛,无人机逐渐向小型化、便携化、自主化、协同化发展,无人机在各个领域表现出巨大的发展潜力。
如今,无人机充当临时中继进行通信已受到科研人员的广泛关注,当地面基站受到损坏时,无人机可充当临时基站防止通信中断。无人机作为临时基站具有可拓展性强、灵活性高、成本低、隐蔽性强等优点,是中继选择通信领域中的一个热门的研究方向。中继选择是一种新兴有效的协作通信技术,它可以克服小区边缘用户吞吐量的限制,对于点对点的通信网络和无线传感器网络等,中继节点都起着重要的作用。目前的中继选择研究已从单个源节点和目的节点拓展到多个源节点和目的节点的复杂中继网络,这种网络被称为多用户协作网络。在无人机协作通信中继选择研究中,源无人机相当于源节点,目的无人机相当于目的节点,这两种无人机通过中继节点建立通信连接,从而实现无人机的协作通信。
根据已有的文献发现,陈娅婕等在《科学技术与工程》(2020,20(36):14982-14987)上发表的“无人机网络中基于位置预测的最优中继选择”中,提出了一种基于无人机位置预测的信道中继选择方法,用于解决无人机协作通信网络在完成任务时,因其高机动性会影响链路状态的问题,并取得了较好的效果。然而,该方法仅仅是对单架源无人机、单架目的无人机和多架中继无人机场景的讨论。在多架源无人机和多架目的无人机的复杂中继选择通信场景上,该方法并不适用。综上所述,上述文献在无人机的中继选择通信上做出了一定的贡献,但是没有讨论多架无人机的复杂中继网络。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种量子物质生成机制的多无人机协作通信中继选择方法,针对多架无人机的复杂中继网络,减少运算量并降低问题求解的复杂度,克服以往方法易陷入局部收敛的弊端,提升寻优速率。
为解决上述技术问题,本发明的一种量子物质生成机制的多无人机协作通信中继选择方法,包括以下步骤:
步骤一,建立多无人机协作通信中继选择模型;
步骤二,初始化量子物质的量子位置并设定参数;
步骤三,计算量子物质位置的适应度函数值;
步骤四,使用量子失去、获得、共享电子策略更新量子物质的量子位置;
步骤五,使用量子化合反应策略更新量子物质的量子位置;
步骤六,使用量子复分解反应策略更新量子物质的量子位置,对第i个量子物质的量子位置进行赋值,赋值规则为:选择步骤三、步骤四和步骤五得到的量子位置中最优的量子位置赋值给量子结构更改策略中第i个量子物质的量子位置/>
步骤七,使用量子结构更改策略更新量子物质的量子位置;
步骤八,判断是否达到最大迭代次数,是则终止迭代,将最优量子物质的位置映射为中继选择方案并输出;否则令k=k+1,继续执行步骤四。
进一步的,步骤一所述建立多无人机协作通信中继选择模型包括:
假设共有N架源无人机要将信息传输给他们的目的无人机,即有N个无人机传输对,源无人机集合为U={U1,U2,…,UN},目的无人机集合为T={T1,T2,…,TN};同时,模型中存在M 架中继无人机用于信息的传输,则中继无人机的集合为R={R1,R2,…,RM},中继无人机的数目满足M>N;每个无人机传输对都选择一架中继无人机协作通信,且每架中继无人机都至多协作一个无人机传输对进行通信;
无人机进行通信时分为时隙t1和时隙t2,源无人机在时隙t1中向中继无人机和目的无人机传输信息,中继无人机在时隙t2中向目的无人机传输信息;在时隙t1中,源无人机Un到目的无人机Tn的信道状态信息为假设源无人机Un选择第xn架中继无人机进行协作信息传输,则源无人机Un到第xn架中继无人机的信道状态信息为/>源无人机/>到目的无人机 Tn的共道干扰为/>源无人机Un到第xn架中继无人机的共道干扰为/>其中,/> n=1,2,…N,/>在时隙t2中,第xn架中继无人机到目的无人机Tn的信道状态信息为/>第/>架中继无人机到目的无人机Tn的共道干扰为/>其中, xn=1,2,…,M,/>n=1,2,…N,/>
信道状态信息指数分布的参数为/>则其概率密度函数为使信道状态信息和共道干扰为瑞利衰落的期望值,即 其中,/>xn=1,2,…,M,/> n=1,2,…N,分别为/> 的指数分布参数;
在时隙t1中,源无人机Un发送信号zn,n=1,2,…N,zn为归一化信号,则目的无人机Tn接收的信号为n=1,2,…N,其中,σn为源无人机Un和目的无人机Tn之间功率为η1的加性高斯白噪声,Pn为源无人机Un的发送功率;这时,Un-Tn链路产生的信号干扰噪声比为/>n=1,2,…N;假设源无人机Un选择第xn架中继无人机进行协作信息传输,xn=1,2,…,M,则第xn架中继无人机接收的信号为/>n=1,2,…N,/>为源无人机Un与第xn架中继无人机之间功率为η2的加性高斯白噪声,/>链路产生的信号干扰噪声比为其中,/>xn=1,2,…,M,/>n=1,2,…N;
在时隙t2中,中继无人机译码接收到的信息,然后重新编码并转发信息给目的无人机,则目的无人机Tn接收到的信息为n=1,2,…N,/>为第xn架中继无人机的发送功率,/>为第xn架中继无人机与目的无人机Tn之间功率为η3的加性高斯白噪声,/>为zn重新编码后的信号,/>链路产生的信号干扰噪声比为/>n=1,2,…N;
在两个时隙结构下发送端到接收端的吞吐量为:其中,n=1,2,…N,W为信道的可用带宽;本发明采用最大化最小网络效益作为目标函数,目标函数为:/> 其中,/> x为中继选择方案,且x={x1,x2,…,xn,…,xN}, n=1,2,…N,xn≠xn,xn=1,2,…,M,/>xn为中继无人机的编号,所述中继无人机协作第n个无人机传输对进行通信,第n个无人机传输对选择第m架中继无人机协作通信,则xn=m,可知,x中的所有元素满足/>且/>n=1,2,…N,都有/>
进一步的,步骤二所述初始化量子物质的量子位置并设定参数包括:
设置量子物质的数目为K1,量子物质的量子位置均由若干个周期表元素构成,设置最大迭代次数为K2,在初始阶段,随机初始量子物质的量子位置,第i个量子物质的初始量子位置为h=1,2,…,S,i=1,2,3,…,K1,其中,S表示第i个量子物质的周期表元素构成数目,即量子位置向量的最大维数,所有量子位置的任一维都是[0,1] 之间的随机数,量子物质的位置可通过量子位置映射得到;第k次迭代中第i个量子物质的量子位置为/>i=1,2,3,…,K1,k∈{1,2,…,K2},则第k次迭代中第i个量子物质的位置为/>i=1,2,…,K1,/>可由其量子位置/>映射得到,映射规则为:/>h=1,2,…,S,i=1,2,…,K1,k∈{1,2,…,K2},/>为搜索空间第h维位置的上界,且/> 为向下取整函数,/>为搜索空间第h维位置的下界。
进一步的,步骤三所述计算量子物质位置的适应度函数值包括:
首先计算M/N的商τ1和余数τ2;其次,将量子物质的位置拆分为整数部分和小数部分/>i=1,2,…,K1,将小数部分升序排列,排序之后的编号矩阵/>与整数部分矩阵构成2行N列的二维矩阵最后,将所述二维矩阵用于生成中继选择方案/>量子物质编码机制的生成规则为:/>S=N,i=1,2,…,K1, n=1,2,…N;
通过第k次迭代第i只量子物质的位置生成中继选择方案/>第k次迭代第i只量子物质的适应度函数值/>i=1,2,…,K1;通过比较所有量子物质适应度函数值找到第k次迭代最优量子物质的量子位置/>
进一步的,步骤四所述使用量子失去、获得、共享电子策略更新量子物质的量子位置包括:
根据量子失去、获得、共享电子策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,ε为[1,K1]间的随机整数,为[1,S]间的随机整数,/>是一个满足均值为0方差为1的高斯随机数,χ1和χ2为权重因子;利用量子旋转门更新所述策略中第i个量子物质的第h维周期表元素:i=2,3,…,K1,h=1,2,…,S。把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
进一步的,步骤五所述使用量子化合反应策略更新量子物质的量子位置包括:
根据量子化合反应策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,χ3为权重因子,l为[1,K1]间的随机整数,且l≠i,pw为第w个量子物质的权重因子,且pw为[0,1]间的随机数,利用量子旋转门更新在量子化合反应策略中第i个量子物质的第h维周期表元素:/>i=2,3,…,K1,h=1,2,…,S;把量子位置映射得到位置/>然后计算/>的适应度函数值/>
进一步的,步骤六所述使用量子复分解反应策略更新量子物质的量子位置包括:
根据量子复分解反应策略得到第i个量子物质的量子位置为:其中,ε为[1,K1]间的随机整数,/>为[1,S]间的随机整数, i=2,3,…,K1。把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
进一步的,步骤七所述使用量子结构更改策略更新量子物质的量子位置包括:
令i=2,3,…,K1,/>为第k+1次迭代第i个量子物质的量子位置,在量子结构更改策略中,对于第i个量子物质的量子位置/> i=2,3,…,K1,h=1,2,…,S,h1=1,2,…,S,且h≠h1,随机选择两个周期表元素/>和/>将它们互换位置,得到新量子位置,如果新量子位置的适应度值优于原量子位置,将新量子位置赋给/>否则/>不变,所有量子物质均重复K3次量子结构更改策略后,结束步骤七。
本发明有益效果:本发明设计了一种量子物质生成机制的多无人机协作通信中继选择方法,多架源无人机通过多架中继无人机辅助,将信息传输给它们的目的无人机,这种多无人机协作中继选择通信相比于单无人机中继选择通信解决难度更复杂。基于此本发明设计了量子编码机制,量子编码由实数向量构成,该编码机制可以满足多无人机协作通信中继选择模型对中继选择方案的要求,不需要设计惩罚项函数,而且缩小了搜索空间,减少了运算量并降低了问题求解的复杂度。将新的量子编码机制与改进的物质生成方法结合,得到一种收敛性能更加优越的量子物质生成机制求解方法,来计算最大化最小网络效益,该方法克服了以往方法易陷入局部收敛的弊端,并提升了寻优速率。
与现有技术相比,本发明的有益效果是:
(1)目前提出的无人机中继选择方法,大多是单架源无人机、单架目的无人机和多个中继节点场景的讨论,对于多架源无人机和多架目的无人机的复杂中继网络研究较少。因此,本发明设计了多无人机协作通信中继选择方法,实现了多架源无人机和目的无人机之间的中继通信。
(2)本发明改进了物质生成方法,对原始方法的失去、获得、共享电子策略和化合反应策略进行改进,并额外增加了两种物质更新策略:量子复分解策略和量子结构更改策略。相较于原有方法,提高了收敛性能,克服了以往方法易陷入局部收敛的弊端。
(3)本发明设计了量子编码机制,量子编码由实数向量构成,该编码可以满足多无人机协作通信中继选择模型对中继选择方案的要求,不需要设计惩罚项函数,而且缩小了搜索空间,减少了运算量并降低了问题求解的复杂度。将量子编码机制与改进的物质生成方法结合,得到一种收敛性能更加优越的量子物质生成机制求解方法。
附图说明
图1为本发明设计的基于量子物质生成机制的多无人机协作通信中继选择方法示意图;
图2是以N=7,M=20为例,量子物质位置与中继选择方案的映射关系图;
图3为3种方法对最大化最小网络收益函数的收敛性能曲线;
图4为最大化最小网络收益函数与中继无人机数目关系曲线;
图5为最大化最小网络收益函数与中继无人机发射功率关系曲线;
图6为最大化最小网络收益函数与源无人机发射功率关系曲线。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步说明。
结合图1,本发明包括以下步骤:
步骤一,建立多无人机协作通信中继选择模型。
假设共有N架源无人机要将信息传输给他们的目的无人机,即有N个无人机传输对,源无人机集合为U={U1,U2,…,UN},目的无人机集合为T={T1,T2,…,TN}。同时,该系统模型中存在M架中继无人机用于信息的传输,则中继无人机的集合为R={R1,R2,…,RM},中继无人机的数目满足M>N。在多无人机协作通信中继选择模型中,每个无人机传输对都选择一架中继无人机协作通信,且每架中继无人机都至多协作一个无人机传输对进行通信。
无人机进行通信时,可分为两个时隙,分别为时隙t1和时隙t2,源无人机在时隙t1中向中继无人机和目的无人机传输信息,中继无人机在时隙t2中向目的无人机传输信息。在时隙t1中,源无人机Un到目的无人机Tn的信道状态信息为假设源无人机Un选择第xn架中继无人机进行协作信息传输,则源无人机Un到第xn架中继无人机的信道状态信息为源无人机/>到目的无人机Tn的共道干扰为/>源无人机/>到第xn架中继无人机的共道干扰为/>其中,/>n=1,2,…N,/>在时隙t2中,第xn架中继无人机到目的无人机Tn的信道状态信息为/>第/>架中继无人机到目的无人机Tn的共道干扰为其中,/>xn=1,2,…,M,/>n=1,2,…N,/>
在瑞利衰落信道中,信道状态信息和共道干扰服从指数分布,以信道状态信息为例,该状态信息指数分布的参数为/>则其概率密度函数为/>为了简化瑞利衰落的随机性,本发明使信道状态信息和共道干扰为瑞利衰落的期望值,即 其中,/> xn=1,2,…,M,/>n=1,2,…N, 分别为的指数分布参数。
在时隙t1中,源无人机Un发送信号zn,n=1,2,…N,zn为归一化信号。则目的无人机Tn接收的信号为n=1,2,…N。其中,σn为源无人机Un和目的无人机Tn之间功率为η1的加性高斯白噪声,Pn为源无人机Un的发送功率。这时,Un-Tn链路产生的信号干扰噪声比为/>n=1,2,…N。假设源无人机Un选择第xn架中继无人机进行协作信息传输,xn=1,2,…,M,则第xn架中继无人机接收的信号为/>n=1,2,…N,/>为源无人机Un与第xn架中继无人机之间功率为η2的加性高斯白噪声,这时/>链路产生的信号干扰噪声比为/>其中,/>xn=1,2,…,M,/>n=1,2,…N。
在时隙t2中,中继无人机译码接收到的信息,然后重新编码并转发信息给目的无人机,则目的无人机Tn接收到的信息为n=1,2,…N,/>为第xn架中继无人机的发送功率,/>为第xn架中继无人机与目的无人机Tn之间功率为η3的加性高斯白噪声,/>为zn重新编码后的信号。这时/>链路产生的信号干扰噪声比为/>n=1,2,…N。
在两个时隙结构下发送端到接收端的吞吐量为:进一步转化为/>其中,n=1,2,…N,W为信道的可用带宽。本发明采用最大化最小网络效益作为目标函数,目标函数为:/> 其中,/> x为中继选择方案,且x={x1,x2,…,xn,…,xN}, n=1,2,…N,/>xn=1,2,…,M,/>xn为中继无人机的编号,该中继无人机协作第n个无人机传输对进行通信,第n个无人机传输对选择第m架中继无人机协作通信,则xn=m。可知,x中的所有元素满足/>且/>n=1,2,…N,都有/>
步骤二,初始化量子物质的量子位置并设定参数。
设置量子物质的数目为K1,量子物质的量子位置均由若干个周期表元素构成。设置最大迭代次数为K2。在初始阶段,随机初始量子物质的量子位置,第i个量子物质的初始量子位置为h=1,2,…,S,i=1,2,3,…,K1,其中,S表示第i个量子物质的周期表元素构成数目,即量子位置向量的最大维数,所有量子位置的任一维都是[0,1] 之间的随机数,量子物质的位置可通过量子位置映射得到。第k次迭代中第i个量子物质的量子位置为/>i=1,2,3,…,K1,k∈{1,2,…,K2}。则第k次迭代中第i个量子物质的位置为/>i=1,2,…,K1。/>可由其量子位置/>映射得到,映射规则为:/>h=1,2,…,S,i=1,2,…,K1,k∈{1,2,…,K2},/>为搜索空间第h维位置的上界,且/> 为向下取整函数,/>为搜索空间第h维位置的下界。
步骤三,计算量子物质位置的适应度函数值。
本发明设计了量子编码机制,该编码机制可以直接满足多无人机协作通信中继选择模型对中继选择方案的要求。具体实现:首先计算M/N的商τ1和余数τ2。其次,将量子物质的位置拆分为整数部分/>和小数部分/>i=1,2,…,K1,将小数部分升序排列,排序之后的编号矩阵/>与整数部分矩阵构成2行N列的二维矩阵/>最后,将该二维矩阵用于生成中继选择方案/>量子物质编码机制的生成规则为:/>S=N,i=1,2,…,K1, n=1,2,…N。
通过第k次迭代第i只量子物质的位置生成中继选择方案/>可知第k次迭代第i只量子物质的适应度函数值/>i=1,2,…,K1。通过比较所有量子物质适应度函数值找到第k次迭代最优量子物质的量子位置/>
步骤四,使用量子失去、获得、共享电子策略更新量子物质的量子位置。
在该策略中,由于量子物质的周期表元素稳定性不同,它们可能出现失去、获得甚至是共享电子的情况。因此,根据量子失去、获得、共享电子策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,ε为[1,K1]间的随机整数,/>为[1,S]间的随机整数,/>是一个满足均值为0方差为1的高斯随机数,χ1和χ2为权重因子。利用量子旋转门更新该策略中第i个量子物质的第h维周期表元素:i=2,3,…,K1,h=1,2,…,S。把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
步骤五,使用量子化合反应策略更新量子物质的量子位置。
在量子化合反应策略中,量子物质是由两个或两个以上的量子物质反应生成的,该策略的特点是多种量子物质发生反应只生成一种量子物质。根据量子化合反应策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,χ3为权重因子,l为[1,K1]间的随机整数,且l≠i,pw为第w个量子物质的权重因子,且pw为[0,1] 间的随机数,/>利用量子旋转门更新在量子化合反应策略中第i个量子物质的第h维周期表元素:/>i=2,3,…,K1,h=1,2,…,S。把量子位置/>映射得到位置/>然后计算/>的适应度函数值
步骤六,使用量子复分解反应策略更新量子物质的量子位置。
量子复分解反应策略是指两种量子物质相互交换量子位置生成两种新量子物质。根据量子复分解反应策略得到第i个量子物质的量子位置为:其中,ε为[1,K1]间的随机整数,/>为[1,S]间的随机整数,i=2,3,…,K1。把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
三种策略都更新出新量子位置后,对第i个量子物质的量子位置进行赋值,用于步骤七的量子结构更改策略,赋值规则如下:在/>和/>中,选择三者之中最优的量子位置赋值给量子结构更改策略中第i个量子物质的量子位置/>i=2,3,…,K1。
步骤七,使用量子结构更改策略更新量子物质的量子位置。
在自然界中,即使是相同元素构成的物质,元素排列方式不同,稳定性也存在着差别。令i=2,3,…,K1,/>为第k+1次迭代第i个量子物质的量子位置。在量子结构更改策略中,对于第i个量子物质的量子位置/>i=2,3,…,K1, h=1,2,…,S,h1=1,2,…,S,且h≠h1,随机选择两个周期表元素/>和/>将它们互换位置,得到新量子位置,如果新量子位置的适应度值优于原量子位置,将新量子位置赋给/>否则/>不变。所有量子物质均重复K3次量子结构更改策略后,结束步骤七。
步骤八,判断是否达到最大迭代次数K2,是则终止迭代,将最优量子物质的位置映射为中继选择方案并输出;否则令k=k+1,继续执行步骤四。
下面结合具体参数进行进一步说明。
将量子物质生成优化方法记为QMGO,粒子群优化方法记为PSO,改进的两阶段狼群搜索方法MTWPS。MTWPS方法的局部搜索规模为10,PSO方法的两个学习因子均为2,QMGO 方法的权重因子分别为χ1=-2,χ2=-3,χ3=-2.5,种群规模K1=50,最大迭代次数 K2=500,K3=10,S=N。为了证明量子物质生成优化机制的多无人机协作通信中继选择方法的性能,本发明进行了如下4组仿真试验,所有仿真结果是200次独立重复试验的均值。仿真过程中信道的可用带宽为W=10Mhz,η1=10-3W,η2=10-3W,η3=10-3W,瑞利衰落的期望值为λ=d-β,β为信道衰落系数,且β=3,d为两个节点的距离,中继无人机随机分布在200m×200m的方形区域内,源无人机和目的无人机数目N=10,源无人机和目的无人机均匀分布在区域中,/>h=1,2,…,S。
第一组实验仿真结果如图3所示,图3给出了QMGO方法、PSO方法和MTWPS方法根据最大化最小网络收益函数与迭代次数的变化曲线。仿真过程中,M=30, h=1,2,…,10,中继无人机的发射功率随机分布于10W~20W之间,源无人机的发射功率为 P=[20,15,21,16,17,19,24,23,22,20],单位为W。可以看出,QMGO方法的收敛精度和收敛速度都优于其它两种方法。
第二组试验仿真结果如图4所示,图4给出了QMGO方法、PSO方法和MTWPS方法根据最大化最小网络收益函数与中继无人机数目的关系曲线。仿真过程中,源无人机的发射功率为P=[20,15,21,16,17,19,24,23,22,20],单位为W,中继无人机的发射功率随机分布于10W~20W之间。可以看出,随着中继无人机数目的增加,最大化最小网络收益函数逐渐递增,且在不同的中继无人机数目下,QMGO方法的最大化最小网络收益函数值都优于其它两种方法。
第三组试验仿真结果如图5所示,图5给出了QMGO方法、PSO方法和MTWPS方法根据最大化最小网络收益函数与中继无人机发射功率的关系曲线。仿真过程中,M=30,h=1,2,…,10,源无人机的发射功率为P=[20,15,21,16,17,19,24,23,22,20],单位为 W,所有中继无人机的发射功率相等,且逐渐从10W增加到20W。可以看出,在中继无人机不同的发射功率下,QMGO方法的最大化最小网络收益函数值都优于其它两种方法。
第四组试验仿真结果如图6所示,图5给出了QMGO方法、PSO方法和MTWPS方法根据最大化最小网络收益函数与源无人机发射功率的关系曲线。仿真过程中,M=30,h=1,2,…,10,中继无人机的发射功率随机分布于10W~20W之间,所有源无人机的发射功率相等,且逐渐从15W增加到20W。四组仿真结果均证明QMGO方法均具有最好的性能。/>
Claims (1)
1.一种量子物质生成机制的多无人机协作通信中继选择方法,其特征在于,包括以下步骤:
步骤一,建立多无人机协作通信中继选择模型;
假设共有N架源无人机要将信息传输给他们的目的无人机,即有N个无人机传输对,源无人机集合为U={U1,U2,…,UN},目的无人机集合为T={T1,T2,…,TN};同时,模型中存在M架中继无人机用于信息的传输,则中继无人机的集合为R={R1,R2,…,RM},中继无人机的数目满足M>N;每个无人机传输对都选择一架中继无人机协作通信,且每架中继无人机都至多协作一个无人机传输对进行通信;
无人机进行通信时分为时隙t1和时隙t2,源无人机在时隙t1中向中继无人机和目的无人机传输信息,中继无人机在时隙t2中向目的无人机传输信息;在时隙t1中,源无人机Un到目的无人机Tn的信道状态信息为假设源无人机Un选择第xn架中继无人机进行协作信息传输,则源无人机Un到第xn架中继无人机的信道状态信息为/>源无人机Un到目的无人机Tn的共道干扰为/>源无人机/>到第xn架中继无人机的共道干扰为/>其中,n=1,2,…N,/>在时隙t2中,第xn架中继无人机到目的无人机Tn的信道状态信息为/>第/>架中继无人机到目的无人机Tn的共道干扰为/>其中,/>xn=1,2,…,M,/>n=1,2,…N,/>
信道状态信息指数分布的参数为/>则其概率密度函数为/>使信道状态信息和共道干扰为瑞利衰落的期望值,即/> 其中,/>xn=1,2,…,M,/> n=1,2,…N,/>分别为 的指数分布参数;
在时隙t1中,源无人机Un发送信号zn,n=1,2,…N,zn为归一化信号,则目的无人机Tn接收的信号为n=1,2,…N,其中,σn为源无人机Un和目的无人机Tn之间功率为η1的加性高斯白噪声,Pn为源无人机Un的发送功率;这时,Un-Tn链路产生的信号干扰噪声比为/>n=1,2,…N;假设源无人机Un选择第xn架中继无人机进行协作信息传输,xn=1,2,…,M,则第xn架中继无人机接收的信号为/>n=1,2,…N,/>为源无人机Un与第xn架中继无人机之间功率为η2的加性高斯白噪声,/>链路产生的信号干扰噪声比为其中,/>xn=1,2,…,M,/>n=1,2,…N;
在时隙t2中,中继无人机译码接收到的信息,然后重新编码并转发信息给目的无人机,则目的无人机Tn接收到的信息为n=1,2,…N,/>为第xn架中继无人机的发送功率,/>为第xn架中继无人机与目的无人机Tn之间功率为η3的加性高斯白噪声,/>为zn重新编码后的信号,/>链路产生的信号干扰噪声比为/>n=1,2,…N;
在两个时隙结构下发送端到接收端的吞吐量为:其中,n=1,2,…N,W为信道的可用带宽;采用最大化最小网络效益作为目标函数,目标函数为:/> 其中, x为中继选择方案,且x={x1,x2,…,xn,…,xN},/>n=1,2,…N,/>xn=1,2,…,M,/>xn为中继无人机的编号,所述中继无人机协作第n个无人机传输对进行通信,第n个无人机传输对选择第m架中继无人机协作通信,则xn=m,可知,x中的所有元素满足/>且/>n=1,2,…N,/>都有/>
步骤二,初始化量子物质的量子位置并设定参数;
设置量子物质的数目为K1,量子物质的量子位置均由若干个周期表元素构成,设置最大迭代次数为K2,在初始阶段,随机初始量子物质的量子位置,第i个量子物质的初始量子位置为h=1,2,…,S,i=1,2,3,…,K1,其中,S表示第i个量子物质的周期表元素构成数目,即量子位置向量的最大维数,所有量子位置的任一维都是[0,1]之间的随机数,量子物质的位置可通过量子位置映射得到;第k次迭代中第i个量子物质的量子位置为/>i=1,2,3,…,K1,k∈{1,2,…,K2},则第k次迭代中第i个量子物质的位置为/>i=1,2,…,K1,/>可由其量子位置/>映射得到,映射规则为:/>h=1,2,…,S,i=1,2,…,K1,k∈{1,2,…,K2},/>为搜索空间第h维位置的上界,且/> 为向下取整函数,/>为搜索空间第h维位置的下界;
步骤三,计算量子物质位置的适应度函数值;
首先计算M/N的商τ1和余数τ2;其次,将量子物质的位置拆分为整数部分和小数部分/>i=1,2,…,K1,将小数部分升序排列,排序之后的编号矩阵/>与整数部分矩阵构成2行N列的二维矩阵最后,将所述二维矩阵用于生成中继选择方案/>量子物质编码机制的生成规则为:/>S=N,i=1,2,…,K1,n=1,2,…N;
通过第k次迭代第i只量子物质的位置生成中继选择方案/>第k次迭代第i只量子物质的适应度函数值/>i=1,2,…,K1;通过比较所有量子物质适应度函数值找到第k次迭代最优量子物质的量子位置/>
步骤四,使用量子失去、获得、共享电子策略更新量子物质的量子位置;
根据量子失去、获得、共享电子策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,ε为[1,K1]间的随机整数,为[1,S]间的随机整数,/>是一个满足均值为0方差为1的高斯随机数,χ1和χ2为权重因子;利用量子旋转门更新所述策略中第i个量子物质的第h维周期表元素:i=2,3,…,K1,h=1,2,…,S;把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
步骤五,使用量子化合反应策略更新量子物质的量子位置;
根据量子化合反应策略得到第i个量子物质的第h维量子旋转角为i=1,2,…,K1,h=1,2,…,S,χ3为权重因子,l为[1,K1]间的随机整数,且l≠i,pw为第w个量子物质的权重因子,且pw为[0,1]间的随机数,利用量子旋转门更新在量子化合反应策略中第i个量子物质的第h维周期表元素:/>i=2,3,…,K1,h=1,2,…,S;把量子位置映射得到位置/>然后计算/>的适应度函数值/>
步骤六,使用量子复分解反应策略更新量子物质的量子位置,对第i个量子物质的量子位置进行赋值,赋值规则为:选择步骤三、步骤四和步骤五得到的量子位置中最优的量子位置赋值给量子结构更改策略中第i个量子物质的量子位置/>i=2,3,…,K1;
根据量子复分解反应策略得到第i个量子物质的量子位置为:其中,ε为[1,K1]间的随机整数,/>为[1,S]间的随机整数,i=2,3,…,K1;把量子位置/>映射得到位置/>然后计算/>的适应度函数值/>
步骤七,使用量子结构更改策略更新量子物质的量子位置;
令i=2,3,…,K1,/>为第k+1次迭代第i个量子物质的量子位置,在量子结构更改策略中,对于第i个量子物质的量子位置/>i=2,3,…,K1,h=1,2,…,S,h1=1,2,…,S,且h≠h1,随机选择两个周期表元素/>和/>将它们互换位置,得到新量子位置,如果新量子位置的适应度值优于原量子位置,将新量子位置赋给/>否则/>不变,所有量子物质均重复K3次量子结构更改策略后,结束步骤七;
步骤八,判断是否达到最大迭代次数,是则终止迭代,将最优量子物质的位置映射为中继选择方案并输出;否则令k=k+1,继续执行步骤四。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467828.9A CN115765847B (zh) | 2022-11-22 | 2022-11-22 | 一种量子物质生成机制的多无人机协作通信中继选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467828.9A CN115765847B (zh) | 2022-11-22 | 2022-11-22 | 一种量子物质生成机制的多无人机协作通信中继选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115765847A CN115765847A (zh) | 2023-03-07 |
CN115765847B true CN115765847B (zh) | 2024-05-17 |
Family
ID=85336864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467828.9A Active CN115765847B (zh) | 2022-11-22 | 2022-11-22 | 一种量子物质生成机制的多无人机协作通信中继选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115765847B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101460732B1 (ko) * | 2013-12-19 | 2014-11-12 | 국민대학교산학협력단 | 다수의 간섭자가 있는 복호 후 전달 협력통신 시스템에서 최적의 중계노드 선택방법 |
CN106385702A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 量子教与学搜索机制的中继选择方法 |
CN110162091A (zh) * | 2019-06-10 | 2019-08-23 | 湖南大狗科技有限公司 | 基于量子鸽群机制的无人机任务分配方法 |
CN111954268A (zh) * | 2020-09-15 | 2020-11-17 | 上海交通大学 | 一种基于小型无人机的协作资源再分配方法及系统 |
EP3855635A1 (en) * | 2020-01-24 | 2021-07-28 | FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. | Csi reporting based on linear combination port-selection codebook |
-
2022
- 2022-11-22 CN CN202211467828.9A patent/CN115765847B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101460732B1 (ko) * | 2013-12-19 | 2014-11-12 | 국민대학교산학협력단 | 다수의 간섭자가 있는 복호 후 전달 협력통신 시스템에서 최적의 중계노드 선택방법 |
CN106385702A (zh) * | 2016-09-08 | 2017-02-08 | 哈尔滨工程大学 | 量子教与学搜索机制的中继选择方法 |
CN110162091A (zh) * | 2019-06-10 | 2019-08-23 | 湖南大狗科技有限公司 | 基于量子鸽群机制的无人机任务分配方法 |
EP3855635A1 (en) * | 2020-01-24 | 2021-07-28 | FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. | Csi reporting based on linear combination port-selection codebook |
CN111954268A (zh) * | 2020-09-15 | 2020-11-17 | 上海交通大学 | 一种基于小型无人机的协作资源再分配方法及系统 |
Non-Patent Citations (2)
Title |
---|
"能量采集认知无线电的量子蝙蝠最优合作策略";高洪元等;《通信学报》;20180925;全文 * |
"Three-Dimensional Cooperative TDOA Location Method with Multi-UAV Based on Quantum Wind Driven Optimization";Hongyuan Gao等;《2020 15th IEEE International Conference on Signal Processing (ICSP) 》;20210118;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115765847A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112902969B (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN112217678B (zh) | 基于量子帝王蝶优化机制的双层异构网络频谱分配方法 | |
CN110311715B (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN110708108B (zh) | 一种多无人机毫米波网络的波束控制优化方法 | |
CN109962727B (zh) | 临空通信混合波束赋形及非正交多址接入传输方法 | |
CN112672361B (zh) | 一种基于无人机集群部署的大规模mimo容量提升方法 | |
CN114422056A (zh) | 基于智能反射面的空地非正交多址接入上行传输方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN110311719B (zh) | 一种应用于毫米波大规模mimo系统的波束选择方法及其装置 | |
CN113448703B (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
CN114268350A (zh) | 智能反射面辅助通信中非理想信道下的鲁棒波束赋形设计方法 | |
CN107682117A (zh) | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 | |
Hou et al. | Joint trajectory and passive beamforming optimization in IRS-UAV enhanced anti-jamming communication networks | |
Krishnan et al. | Optimizing throughput performance in distributed MIMO Wi-Fi networks using deep reinforcement learning | |
CN106358300A (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
CN112492686A (zh) | 一种基于深度双q网络的蜂窝网络功率分配方法 | |
CN114204971B (zh) | 一种迭代的聚合波束成形设计和用户设备选择方法 | |
CN115765847B (zh) | 一种量子物质生成机制的多无人机协作通信中继选择方法 | |
CN114158010A (zh) | 无人机通信系统及基于神经网络的资源分配策略预测方法 | |
Jiang et al. | MARS: A DRL-based Multi-task Resource Scheduling Framework for UAV with IRS-assisted Mobile Edge Computing System | |
CN117295090A (zh) | 一种面向无人机通感一体化系统的资源分配方法 | |
CN116634450A (zh) | 一种基于强化学习的动态空地异构网络用户关联增强方法 | |
CN114844538B (zh) | 一种基于宽学习的毫米波mimo用户增量协作波束选择方法 | |
CN115942494A (zh) | 基于智能反射面的多目标安全Massive MIMO资源分配方法 |
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 |