CN116092332B - 无人机携载智能反射面的多模调控与轨迹优化方法及系统 - Google Patents
无人机携载智能反射面的多模调控与轨迹优化方法及系统 Download PDFInfo
- Publication number
- CN116092332B CN116092332B CN202310072734.XA CN202310072734A CN116092332B CN 116092332 B CN116092332 B CN 116092332B CN 202310072734 A CN202310072734 A CN 202310072734A CN 116092332 B CN116092332 B CN 116092332B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- multimode
- time slot
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004891 communication Methods 0.000 claims abstract description 51
- 238000011480 coordinate descent method Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000010363 phase shift Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/06—Traffic control systems for aircraft, e.g. air-traffic control [ATC] for control when on the ground
- G08G5/065—Navigation or guidance aids, e.g. for taxiing or rolling
-
- 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
Abstract
本发明提供了一种无人机携载智能反射面的多模调控与轨迹优化方法及系统,所述方法包括:构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略。本发明实现多模无人机在高动态通信环境,自适应动态切换有源波束与无源反射两种工作模式,有效提高通信系统控制自由度和地面用户的数据回传性能。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种无人机携载智能反射面的多模调控与轨迹优化方法及系统。
背景技术
6G及物联网技术的发展,为数字化传感器网络提供了高效的通信、感知和计算能力,从而为实现智能交通、智慧城市等现代化应用服务提供了技术支持。然而,在大规模、密集部署的传感器网络中,传感节点常因传输距离过长、障碍物遮挡,传输时延过大等实际因素,难以满足持续的通信与计算需求。
现有无人机(UAV)部署多天线阵列或搭载IRS的传输模式,可通过发挥UAV的高移动性,以及优质的空对地链路的特性,有效提高传输效率与降低通信时延。然而,现有研究普遍采用模式固定的传输方案,即携载智能反射面的无人机UIRS(UAV-mounted IRS)只工作于有源的多天线模式或无源的反射模式,且这种固定模式的传输方案并不能完全发挥系统的自由度,对系统产生的增益较小,当处于某些特定场景,比如,无源UIRS与有源UIRS间相距过大时,反射链路遭遇较大的路径衰落,UIRS便无法提供明显的信道增益等。
因此,亟需提供一种能够针对不同状态环境,提高系统多样性增益和传输性能的自适应调控UIRS传输模式以及联合轨迹优化的方法。
发明内容
本发明的目的是提供一种无人机携载智能反射面的多模调控与轨迹优化方法,根据地面用户的通信需求和多模无人机飞行位置等实时状态信息,设计地面用户数据回传协议,通过联合优化自适应调整多模无人机的传输模式和飞行路径规划,解决现有智能反射面无人机通信系统应用缺陷,实现了多模无人机在高动态通信环境满足地面用户服务需求的同时,自适应动态切换有源波束与无源反射两种工作模式,提高通信系统控制自由度和地面用户的数据回传性能。
为了实现上述目的,有必要针对上述技术问题,提供了一种无人机携载智能反射面的多模调控与轨迹优化方法及系统。
第一方面,本发明实施例提供了一种无人机携载智能反射面的多模调控与轨迹优化方法,所述方法包括以下步骤:
构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;
根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;
利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;
根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略。
第二方面,本发明实施例提供了一种无人机携载智能反射面的多模调控与轨迹优化系统,所述系统包括:
系统构建模块,用于构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;
模型构建模块,用于根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;
模型转化模块,用于利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;
策略求解模块,用于根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种无人机携载智能反射面的多模调控与轨迹优化方法及系统,通过所述方法,实现了构建包括两个同时集成多天线和智能反射面的多模无人机和若干地面用户的多模无人机通信系统模型,并以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型,再利用块坐标下降法将多变量联合优化模型,解耦转换为多个子问题模型,以及根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略的技术方案。与现有技术相比,该无人机携载智能反射面的多模调控与轨迹优化方法,实现了多模无人机在高动态通信环境满足地面用户服务需求的同时,自适应动态切换有源波束与无源反射两种工作模式,有效提高通信系统控制自由度和地面用户的数据回传性能,为大规模部署传感器网络的通信场景提供了可靠的技术支持。
附图说明
图1是本发明实施例中无人机携载智能反射面的多模调控与轨迹优化方法的应用场景示意图;
图2是本发明实施例中无人机携载智能反射面的多模调控与轨迹优化方法的流程示意图;
图3是本发明实施例中多模无人机时隙结构示意图;
图4是本发明实施例中无人机携载智能反射面的多模调控与轨迹优化系统的结构示意图;
图5是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白,下面结合附图及实施例,对本发明作进一步详细说明,显然,以下所描述的实施例是本发明实施例的一部分,仅用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明提供的多无人机携载智能反射面的多模调控与轨迹优化方法可应用于图1所示的多模无人机UIRS(同时集成天线和智能反射面的无人机UAV-mounted IRS)动态调整有源或无源工作模式,来辅助从地面用户(GUs)回传数据的应用场景,具有无线能量收集能力的GU首先从有源模式UIRS的下行射频(RF)信号中收集能量,随后利用收集的能量,将感知信息上行回传给匹配的UIRS的接收天线中。在每个时隙内,UIRS可自适应地选择有源或无源模式以辅助GU的数据回传,增加通信系统多样性,提高系统资源利用效率,进而提高地面用户GU传输性能。下述实施例将对本发明的无人机携载智能反射面的多模调控与轨迹优化方法进行详细说明。
在一个实施例中,如图2所示,提供了一种无人机携载智能反射面的多模调控与轨迹优化方法,包括以下步骤:
S11、构建多模无人机通信系统模型;其中,多模无人机通信系统模型如图1所示,所述多模无人机通信系统模型包括两架多模无人机和K个地面用户GU,其中,多模无人机UIRS(UAV-mounted IRS)为同时集成多天线和智能反射面,且根据实际工作场景可动态切换工作模式的无人机,第s个UIRS表示为UIRSs,s∈{i,j},第k个GU用GUk,k=1,…,K表示;GUs分布在地面,不能直接与基站(BS)进行通信,两架UIRS在GUs周围飞行,任务是作为无线中继来协助通信,将GUs的感知数据收集并回传到BS,具有无线能量收集能力的GU先从有源模式UIRS的下行射频(RF)信号中收集能量,随后利用收集的能量,将感知信息上行回传给匹配的UIRS的接收天线中,且在每个时隙内,UIRS可自适应地选择有源或无源模式以辅助GU的数据回传。
S12、根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;其中,多变量联合优化模型可理解为一个基于本发明提出的地面用户GU接入协议和多模无人机工作约束,得到的通过联合优化多模无人机的位置、有源下行波束赋形、无源相移矩阵、用户调度匹配、模式调整、时隙分配和用户发射功率等变量,最大化最小的地面用户GU的平均吞吐量的优化问题模型;
具体的,所述根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型的步骤包括:
根据所述多模无人机通信系统模型,将所述多模无人机的各个飞行时隙进行子时隙划分,得到多模无人机时隙结构;如图3所示,每个通信时间帧划分得到具有多个时隙的时隙集合在每个时隙中,每个地面用户GU从有源模式UIRS的下行射频(RF)信号中收集能量,并利用收集的能量,将数据回传给匹配调度的UIRS的接收天线中,由其将数据发送给BS;即可得用于后续建模分析的多模无人机时隙结构包括下行能量传输子时隙和各个地面用户的上行数据回传子时隙,可用/>表示,其中,tE[n]和tI,k[n],k=1,…,K分别表示第n个飞行时隙中地面用户收集下行能量的传输子时隙和各个地面用户的上行数据回传子时隙;
根据所述多模无人机时隙结构和预设的多模无人机工作约束,得到地面用户接入协议;其中,多模无人机工作约束可理解为多模无人机在无线通信系统中与地面用户匹配调度、工作模式切换以及传输下行能量和回传用户上行数据时所需满足的系统约束;
具体的,所述多模无人机工作约束包括地面用户能量消耗约束、多模无人机模式切换约束、多模无人机用户调度约束、能量波束赋形约束、智能反射面相移约束、时隙分配约束和多模无人机移动约束;
所述地面用户能量消耗约束可理解为确保地面用户的能量消耗不得超过从UIRS收获的能量的因果关系约束,表示为:
其中,tI,k[n]、pk[n]和Ek[n]分别表示第n个飞行时隙内第k个地面用户的上行数据回传子时隙、发射功率和收集能量;
所述多模无人机模式切换约束可理解为多模无人机同一时间的工作模式只有一种,可根据需求将其工作模式切换为有源模式或无源模式,表示为:
其中,αs[n]表示多模无人机s在第n个飞行时隙内切换的模式,且αs[n]=1表示有源模式,αs[n]=0表示无源模式;
所述多模无人机用户调度约束可理解为每个GU在每个飞行时隙中最多可以接入一架UIRS,表示为:
其中,βs,k[n]表示多模无人机s在第n个飞行时隙内被第k个地面用户调度的变量,且βs,k[n]=1表示调度,βs,k[n]=0表示未调度;
所述能量波束赋形约束表示为能量波束赋形向量的基本约束,可表示为:
其中,ωs[n]表示多模无人机s在第n个飞行时隙内的下行波束赋形向量;
所述智能反射面相移约束表示为:
其中,θs[n]表示多模无人机s在第n个飞行时隙内的相移向量,且θs[n]=[θs,1[n],…,θs,L[n]]T,表示时隙n中UIRSs的第l个相移;L表示智能反射面的均匀平面阵列大小;
所述时隙分配约束可理解为保证GU接入的非负性的总时间约束,表示为:
其中,tE[n]表示第n个飞行时隙内下行能量传输子时隙;
所述多模无人机移动约束可理解为UIRS的移动性约束和避免碰撞约束,表示为:
其中,qs[n+1]和qs[n]分别表示多模无人机s在第n+1个飞行时隙和第n个飞行时隙内的水平位置;-s表示多模无人机集合中除s外另一个元素;Vmax表示多模无人机的最大飞行速度;Dmin表示两架多模无人机之间的最小安全距离;δ表示一个飞行时隙的长度;
根据所述地面用户接入协议,通过优化多模无人机的多模调控和轨迹优化策略来最大化最小地面用户平均吞吐量,构建所述多变量联合优化模型;所述多模调控和轨迹优化策略包括各个时隙内多模无人机的模式切换和轨迹规划,以及地面用户的能量收集与数据回传的时间分配;
具体的,所述根据所述地面用户接入协议,通过优化多模无人机的多模调控和轨迹优化策略来最大化最小地面用户平均吞吐量,构建所述多变量联合优化模型的步骤包括:
根据所述地面用户接入协议,确定得到各个飞行时隙内有源多模无人机到地面用户信道、无源多模无人机到地面用户信道和有源多模无人机到无源多模无人机信道;其中,有源多模无人机到地面用户信道、无源多模无人机到地面用户信道和有源多模无人机到无源多模无人机信道的构建,都采用准静态平面衰落模型,即信道在一个帧结构内是不变的;为了减轻共信道干扰,令两架多模无人机在不同的频段工作。由于空域传输过程中,一般不存在障碍物遮挡,因此本实施例假设UIRS对UIRS(U2U)信道遵循视距(LoS)模型,而在空对地传输链路中,由于GU周围可能存在其他地面物体的散射,导致GU除了能接收到直传信号外,还能收到多径反射的信号,因此UIRS到GU间(U2G)的信道模型可构建为莱斯信道。同时,根据信道的互易性,还假设上行信道与下行信道相同。
UIRS的天线高度和IRS的高度分别固定为Hu和Hr,UIRS水平位置用qs[n]=[xs[n],ys[n]]T,n∈{1,…,N}表示。由于假定GU在系统中静态部署,地面用户GUk的位置表示为zk=[xu,k,yu,k]T。UIRS的天线采用均匀线性阵列(ULA),且假设IRS是大小为L=LxLy的均匀平面阵列(UPA),其中Lx和Ly分别表示x轴和y的反射元件个数。设表示UIRSs的相移矩阵,其中/>表示时隙n中UIRSs的第l个相移。
基于上述假设,可分别得到有源UIRS的多天线到地面用户距离Du,s,k[n]、无源UIRS的智能反射面到地面用户距离Dr,s,k[n],以及有源UIRS的多天线到无源UIRS的智能反射面距离Ds-s[n]表示为:
因此,在第n个时隙下,有源UIRSs到GUk、无源UIRSs到GUk,以及无源UIRSs到有源UIRSs之的信道,即hu,s,k[n]∈CM×1、hr,s,k∈CL×1和Hs-s[n]∈CM×L,分别表示如下:
其中,β0为参考距离为d0=1m处的信道功率增益,α和2为对应的路径损耗指数,κ为莱斯因子。系数{ξp,s,k[n]}p={u,r}表示有源/无源UIRSs到GUk的水平方位角,χr,s,k[n]表示无源UIRSs到GUk的垂直方位角,{ξs,-s[n],χs,-s[n]}分别表示UIRSs之间的水平与垂直方位角,为非视距系数,服从均值为0方差为1的复高斯分布。函数au(ξ[n])和ar(ξ[n],χ[n])分别表示有源/无源模式下UIRS的阵列响应矩阵,函数值可由垂直和水平方位角ξ[n]和χ[n]计算,可表示为:
其中,λ表示载波波长,Δ是UAV天线和AIRS的天线/反射元件间距。
根据所述有源多模无人机到地面用户信道、所述无源多模无人机到地面用户信道和所述有源多模无人机到无源多模无人机信道,得到地面用户收集能量和地面用户回传吞吐量;其中,地面用户收集能量和地面用户回传吞吐量的计算可理解为基于多模无人机在不同工作模式下的信道反射情况分析的建模过程,具体分析过程如下:
由于UIRS同时集成了多天线和反射阵列,因此可以在有源波束赋形和无源反射两种模式之间进行动态切换。用变量αs[n]={0,1}表示UIRSs在时隙n中选择的工作模式,αs[n]=1则是有源模式,反之为无源模式。综上可得,在时隙n中,GU的下行RF能量收集和上行数据回传的过程中,信道中存在反射的情况可总结如表1所示。
表1模式选择的反射情况汇总
由于地面用户GU遵循图3所示的接入协议,则:在下行子时隙tE[n]内,有源UIRS向GU进行能量传输;当能量收集完成后,GUk可以在分配到的上行子时隙tI,k[n]内将信息上传给相应匹配的UIRS。设ωt,s[n]表示有源UIRS的下行波束赋形向量,可得GUk在时隙n中收集的下行能量可表示为:
式中,Ek[n]表示第n个飞行时隙内第k个地面用户GUk的收集能量,由两部分累加组成,前一部分表示两架UIRS均为有源情况下用户收集的能量,第二部分表示信道中存在反射下,即两架UIRS分别为有源、无源模式下,GUk收集到的能量;tE[n]表示第n个飞行时隙内下行能量传输子时隙;ηe为能量转换系数,pu为无人机的发射功率;ωs[n]表示有源多模无人机s在第n个飞行时隙内的下行波束赋形向量;αs[n]表示多模无人机s在第n个飞行时隙内中选择的模式;hu,s,k[n]、hr,s,k[n]和Hs,-s[n]分别表示有源多模无人机到地面用户、无源多模无人机到地面用户和有源多模无人机s到无源多模无人机-s的信道;表示在无源UIRS-s辅助下从有源UIRSs到GUk的等效信道,为:
其中,θs[n]=[θs,1[n],…,θs,L[n]]T表示无源UIRS的相移向量,且Θs[n]表示无源模式多模无人机s的相移矩阵;
定义二进制变量βs,k[n]={0,1},当βs,k[n]=1表示UIRSs允许GUk在时隙n中与之相匹配,并回传信息,反之βs,k[n]=0;根据最大比合并(MRC)方案,GUk在时隙n中回传吞吐量表示如下:
其中,Rk[n]表示第n个飞行时隙内第k个地面用户的回传吞吐量,由两部分累加组成,第一部分表示在信道中不存在反射情况下的可达吞吐量,第二部分表示信道中存在反射的回传吞吐量;pk[n]表示GUk在时隙n中的发射功率;
为了实现通过动态调整UIRS的有源与无源传输模式,增加系统多样性,提高系统资源利用效率,进而提高GU传输性能,本实施例优选地,基于地面用户的公平性,联合优化 和来最大化最小的GU的平均吞吐量,即基于上述得到的地面用户收集能量和地面用户回传吞吐量根据多变量联合优化的目标函数。
在所述多模无人机工作约束下,根据所述地面用户收集能量和所述地面用户回传吞吐量,得到所述多变量联合优化模型;所述多变量联合优化模型的目标函数表示为:
式中,
其中,Rk表示第k个地面用户的平均回传吞吐量;N表示飞行时隙的总数。
因此,多变量联合优化模型表述如下:
通过上述步骤建立的多变量联合优化模型的目标函数式(9)是一个最大化最小值的问题,存在多变量强耦合的情况,很难被直接求解。本实施例优选地,通过利用BCD框架将多变量强耦合的原始问题简化为多个较低复杂度且易于求解的子问题,按照下述方法步骤完成对原问题的求解。
S13、利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;所述子问题模型包括模式切换和用户调度优化模型、有源和无源波束成形优化模型、用户回传策略优化模型和多模无人机轨迹优化模型;
具体的,所述利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型的步骤包括:
通过引入松弛变量,将所述多变量联合优化模型转换为松弛多变量联合优化模型;其中,松弛多变量联合优化模型可理解为引入松弛变量η后对多变量联合优化模型进行的重述,松弛多变量联合优化模型表示为:
(9b),(9c),(9d),(9e),(9f),(9g),(9h),(9i),(9j),and(9k). (10c)
其中,η表示松弛变量;
由于松弛多变量联合优化模型中变量间仍具有强耦合性,且αs[n]和βs,k[n]必须为0或1的整数,则该模型仍然难以求解;需要进一步采用块坐标下降(BCD)方法将问题分解为四个子问题,即将松弛多变量联合优化模型转换为四个子问题模型,并对基于凸优化理论设计各个子问题模型的求解算法进行独立求解,每次迭代会对变量的子集进行优化,最终通过迭代求解每个子问题模型的交替优化方式得到原始问题的次优解,具体各子问题模型构建过程如下:
根据所述松弛多变量联合优化模型,对多模无人机的模式切换策略和用户调度策略进行联合优化,得到所述模式切换和用户调度优化模型;其中,模式切换和用户调度优化模型可理解为固定变量q,ω,Θ,t,p,η,联合优化模式切换策略α和用户匹配调度变量β的优化模型,考虑到α和β是整数变量且相互耦合,先将其分别近似松弛为连续变量,即则对应模式表示为:
s.t.(10b),(9b),(9e)and(9h).(11b)
根据所述松弛多变量联合优化模型,对多模无人机的有源模式能量波束赋形和无源模式相移矩阵进行联合优化,得到所述有源和无源波束成形优化模型;所述有源和无源波束成形优化模型可理解为通过近似模型(10)中其他变量,优化ω和Θ的方式得到的模型,表示为:
s.t.(10b),(9b),(9f),(9g). (12b)
根据所述松弛多变量联合优化模型,对用户数据回传的时隙分配和发射功率进行联合优化,得到所述用户回传策略优化模型;所述用户回传策略优化模型可理解为通过固定模型(10)中其他变量,优化t和p的方式得到的模型,表示为:
s.t.(10b),(9b),(9h),(9i).(13b)
根据所述松弛多变量联合优化模型,对多模无人机位置进行优化,得到所述多模无人机轨迹优化模型;所述多模无人机轨迹优化模型可理解为基于模型(10)中其他变量的优化值,优化轨迹q得到的模型,表示为:
s.t.(10b),(9b),(9j),(9k).(14b)
通过上述方法实现了对基于地面用户回传公平性和能量因果约束而构建的多变量联合优化模型进行变量解耦,得到了四个复杂度较低的子问题模型,进而可通过下述交替优化方式进行有效求解。
S14、根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略;其中,无人机多模调控与轨迹优化策略的求解过程可理解为分别将各个子问题模型转为对应的凸优化模型进行分块交替求解的过程;具体的,所述对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略的步骤包括:
将所述模式切换和用户调度优化模型进行离散量松弛和凸近似约束转化求解,得到对应的最优模式切换和用户调度策略;
具体的,最优模式切换和用户调度策略的求解过程如下:
由于约束(10b)的左侧(LHS)和约束(9b)的右侧(RHS)中存在多个乘积项,问题(11)是一个非凸问题。为了处理这些耦合项,需再次引入了松弛变量得到:
由于约束(15b),(15e)和(15f)中耦合项βs,k[n]γs,0[n]和的存在使问题仍非凸,则下面对这些项进行数学近似。首先,将约束(15b)重写为以下凸差形式:
式(16)中的第一个项是凸的,可通过一阶泰勒展开来近似;给定第r次迭代的扩展点和/>约束(16)可以转换为:
至此,约束(17)已转换为凸约束;为了进一步降低计算复杂度,可用其二阶锥(SOC)形式表示,即:
式中,
相似地,约束(15e)和(15f)也可以转换为它们的SOC对应形式:
其中,且因此,问题(11)可被近似为以下问题:
s.t.(18),(19),(20),(15c),(15g).(21b)
至此,注意到问题模型(21)已是一个凸优化问题,可通过标准求解器(如CVX)进行有效地求解。需要说明的是,上述问题模型(21)的解可能不满足整数约束,则采用舍入法得到目标整数解。
将所述有源和无源波束成形优化模型按照无源波束形成优化和有源波束形成优化进行两阶段交替优化求解,得到最优波束形成策略;
由于有源和无源波束成形优化模型(12)中的ω和Θ在约束(10b)和(9b)中相互耦合,可通过两步迭代法进行求解最优波束形成策略,具体求解过程如下:
1)给定有源UIRS的波束成形策略ω和η,关于无源UIRS反射策略策略的子问题(13)可转化为:
式中,
gs,k[n]=[Hs,k[n]hu,s,k[n]]
由于约束(22b)和(22c)中四次项的存在,问题(22)仍是非凸的,为了解决这个问题,定义和/>其中,Vs[n]满足:Vs[n]≥0,rank(Vs[n])=1。
基于上述定义,可得到:
相似地,也可得到
至此,约束(22b)和(22c)就转化为了凸约束。然后,通过松驰秩一约束,问题(22)变成一个可解的半定规划问题,虽然被优化对象Vs[n]可能不满足秩一约束,但是可以采用高斯随机过程得到一个服从约束调节的近似解;
2)给定IRS反射策略Θ,ω的优化变为一个可行性检查问题,则可入一组辅助变量表示GU的剩余能量,并将问题(13)重新表述为:
由于约束(23b)的RHS存在关于变量的二次项,导致问题(23)是非凸的。采用与问题(22)相同的方法,定义矩阵变量与松弛秩一约束,则问题(23)可重写为:
至此,问题(24)变为凸问题,可以利用CVX等现有的方法进行解决,然后可采用GRM得到秩一解;
通过引入松弛变量,将所述用户回传策略优化模型进行凸优化转化求解,得到对应的最优用户回传策略;其中,最优用户回传策略的求解过程如下:
由于用户回传策略优化模型(13)中变量t和p在约束(10b)和(9b)中相互耦合,为了解决这个问题,定义ek[n]=tI,k[n]pk[n],且将ek[n]代入约束(10b)和(9b),问题(13)可以变为凸问题并由CVX解决;
通过分类讨论和一阶泰勒展开方法,将所述多模无人机轨迹优化模型进行凸优化转化求解,得到对应的最优飞行轨迹;其中,最优飞行轨迹的求解过程如下:
由于多模无人机轨迹优化模型(14)中约束(10b),(9b)和(9k)使子问题(14)非凸,同先前子问题模型的求解类似,引入变量du,s,k[n],dr,s,k[n]和ds,-s[n],将信道重新表述为:
其中,As,k[n]、Bs,k[n]、Cs,k[n]、/>和/>包含所有的常数项,为了解决问题(14),表达式(25)~(28)的RHS关于du,s,k[n],dr,s,k[n]和ds,-s[n]应该是凹的;由于/>(其中ai是任意正常数)是凸函数,可采用一阶泰勒表达式来得到下界。
由于系数As,k[n]、Bs,k[n]、/>和/>都是正的,可以直接得到它们对应变量项的下界,如:/>然而,Cs,k[n]和/>两项的符号仍未知,若Re{Cs,k[n]}≥0且/>则可认为/>和是凸函数,反之则是凹函数。因此,上述两个表达式的凹下界可以分类地表示为:/>
其中,Zs,k[n]={Cs,k[n]或另外,约束(9k)的LHS也是一个凸函数,同样进行一阶泰勒展开:
由于约束(29)和约束(31)仍然是非凸的,我们可以首先对这些约束的两边进行平方,然后将它们的LHS进行一阶泰勒展开,从而得到:
其中,和/>代表第r次迭代的解。
将上述转化后的约束带入问题(14)中,其可转化为一个标准的凸优化问题,能够通过现有标准方法(如CVX等)求解。
综上,原多变量联合优化模型问题(9)可以通过交替优化上述四个子问题模型求解得到。
本申请实施例基于构建的包括两个同时集成多天线和智能反射面的多模无人机和若干地面用户的多模无人机通信系统模型,并基于综合考虑多模UIRS的模式切换和GU的调度匹配策略的情况下设计的GU数据回传协议,考虑GUs的回传公平性和能量因果约束,以最大化最小地面用户平均吞吐量为目标,建立联合优化多模UIRS的模式选择、波束赋形、路径规划以及GU回传策略的多变量联合优化模型,再利用块坐标下降法将多变量联合优化模型,解耦转换为多个复杂度较低的子问题模型,以及采用凸优化理论对各个子问题模型进行针对性求解,得到无人机多模调控与轨迹优化策略的方法,实现了多模无人机在高动态通信环境满足地面用户服务需求的同时,自适应动态切换有源波束与无源反射两种工作模式,有效提高通信系统控制自由度和地面用户的数据回传性能,为大规模部署传感器网络的通信场景提供了可靠的技术支持。
在一个实施例中,如图4所示,提供了一种无人机携载智能反射面的多模调控与轨迹优化系统,所述系统包括:
系统构建模块1,用于构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;
模型构建模块2,用于根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;
模型转化模块3,用于利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;
策略求解模块4,用于根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略。
关于一种无人机携载智能反射面的多模调控与轨迹优化系统的具体限定可以参见上文中对于一种无人机携载智能反射面的多模调控与轨迹优化方法的限定,在此不再赘述。上述一种无人机携载智能反射面的多模调控与轨迹优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图5示出一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机携载智能反射面的多模调控与轨迹优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明实施例提供的一种无人机携载智能反射面的多模调控与轨迹优化方法及系统,其无人机携载智能反射面的多模调控与轨迹优化方法实现了构建包括两个同时集成多天线和智能反射面的多模无人机和若干地面用户的多模无人机通信系统模型,并以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型,再利用块坐标下降法将多变量联合优化模型,解耦转换为多个子问题模型,以及采用凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略的技术方案,该方法实现了多模无人机在高动态通信环境满足地面用户服务需求的同时,自适应动态切换有源波束与无源反射两种工作模式,有效提高通信系统控制自由度和地面用户的数据回传性能,为大规模部署传感器网络的通信场景提供了可靠的技术支持。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述方法包括以下步骤:
构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;
根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;
利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;
根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略;
其中,所述根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型的步骤包括:
根据所述多模无人机通信系统模型,将所述多模无人机的各个飞行时隙进行子时隙划分,得到多模无人机时隙结构;所述多模无人机时隙结构包括下行能量传输子时隙和各个地面用户的上行数据回传子时隙;
根据所述多模无人机时隙结构和预设的多模无人机工作约束,得到地面用户接入协议;
所述多模无人机工作约束包括地面用户能量消耗约束、多模无人机模式切换约束、多模无人机用户调度约束、能量波束赋形约束、智能反射面相移约束、时隙分配约束和多模无人机移动约束;
所述地面用户能量消耗约束表示为:
其中,tI,k[n]、pk[n]和Ek[n]分别表示第n个飞行时隙内第k个地面用户的上行数据回传子时隙、发射功率和收集能量;
所述多模无人机模式切换约束表示为:
其中,αs[n]表示多模无人机s在第n个飞行时隙内切换的模式,且αs[n]=1表示有源模式,αs[n]=0表示无源模式;
所述多模无人机用户调度约束表示为:
其中,βs,k[n]表示多模无人机s在第n个飞行时隙内被第k个地面用户调度的变量,且βs,k[n]=1表示调度,βs,k[n]=0表示未调度;
所述能量波束赋形约束表示为:
其中,ωs[n]表示多模无人机s在第n个飞行时隙内的下行波束赋形向量;
所述智能反射面相移约束表示为:
其中,θs[n]表示多模无人机s在第n个飞行时隙内的相移向量;L表示智能反射面的均匀平面阵列大小;
所述时隙分配约束表示为:
其中,tE[n]表示第n个飞行时隙内下行能量传输子时隙;
所述多模无人机移动约束表示为:
其中,qs[n+1]和qs[n]分别表示多模无人机s在第n+1个飞行时隙和第n个飞行时隙内的水平位置;-s表示多模无人机集合中除s外另一个元素;Vmax表示多模无人机的最大飞行速度;Dmin表示两架多模无人机之间的最小安全距离;δ表示单个飞行时隙的长度。
2.如权利要求1所述的无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型的步骤,还包括:
根据所述地面用户接入协议,通过优化多模无人机的多模调控和轨迹优化策略来最大化最小地面用户平均吞吐量,构建所述多变量联合优化模型;所述多模调控和轨迹优化策略包括各个时隙内多模无人机的模式切换和轨迹规划,以及地面用户的能量收集与数据回传的时间分配。
3.如权利要求2所述的无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述根据所述地面用户接入协议,通过优化多模无人机的多模调控和轨迹优化策略来最大化最小地面用户平均吞吐量,构建所述多变量联合优化模型的步骤包括:
根据所述地面用户接入协议,确定得到各个飞行时隙内有源多模无人机到地面用户信道、无源多模无人机到地面用户信道和有源多模无人机到无源多模无人机信道;
根据所述有源多模无人机到地面用户信道、所述无源多模无人机到地面用户信道和所述有源多模无人机到无源多模无人机信道,得到地面用户收集能量和地面用户回传吞吐量;所述地面用户收集能量表示为:
式中,
其中,Ek[n]表示第n个飞行时隙内第k个地面用户的收集能量;ηe表示能量转换系数;tE[n]表示第n个飞行时隙内下行能量传输子时隙;pu表示多模无人机的发射功率;表示在无源多模无人机-s辅助下从有源多模无人机s到第k个地面用户的等效信道;ωs[n]表示有源多模无人机s在第n个飞行时隙内的下行波束赋形向量;Θs[n]表示无源模式多模无人机s的相移矩阵;αs[n]表示多模无人机s在第n个飞行时隙内中的工作模式;hu,s,k[n]、hr,s,k[n]和Hs,-s[n]分别表示有源多模无人机到地面用户、无源多模无人机到地面用户和有源多模无人机s到无源多模无人机-s的信道;Θs[n]表示无源多模无人机s的相移矩阵;
在所述多模无人机工作约束下,根据所述地面用户收集能量和所述地面用户回传吞吐量,得到所述多变量联合优化模型;所述多变量联合优化模型的目标函数表示为:
式中,
其中,Rk表示第k个地面用户的平均回传吞吐量;Rk[n]表示第n个飞行时隙内第k个地面用户的回传吞吐量;βs,k[n]表示多模无人机s在第n个飞行时隙内与第k个地面用户的匹配变量;tI,k[n]和pk[n]分别表示第n个飞行时隙内第k个地面用户的上行数据回传子时隙和发射功率;N表示飞行时隙的总数。
4.如权利要求1所述的无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述子问题模型包括模式切换和用户调度优化模型、有源和无源波束成形优化模型、用户回传策略优化模型和多模无人机轨迹优化模型。
5.如权利要求4所述的无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型的步骤包括:
通过引入松弛变量,将所述多变量联合优化模型转换为松弛多变量联合优化模型;所述松弛多变量联合优化模型表示为:
其中,η表示松弛变量;
根据所述松弛多变量联合优化模型,对多模无人机的模式切换策略和用户调度策略进行联合优化,得到所述模式切换和用户调度优化模型;所述模式切换和用户调度优化模型表示为:
根据所述松弛多变量联合优化模型,对多模无人机的有源模式能量波束赋形和无源模式相移矩阵进行联合优化,得到所述有源和无源波束成形优化模型;所述有源和无源波束成形优化模型表示为:
根据所述松弛多变量联合优化模型,对用户数据回传的时隙分配和发射功率进行联合优化,得到所述用户回传策略优化模型;所述用户回传策略优化模型表示为:
根据所述松弛多变量联合优化模型,对多模无人机位置进行优化,得到所述多模无人机轨迹优化模型;所述多模无人机轨迹优化模型表示为:
6.如权利要求5所述的无人机携载智能反射面的多模调控与轨迹优化方法,其特征在于,所述根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略的步骤包括:
将所述模式切换和用户调度优化模型进行离散量松弛和凸近似约束转化求解,得到对应的最优模式切换和用户调度策略;
将所述有源和无源波束成形优化模型按照无源波束形成优化和有源波束形成优化进行两阶段交替优化求解,得到最优波束形成策略;
通过引入松弛变量,将所述用户回传策略优化模型进行凸优化转化求解,得到对应的最优用户回传策略;
通过分类讨论和一阶泰勒展开方法,将所述多模无人机轨迹优化模型进行凸优化转化求解,得到对应的最优飞行轨迹。
7.一种无人机携载智能反射面的多模调控与轨迹优化系统,其特征在于,所述系统包括:
系统构建模块,用于构建多模无人机通信系统模型;所述多模无人机通信系统模型包括两架多模无人机和若干地面用户;所述多模无人机为同时集成多天线和智能反射面的无人机;
模型构建模块,用于根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型;
模型转化模块,用于利用块坐标下降法将所述多变量联合优化模型,解耦转换为多个子问题模型;
策略求解模块,用于根据凸优化理论,对各个子问题模型进行求解,得到无人机多模调控与轨迹优化策略;
其中,所述根据所述多模无人机通信系统模型,以最大化最小地面用户平均吞吐量为目标,建立多变量联合优化模型,包括:
根据所述多模无人机通信系统模型,将所述多模无人机的各个飞行时隙进行子时隙划分,得到多模无人机时隙结构;所述多模无人机时隙结构包括下行能量传输子时隙和各个地面用户的上行数据回传子时隙;
根据所述多模无人机时隙结构和预设的多模无人机工作约束,得到地面用户接入协议;
所述多模无人机工作约束包括地面用户能量消耗约束、多模无人机模式切换约束、多模无人机用户调度约束、能量波束赋形约束、智能反射面相移约束、时隙分配约束和多模无人机移动约束;
所述地面用户能量消耗约束表示为:
其中,tI,k[n]、pk[n]和Ek[n]分别表示第n个飞行时隙内第k个地面用户的上行数据回传子时隙、发射功率和收集能量;
所述多模无人机模式切换约束表示为:
其中,αs[n]表示多模无人机s在第n个飞行时隙内切换的模式,且αs[n]=1表示有源模式,αs[n]=0表示无源模式;
所述多模无人机用户调度约束表示为:
其中,βs,k[n]表示多模无人机s在第n个飞行时隙内被第k个地面用户调度的变量,且βs,k[n]=1表示调度,βs,k[n]=0表示未调度;
所述能量波束赋形约束表示为:
其中,ωs[n]表示多模无人机s在第n个飞行时隙内的下行波束赋形向量;
所述智能反射面相移约束表示为:
其中,θs[n]表示多模无人机s在第n个飞行时隙内的相移向量;L表示智能反射面的均匀平面阵列大小;
所述时隙分配约束表示为:
其中,tE[n]表示第n个飞行时隙内下行能量传输子时隙;
所述多模无人机移动约束表示为:
其中,qs[n+1]和qs[n]分别表示多模无人机s在第n+1个飞行时隙和第n个飞行时隙内的水平位置;-s表示多模无人机集合中除s外另一个元素;Vmax表示多模无人机的最大飞行速度;Dmin表示两架多模无人机之间的最小安全距离;δ表示单个飞行时隙的长度。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072734.XA CN116092332B (zh) | 2023-01-31 | 2023-01-31 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072734.XA CN116092332B (zh) | 2023-01-31 | 2023-01-31 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116092332A CN116092332A (zh) | 2023-05-09 |
CN116092332B true CN116092332B (zh) | 2023-12-05 |
Family
ID=86200610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310072734.XA Active CN116092332B (zh) | 2023-01-31 | 2023-01-31 | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092332B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708624B (zh) * | 2023-06-13 | 2024-02-20 | 云谷(固安)科技有限公司 | 多功能组件、无线通信设备和显示面板 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205931231U (zh) * | 2016-05-13 | 2017-02-08 | 黄剑锋 | 一种多天线机身融合无人机 |
CN110166107A (zh) * | 2019-05-17 | 2019-08-23 | 武汉大学 | 基于无线携能通信网络的无人机中继系统资源分配方法 |
CN112584321A (zh) * | 2020-12-15 | 2021-03-30 | 电子科技大学 | 一种无人机协同的数能一体化网络的优化方法 |
CN114884829A (zh) * | 2022-05-05 | 2022-08-09 | 福州大学 | 基于mcr-wpt的无人机协助wpcn的资源分配方法 |
CN114980169A (zh) * | 2022-05-16 | 2022-08-30 | 北京理工大学 | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 |
CN115484550A (zh) * | 2022-08-17 | 2022-12-16 | 西北工业大学 | 面向无人机平台的多对用户场景下双向中继系统吞吐量最大化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113783599B (zh) * | 2021-08-30 | 2022-05-20 | 吉林大学 | 一种无人机群的无线感知系统能量与信息传输方法 |
-
2023
- 2023-01-31 CN CN202310072734.XA patent/CN116092332B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205931231U (zh) * | 2016-05-13 | 2017-02-08 | 黄剑锋 | 一种多天线机身融合无人机 |
CN110166107A (zh) * | 2019-05-17 | 2019-08-23 | 武汉大学 | 基于无线携能通信网络的无人机中继系统资源分配方法 |
CN112584321A (zh) * | 2020-12-15 | 2021-03-30 | 电子科技大学 | 一种无人机协同的数能一体化网络的优化方法 |
CN114884829A (zh) * | 2022-05-05 | 2022-08-09 | 福州大学 | 基于mcr-wpt的无人机协助wpcn的资源分配方法 |
CN114980169A (zh) * | 2022-05-16 | 2022-08-30 | 北京理工大学 | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 |
CN115484550A (zh) * | 2022-08-17 | 2022-12-16 | 西北工业大学 | 面向无人机平台的多对用户场景下双向中继系统吞吐量最大化方法 |
Non-Patent Citations (1)
Title |
---|
《智能反射面辅助的无人机无线携能通信网络吞吐量最大化算法研究》;刘志新;电子与信息学报;第44卷(第7期);2325-2331 * |
Also Published As
Publication number | Publication date |
---|---|
CN116092332A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Reconfigurable intelligent surfaces: Principles and opportunities | |
CN113162679B (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
CN113259836B (zh) | 一种irs辅助无人机通信网络联合优化方法 | |
Faisal et al. | Machine learning approaches for reconfigurable intelligent surfaces: A survey | |
CN113873575B (zh) | 智能反射面辅助的非正交多址无人机空地通信网络节能优化方法 | |
CN113114343B (zh) | 一种多波束卫星的高能效智能动态波束成形方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN109962727B (zh) | 临空通信混合波束赋形及非正交多址接入传输方法 | |
CN116092332B (zh) | 无人机携载智能反射面的多模调控与轨迹优化方法及系统 | |
CN114286312A (zh) | 一种基于可重构智能表面增强无人机通信的方法 | |
CN113377533A (zh) | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 | |
CN113965245A (zh) | 基于opgw接头盒的智能反射面通信系统资源优化方法 | |
CN113709687A (zh) | 一种智能反射面辅助的无线传感器网络的资源分配方法 | |
Jiang et al. | Reconfigurable intelligent surface assisted mmwave UAV wireless cellular networks | |
Mazgula et al. | Ultra reliable low latency communications in mmWave for factory floor automation | |
Singh et al. | Wireless powered communication network optimization using PSO-CS algorithm | |
KR20220013906A (ko) | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 | |
Zhou et al. | Flying IRS: QoE-driven trajectory optimization and resource allocation based on adaptive deployment for WPCNs in 6G IoT | |
CN116033461B (zh) | 一种基于star-ris辅助的共生无线电传输方法 | |
CN114786189B (zh) | 一种智能超表面辅助的室内通信方法 | |
Cho et al. | IRS-aided energy efficient UAV communication | |
CN115276747B (zh) | 无人机辅助无线通信系统中位置和波束向量联合优化方法 | |
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 | |
CN115664486A (zh) | 一种ris辅助uav边缘计算系统中无线供能的能效优化方法 | |
CN115734238A (zh) | 智能反射面辅助的通信网络覆盖优化方法 |
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 |