CN116319511B - 基于最短路径树图联盟形成算法的通信连接方法和系统 - Google Patents

基于最短路径树图联盟形成算法的通信连接方法和系统 Download PDF

Info

Publication number
CN116319511B
CN116319511B CN202211649653.3A CN202211649653A CN116319511B CN 116319511 B CN116319511 B CN 116319511B CN 202211649653 A CN202211649653 A CN 202211649653A CN 116319511 B CN116319511 B CN 116319511B
Authority
CN
China
Prior art keywords
unmanned aerial
alliance
aerial vehicle
time period
period
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
Application number
CN202211649653.3A
Other languages
English (en)
Other versions
CN116319511A (zh
Inventor
黄叶婷
吴启晖
戚楠
黄赞奇
贾录良
姚如贵
王文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211649653.3A priority Critical patent/CN116319511B/zh
Publication of CN116319511A publication Critical patent/CN116319511A/zh
Application granted granted Critical
Publication of CN116319511B publication Critical patent/CN116319511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/48—Routing tree calculation
    • 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)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于最短路径树图联盟形成算法的通信连接方法和系统，其中方法包括将无人机的任务执行总时间均匀划分为多个时间段；获取目标时间段无人机之间的信道增益；根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；获取联盟的连接子图的连接性贡献；构建联盟的价值函数；根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。本发明确保无人机集群在干扰和动态环境下的高效通信连接。

Description

基于最短路径树图联盟形成算法的通信连接方法和系统
技术领域
本发明属于通信博弈决策技术领域，尤其涉及一种基于最短路径树图联盟形成算法的通信连接方法和系统。
背景技术
无人机凭借其自身特有的高移动灵活性和易部署规划性，基于无人机的网络通信方案与传统的地面通信网络设施相比更具优势。第三代合作伙伴项目(The 3rdGenerationPartnership Project，3GPP)研究了长期演进技术(LongTerm Evolution，LTE)服务于无人机时的性能，并提出了对LTE支持无人机连接的长远解决方案；此外，Verizon指定了名为“空中LTE行动”的计划，部署无人机充当空中临时基站，灾后为地面用户提供移动通信服务。
尽管无人机网络的通信可以实现按需、灵活、可靠的网络服务功能，然而，无人机网络的通信依然面临着诸多挑战与问题，其中最为严重的是有限能量约束和干扰影响下的无人机网络通信质量保障问题。一方面，由于无人机的电池容量有限，使得无人机通信网络存在频繁的无人机退出进入动作，这就会导致无人机网络的连接质量无法保障；另一方面，由于无人机网络在通信的过程中往往会受到来自地面的无意或恶意干扰，使得无人机之间的通信连接时断时续。因此，面对差异化的网络连接需求，实现高能效的网络连接建立尤为重要。
由于以下原因，针对动态环境下的无人机网络通信连通性保障仍然面临新的挑战。首先，由于无线通信的干扰存在，无人机集群的通信性能不稳定，这导致高传输延迟。其次，无人机集群的高机动性导致了动态网络拓扑，无人机之间的通信有时可能无效。最后，具有通信能力的无人机可能是自私的，并且不愿意在没有激励的情况下与断开连接的无人机进行通信。因此，如何设计一种有效的机制来确保无人机集群在干扰和动态环境下的高效通信连接仍然是一个至关重要的问题。
发明内容
本发明针对现有技术中的不足，提供一种基于最短路径树图联盟形成算法的通信连接方法和系统。
第一方面，本发明提供一种基于最短路径树图联盟形成算法的通信连接方法，包括：
将无人机的任务执行总时间均匀划分为多个时间段；
获取目标时间段无人机之间的信道增益；
根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；
根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；
根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；
获取联盟的连接子图的连接性贡献；其中，连接性贡献为t时间段联盟Si(t)的收益；
构建联盟的价值函数；
根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。
进一步地，所述根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比，包括：
根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；gj,k(t)为t时间段无人机j和无人机k之间的信道增益；gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
进一步地，所述根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延，包括：
根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量；Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
进一步地，所述构建联盟的价值函数，包括：
构建联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；/>为联盟Si(t)所带来的连接子图的连接性贡献；w1为/>的常数系数；/>为t时间段联盟Si(t)的飞行能量损耗；w2为的常数系数；w3为/>的常数系数。
进一步地，所述根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用，包括：
根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
第二方面，本发明提供一种基于最短路径树图联盟形成算法的通信连接系统，包括：
时间划分模块，用于将无人机的任务执行总时间均匀划分为多个时间段；
第一获取模块，用于获取目标时间段无人机之间的信道增益；
第一计算模块，用于根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；
第二计算模块，用于根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；
第三计算模块，用于根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；
第二获取模块，用于获取联盟的连接子图的连接性贡献；其中，连接性贡献为t时间段联盟Si(t)的收益；
构建模块，用于构建联盟的价值函数；
第四计算模块，用于根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。
进一步地，所述第一计算模块包括：
第一计算单元，用于根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；gj,k(t)为t时间段无人机j和无人机k之间的信道增益；gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
进一步地，所述第三计算模块包括：
第二计算单元，用于根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量；Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
进一步地，所述构建模块包括：
构建单元，用于构建联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；/>为联盟Si(t)所带来的连接子图的连接性贡献；w1为/>的常数系数；/>为t时间段联盟Si(t)的飞行能量损耗；w2为的常数系数；w3为/>的常数系数。
进一步地，所述第四计算模块包括：
第二计算单元，用于根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
本发明提供一种基于最短路径树图联盟形成算法的通信连接方法和系统，其中方法包括将无人机的任务执行总时间均匀划分为多个时间段；获取目标时间段无人机之间的信道增益；根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；获取联盟的连接子图的连接性贡献；构建联盟的价值函数；根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。本发明采用上述方法确保无人机集群在干扰和动态环境下的高效通信连接。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于最短路径树图联盟形成算法的通信连接方法的流程图；
图2为本发明实施例提供的无人机通信模型图；
图3为本发明实施例提供的联盟网络拓扑模型图；
图4为本发明实施例提供的不同多时隙算法收敛效果对比图；
图5为本发明实施例提供的不同算法的效用对比图；
图6为本发明实施例提供的不同算法的连通性恢复效果对比图；
图7为本发明实施例提供的一种基于最短路径树图联盟形成算法的通信连接系统的结构图。
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、完整的描述，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。
在一实施例中，如图1所示，本发明实施例提供一种基于最短路径树图联盟形成算法的通信连接方法，包括：
步骤101，将无人机的任务执行总时间均匀划分为多个时间段。
博弈过程的参与者为所有无人机，将任务执行总时间划分为T个等间隔时间段，即用表示连续时间段。假设在t任务时间段有N个无人机分布在任务区域上方执行任务，即可将t时刻空中的无人机集合表示为/>示例性地，如图2所示，在500m*500m的平面上方，t时间段任务区域内共有10架无人机随机分布在不同的区域。任务区域分为强连接区域和弱连接区域，强连接区不存在恶意干扰，即无人机之间可以在通信范围内正常通信；弱连接区中存在恶意干扰，使得集群内部部分无人机不连接。为了鼓励其他无人帮助弱连接区无人机之间成功传输信息，结合无人机集群实时变化的网络拓扑，采用图联盟形成博弈对无人机之间的协作进行建模。在任务区域内存在恶意干扰使得无人机集群内的部分无人机处于弱连接区域，从而导致部分无人机之间的连接性失效。由于单个无人机的能量和通信能力有限，考虑多个无人机依据实时变化的网络拓扑形成联盟，以协作的方式帮助连接性失效的无人机恢复通信。在联盟形成的过程中，无人机之间只需要交互其位置信息即可以完成联盟形成的过程。
步骤102，获取目标时间段无人机之间的信道增益。
考虑到无人机之间通信链路为视距链路，不失一般性地，本实施例假设空中无人机之间的通信为自由空间路径损耗模型，则t时间段无人机j和无人机k之间的信道增益gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离。
步骤103，根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比。
根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
步骤104，根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率。
根据以下公式计算目标时间段无人机之间的传输速率：
Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))。
其中，Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
步骤105，根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑。
为了保障无人机之间的正常传输，相邻无人机之间的通信需要满足其信噪比大于等于信噪比阈值γth，即γj,k(t)≥γth。则无人机之间的一跳通信范围可表示为：
考虑到无人机的通信范围受限，任务执行过程中，距离较远的无人机以及连接性失效的无人机之间的通信往往需要其他无人机参与协同，通过多跳的方式传输信息，这就给整个网络带来了低时延的通信要求以保证网络通信的时效性。假设t时刻网络中存在联盟Si(t)在帮助网络中无法直接通信的无人机通信对之间进行信息传输。
根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Tj,k为联盟Si(t)中相邻两个无人机之间的传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量。
步骤106，获取联盟的连接子图的连接性贡献。
本实施例用时变的网络拓扑结构刻画现实环境中的潜在博弈结构，将多无人机协同以恢复连接性失效的通信节点之间的通信问题构建为一个图联盟形成博弈。在所构造的图联盟形成博弈中，无人机集群作为博弈的参与者，其动作为是否与其他节点建立通信。将t时间段联盟Si(t)的收益定义为联盟所带来的连接子图的连接性贡献，即其中/>表示联盟Si(t)所带来的连接子图的连接性贡献，/>表示t时间段联盟Si(t)的收益。t时间段联盟Si(t)的代价定义为联盟的信号传输时延和联盟内有一定飞行距离的无人机的飞行能量损耗：
其中，为t时间段联盟Si(t)的飞行能量损耗；w2为/>的常数系数；w3为的常数系数。
步骤107，构建联盟的价值函数。
定义t时间段联盟Si(t)的价值函数为收益与代价之差，联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；w1为/>的常数系数。
步骤108，根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。
在可转移效用的图联盟形成博弈中，联盟所获得的收益可以按照一定的分配规则分配给各联盟成员。结合联盟的网络拓扑结构，本实施例采用按劳分配准则，即按照联盟内部顶点的度分配无人机的效用。根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
证明所构建博弈模型为精确势能博弈。对于任一无人机k和两个联盟S1和S2，利他准则定义如下动作：
如图3所示，在利他准则中，当无人机k加入新的联盟，即在新的联盟中寻找接入点使得两点之间建立通信边，无人机k以及离开和加入新联盟中的无人机总效用在提升。根据上述分析可知，无人机的效用由是否和新联盟中的节点建立通信有关。
考虑到无人机之间的局部合作，定义无人机j的效用函数为：
其中Soriginal表示无人机j离开的联盟；表示无人机j选择加入的新联盟；cj表示无人机j的选择策略；c-j表示除了无人机j之外的所有无人机的选择策略；uj(cj,c-j)则表示在当前所有无人机的策略选择下无人机j的效用。定义如下的势能函数：
若无人机j单方面地将其任务选择从cj改变为那么无人机j的效用函数改变量为：
另一方面，由于无人机j单方面改变其任务选择导致地势能函数地改变量为：
其中X\Y表示集合Y从集合X中删除。由于无人机j单方面的改变其任务选择，只会影响无人机j离开和加入联盟，即/>和/>因此，下式成立：
由上述分析可得，
由以上分析可知，以下等式成立：
由上式可以看出，由于任意无人机j单独改变其任务选择导致地效用函数变化量和势能函数变化量相同。因此所构造的图联盟形成博弈是精确势能博弈且至少存在一个纯策略纳什均衡。因此，没有无人机可以通过单方面地改变其任务选择来提升自己的效用。由于所构造的势能函数恰好等于全网效用，由此可得，最大化势能函数等价于最大化全网任务效用。基于此，所构建的博弈为一个精确势能博弈。
精确势能博弈有许多的性质，最重要的两条如下：
精确势能博弈至少存在一个纳什均衡；
势能函数的全局或局部最优解构成一个纳什均衡。
如图4所示，动态图联盟形成博弈的阶段1至阶段3的收敛行为，从图中对比的三种算法可以看出，所提的SPT-GCF算法可以更快地收敛到最优解，体现了所提算法的图联盟形成优越性。
如图5所示，显示了随无人机数量变化下的全网无人机平均效用的变化关系。由图可见，当无人机数目增加时，无人机的平均效用先上升后下降。效用上升阶段体现了无人机之间的通过协作以保障通信连通性的优势，而下降阶段则体现了合作所带来的代价。由于协作无人机达到一定数目时，无人机集群的总收益达到饱和，因此过多的无人机会导致无人机代价占主导地位。此外，图5对比了不同算法下的无人机平均效用，可以看出所提SPT-GCF算法性能优于其他算法。
如图6所示，显示了在不同算法下强弱连通区的无人机平均效用的对比。该结果通过多次独立仿真实验并求其期望值得出，从图6可以看出在强连通区和弱连通区，所提算法的性能都要优于其他算法。此外，在弱连通区，所提算法对于整个网络的连通性保持的优势体现的更明显。
本发明提供的基于最短路径树图联盟形成算法的通信连接方法，采用基于最短路径树的图联盟形成算法，该算法能够快速收敛且达到较好的局部最优解。最短路径树的图联盟形成算法由各无人机单独执行，是一种分布式学习算法。首先采用基于Floyd算法的最短路径树初始化联盟形成并根据公式计算初始联盟的效用。接着，执行联盟的退出和加入动作，在每次迭代中，依次选择初始联盟中的多余节点和联盟外的自由节点进行策略更新。选定的无人机会依次选择退出动作和加入动作，并根据动作后的结果，探索其于其的效用值。之后，选定的无人机会在利他准则下进行效用的比较，来决定是保持原来的动作还是执行新的动作。通过反复迭代，直到收敛到最终的稳定联盟结构，在这个状态下，任何一个无人机都不想偏离当前的任务选择。
基于同一发明构思，本发明实施例还提供了一种基于最短路径树图联盟形成算法的通信连接系统，由于该系统解决问题的原理与前述基于最短路径树图联盟形成算法的通信连接方法相似，因此该系统的实施可以参见基于最短路径树图联盟形成算法的通信连接方法的实施，重复之处不再赘述。
在另一实施例中，本发明实施例提供的基于最短路径树图联盟形成算法的通信连接系统，如图7所示，包括：
时间划分模块10，用于将无人机的任务执行总时间均匀划分为多个时间段。
第一获取模块20，用于获取目标时间段无人机之间的信道增益。
第一计算模块30，用于根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比。
第二计算模块40，用于根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率。
第三计算模块50，用于根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑。
第二获取模块60，用于获取联盟的连接子图的连接性贡献。
构建模块70，用于构建联盟的价值函数。
第四计算模块80，用于根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用。
示例性地，所述第一计算模块包括：
第一计算单元，用于根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；gj,k(t)为t时间段无人机j和无人机k之间的信道增益；gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
示例性地，所述第三计算模块包括：
第二计算单元，用于根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量；Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
示例性地，所述构建模块包括：
构建单元，用于构建联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；/>为联盟Si(t)所带来的连接子图的连接性贡献；w1为/>的常数系数；/>为t时间段联盟Si(t)的飞行能量损耗；w2为的常数系数；w3为/>的常数系数。
示例性地，所述第四计算模块包括：
第二计算单元，用于根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；/>V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
关于上述各个模块更加具体的工作过程可以参考前述方法实施例公开的相应内容，在此不再进行赘述。
在另一实施例中，本发明提供一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现上述基于最短路径树图联盟形成算法的通信连接方法的步骤。
关于上述方法更加具体的过程可以参考前述方法实施例中公开的相应内容，在此不再进行赘述。
在另一实施例中，本发明提供一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现上述基于最短路径树图联盟形成算法的通信连接方法的步骤。
关于上述方法更加具体的过程可以参考前述方法实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备和存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。

Claims (6)

1.一种基于最短路径树图联盟形成算法的通信连接方法，其特征在于，包括：
将无人机的任务执行总时间均匀划分为多个时间段；
获取目标时间段无人机之间的信道增益；
根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；
根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；
根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；
获取联盟的连接子图的连接性贡献；其中，连接性贡献为t时间段联盟Si(t)的收益；
构建联盟的价值函数；
根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用；
其中，所述构建联盟的价值函数，包括：
构建联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；/>为联盟Si(t)所带来的连接子图的连接性贡献；w1为/>的常数系数；/>为t时间段联盟Si(t)的飞行能量损耗；w2为/>的常数系数；w3为/>的常数系数；/>为t时间段联盟Si(t)内信号传输时延；
所述根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用，包括：
根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
2.根据权利要求1所述的通信连接方法，其特征在于，所述根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比，包括：
根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；gj,k(t)为t时间段无人机j和无人机k之间的信道增益；gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
3.根据权利要求2所述的通信连接方法，其特征在于，所述根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延，包括：
根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量；Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
4.一种基于最短路径树图联盟形成算法的通信连接系统，其特征在于，包括：
时间划分模块，用于将无人机的任务执行总时间均匀划分为多个时间段；
第一获取模块，用于获取目标时间段无人机之间的信道增益；
第一计算模块，用于根据目标时间段无人机之间的信道增益计算目标时间段无人机信号接收时的信噪比；
第二计算模块，用于根据目标时间段无人机信号接收时的信噪比计算目标时间段无人机之间的传输速率；
第三计算模块，用于根据目标时间段无人机之间的传输速率计算目标时间段联盟内信号传输时延；所述联盟为所有无人机组成的网络拓扑；
第二获取模块，用于获取联盟的连接子图的连接性贡献；其中，连接性贡献为t时间段联盟Si(t)的收益；
构建模块，用于构建联盟的价值函数；
第四计算模块，用于根据联盟的价值函数和联盟的连接子图的连接性贡献计算联盟中各无人机的效用；
其中，所述构建模块包括：
构建单元，用于构建联盟的价值函数表达式：
其中，为t时间段联盟Si(t)的价值函数；/>为联盟Si(t)所带来的连接子图的连接性贡献；w1为/>的常数系数；/>为t时间段联盟Si(t)的飞行能量损耗；w2为/>的常数系数；w3为/>的常数系数；/>为t时间段联盟Si(t)内信号传输时延；
所述第四计算模块包括：
第二计算单元，用于根据以下公式计算联盟中各无人机的效用：
其中，uj(Si)为联盟Si(t)中第j个无人机的效用；为联盟的中心度；V(Si)为联盟Si(t)的拓扑图的顶点数量；deg(j)为联盟的顶点的度；deg(j)＝|{{k,j}∈E:k∈Si}|；E为联盟Si(t)的拓扑图的边的集合；{k,j}为连接无人机j和无人机k的边；Si为联盟Si(t)内所有无人机的集合；|Si|为联盟Si(t)的成员数量。
5.根据权利要求4所述的通信连接系统，其特征在于，所述第一计算模块包括：
第一计算单元，用于根据以下公式计算目标时间段无人机信号接收时的信噪比：
其中，γj,k(t)为t时间段无人机信号接收时的信噪比；Pj(t)为无人机j在t时间段的发射功率；gj,k(t)为t时间段无人机j和无人机k之间的信道增益；gj,k(t)＝(dj,k(t))-α；α为路径损耗指数；dj,k(t)为t时间段无人机j和无人机k之间的距离；β为指示函数，用于判断发送端无人机位于强连接区还是弱连接区，β＝0，发送端无人机位于强连接区，β＝1，发送端无人机位于弱连接区；Ij(t)为t时间段接收端无人机受到的干扰；σ2为高斯白噪声方差。
6.根据权利要求5所述的通信连接系统，其特征在于，所述第三计算模块包括：
第二计算单元，用于根据以下公式计算目标时间段联盟内信号传输时延：
其中，为t时间段联盟Si(t)内信号传输时延；Fi(t)为t时间段联盟Si(t)所辅助的通信对之间需要传输的数据量；Rj,k(t)为t时间段无人机j和无人机k之间的传输速率；
Rj,k(t)＝Bj,k(t)log2(1+γj,k(t))；Bj,k(t)为t时间段无人机j和无人机k之间的传输信道带宽。
CN202211649653.3A 2022-12-21 2022-12-21 基于最短路径树图联盟形成算法的通信连接方法和系统 Active CN116319511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211649653.3A CN116319511B (zh) 2022-12-21 2022-12-21 基于最短路径树图联盟形成算法的通信连接方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211649653.3A CN116319511B (zh) 2022-12-21 2022-12-21 基于最短路径树图联盟形成算法的通信连接方法和系统

Publications (2)

Publication Number Publication Date
CN116319511A CN116319511A (zh) 2023-06-23
CN116319511B true CN116319511B (zh) 2023-11-10

Family

ID=86789428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211649653.3A Active CN116319511B (zh) 2022-12-21 2022-12-21 基于最短路径树图联盟形成算法的通信连接方法和系统

Country Status (1)

Country Link
CN (1) CN116319511B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800185A (zh) * 2020-07-06 2020-10-20 中国人民解放军陆军工程大学 一种无人机辅助通信中的分布式空地联合部署方法
CN113286269A (zh) * 2020-10-31 2021-08-20 国网河南省电力公司经济技术研究院 一种基于边缘计算的电力通信网络资源管理方法
CN113395676A (zh) * 2021-08-17 2021-09-14 南京航空航天大学 一种基于重叠联盟形成博弈的无人机任务协作方法
CN113676917A (zh) * 2021-08-25 2021-11-19 南京航空航天大学 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法
CN114020028A (zh) * 2021-11-08 2022-02-08 茅丽华 基于多无人机任务调配方法
CN114499648A (zh) * 2022-03-10 2022-05-13 南京理工大学 基于多智能体协作的无人机集群网络智能多跳路由方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3341925B1 (en) * 2015-08-27 2023-09-13 Dronsystems Limited A highly automated system of air traffic control (atm) for at least one unmanned aerial vehicle (unmanned aerial vehicles uav)

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800185A (zh) * 2020-07-06 2020-10-20 中国人民解放军陆军工程大学 一种无人机辅助通信中的分布式空地联合部署方法
CN113286269A (zh) * 2020-10-31 2021-08-20 国网河南省电力公司经济技术研究院 一种基于边缘计算的电力通信网络资源管理方法
CN113395676A (zh) * 2021-08-17 2021-09-14 南京航空航天大学 一种基于重叠联盟形成博弈的无人机任务协作方法
CN113676917A (zh) * 2021-08-25 2021-11-19 南京航空航天大学 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法
CN114020028A (zh) * 2021-11-08 2022-02-08 茅丽华 基于多无人机任务调配方法
CN114499648A (zh) * 2022-03-10 2022-05-13 南京理工大学 基于多智能体协作的无人机集群网络智能多跳路由方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Connectivity Guarantee within UAV Cluster: a Graph Coalition Formation Game Approach;Yeting Huang等;《ResearchGate》;摘要、第II-IV节 *
受限通信下多无人机协同决策与控制方法研究;刘重;《中国博士学位论文全文数据库》;全文 *
基于合作博弈的多无人机任务研究;姚晓明;;电子产品世界(第07期);全文 *

Also Published As

Publication number Publication date
CN116319511A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Yang et al. Offloading time optimization via Markov decision process in mobile-edge computing
Bagci et al. A distributed fault-tolerant topology control algorithm for heterogeneous wireless sensor networks
Qu et al. Decentralized federated learning for UAV networks: Architecture, challenges, and opportunities
CN113467952B (zh) 一种分布式联邦学习协同计算方法及系统
Ren et al. Game-theoretic modeling of joint topology control and power scheduling for wireless heterogeneous sensor networks
He et al. Three-stage Stackelberg game enabled clustered federated learning in heterogeneous UAV swarms
CN109151864A (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN113645143B (zh) 一种空中集群通信网络的优化方法及装置
Wang et al. Stackelberg-game-based intelligent offloading incentive mechanism for a multi-UAV-assisted mobile-edge computing system
CN115696211A (zh) 一种基于信息年龄的无人机轨迹自适应优化方法
CN113411766B (zh) 智慧物联网综合感知系统及方法
Arroyo-Valles et al. A censoring strategy for decentralized estimation in energy-constrained adaptive diffusion networks
Zu et al. SMETO: Stable matching for energy-minimized task offloading in cloud-fog networks
Künzel et al. Weight adjustments in a routing algorithm for wireless sensor and actuator networks using Q-learning
Xie et al. Dynamic D2D multihop offloading in multi-access edge computing from the perspective of learning theory in games
CN114698125A (zh) 移动边缘计算网络的计算卸载优化方法、装置及系统
Cheng et al. Cheese: Distributed clustering-based hybrid federated split learning over edge networks
Baidas et al. Altruistic coalition formation in cooperative wireless networks
CN104540203A (zh) 基于独立集的无线体域网能效优化方法
Wang et al. Deep reinforcement learning for dependency-aware microservice deployment in edge computing
CN116319511B (zh) 基于最短路径树图联盟形成算法的通信连接方法和系统
Hatime et al. OCTOPUS: An on-demand communication topology updating strategy for mobile sensor networks
Kasabova et al. On modeling the psychology of wireless node interactions in the context of internet of things
Mishra et al. A game theory-based transportation system using fog computing for passenger assistance
Wang et al. Knowledge distillation based cooperative reinforcement learning for connectivity preservation in uav 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