CN116887325B - 一种基于动态稳定匹配的无人机自适应切换方法及系统 - Google Patents
一种基于动态稳定匹配的无人机自适应切换方法及系统 Download PDFInfo
- Publication number
- CN116887325B CN116887325B CN202310693595.2A CN202310693595A CN116887325B CN 116887325 B CN116887325 B CN 116887325B CN 202310693595 A CN202310693595 A CN 202310693595A CN 116887325 B CN116887325 B CN 116887325B
- Authority
- CN
- China
- Prior art keywords
- base station
- unmanned aerial
- aerial vehicle
- matching
- utility function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 82
- 238000004891 communication Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000008447 perception Effects 0.000 claims abstract description 24
- 230000000903 blocking effect Effects 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008450 motivation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000005562 fading Methods 0.000 description 28
- 238000005457 optimization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
- H04W36/0058—Transmission of hand-off measurement information, e.g. measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基于动态稳定匹配的无人机自适应切换方法及系统，其中方法步骤包括：基于无人机和基站构建低空感知网络模型；在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；基于无人机效用函数和基站效用函数，将无人机与基站进行匹配，得到匹配结果；基于匹配结果，执行决策，完成基站之间的切换。本申请通过引入动态匹配的概念，将静态离散稳定匹配模型扩展为动态连续稳定匹配模型，根据环境的微小变化来修正前一个时隙的匹配结果。同时，还可在通信质量、切换频率和收敛速度之间取得更好的平衡。
Description
技术领域
本申请涉及无人机通信领域，具体涉及一种基于动态稳定匹配的无人机自适应切换方法及系统。
背景技术
由于具有可控性强、成本低、高灵活性和高视线(Line-of-Sight，LOS)概率的优势，无人机(Unmanned Aerial Vehicles，UAVs)目前在执行运输、航空测绘、巡航摄影和工业场景、应急场景不同领域的其他任务中发挥着至关重要的作用。以低空空域为主要飞行区域的无人机，其飞行管理不完善一直是当前限制无人机行业发展的因素之一。不完善的低空空域调度会带来无人机空中碰撞的风险，以及对机场飞机起飞与降落阶段的干扰等。面对构建低空网络基础环境的管理需求，中国移动联合华为首次提出采用5G-Advanced通信感知融合一体化技术，构建无人机低空感知网络的方式，实现对无人机的路径规划、飞行轨迹的精准探测以及有效避障。2023年5月23日，中国移动联合华为首次实现5G-Advanced感知网络在低空场景下的无人机轨迹精确追踪、非法入侵探测等场景验证，感知目标最小可达0.01平方米，且识别率高达100％，极大地推动了低空感知网络的发展。
5G-Advanced通信感知融合一体化技术为无人机带来了更高的覆盖范围、良好的安全性和更多样化的业务类型，在无人机通信中具有广泛的前景。由于网络无处不在的可访问性，低空感知网络中的无人机可以与基站(Base Stations，BSs)或其他基础设施保持无线连接，从而确保实时和可靠的通信。因此，面对高度动态化的通信场景需求，迫切需要进一步研究无人机与低空感知网络结合的可行性，以确保无人机的广域移动和安全无线连接。
在低空感知网络中执行任务的无人机具有很强的动态性，需要高质量的通信链路进行实时信息返回。然而，LoS/NLoS之间的链路转换和无人机的高动态会导致空对地(Air-to-Ground，A2G)信道的波动，无人机的服务质量(Quality of Service，QoS)需求与时变网络状态不适配。为了满足传输需求，无人机需要频繁地执行切换以确保连通性，这增加了其业务中断的概率。合理的切换决策可以最大程度地减少切换次数，以提高业务的连续性，否则容易导致乒乓效应。因此，亟需一种动态的多无人机越区切换策略，以解决业务在时空维度上适应度不足的问题。
发明内容
为解决上述背景中存在的问题，本申请提出了一种自适应策略，在无人机节点加入网络、离开网络与在网络中移动的情况下，时刻保持无人机在网络中的稳定链接，以降低其业务中断率。
为实现上述目的，本申请提供了一种基于动态稳定匹配的无人机自适应切换方法，步骤包括：
基于无人机和基站构建低空感知网络模型；
在所述低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；
基于所述无人机效用函数和所述基站效用函数，将无人机与基站进行匹配，得到匹配结果；
基于所述匹配结果，执行决策，完成基站之间的切换。
优选的，所述低空感知网络模型包括：无人机集合基站集合/>和/>其中，每个基站都具有相同的固定容量，单一基站服务的无人机数量不超过所述固定容量；无人机的分布遵循三维独立齐次泊松点过程，且每个基站都拥有相同的覆盖半径。
优选的，所述通信质量参数包括：信号接收功率和接收质量；所述稳定性参数包括：传输时延、切换前后的接收功率差、连接当前基站时长和离开当前基站覆盖的最短时长。
优选的，得到所述匹配结果的方法包括：
基于所述无人机效用函数和所述基站效用函数，分别构建偏好列表，得到初始匹配结果；
引入匹配算法，求解所述初始匹配结果，得到所述匹配结果。
优选的，完成所述切换决策的方法包括：
基于所述匹配结果，求得每个时隙的稳定匹配结果；
基于所述稳定匹配结果，得到相邻时隙结果的变化；
基于所述稳定匹配结果和所述相邻时隙结果的变化，完成所述切换决策。
本申请还提供了一种基于动态稳定匹配的无人机自适应切换系统，包括：构建模块、计算模块、匹配模块和决策模块；
所述构建模块用于基于无人机和基站构建低空感知网络模型；
所述计算模块用于在所述低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；
所述匹配模块用于基于所述无人机效用函数和所述基站效用函数，将无人机与基站进行匹配，得到匹配结果；
所述决策模块用于基于所述匹配结果，执行决策，完成基站之间的切换。
优选的，所述匹配模块的工作流程包括：
基于所述无人机效用函数和所述基站效用函数，分别构建偏好列表，得到初始匹配结果；
引入匹配算法，求解所述初始匹配结果，得到所述匹配结果。
优选的，所述决策模块的工作流程包括：
基于所述匹配结果，求得每个时隙的稳定匹配结果；
基于所述稳定匹配结果，得到相邻时隙结果的变化；
基于所述稳定匹配结果和所述相邻时隙结果的变化，完成所述切换决策。
与现有技术相比，本申请的有益效果如下：
本申请通过引入动态匹配的概念，将静态离散稳定匹配模型扩展为动态连续稳定匹配模型，根据环境的微小变化来修正前一个时隙的匹配结果。同时，还可在通信质量、切换频率和收敛速度之间取得更好的平衡。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的方法流程示意图；
图2为本申请实施例的自适应动态匹配算法流程示意图；
图3为本申请实施例中双边偏好列表演化示意图；
图4为本申请实施例中DSMAH算法与Gale-Shapley算法、贪婪算法和匈牙利算法的平均阻塞对对比图；
图5为本申请实施例中DSMAH算法与Gale-Shapley算法、贪婪算法和匈牙利算法的平均切换次数对比图；
图6为本申请实施例中DSMAH算法与Gale-Shapley算法、贪婪算法和匈牙利算法的总效用值对比图；
图7为本申请实施例中DSMAH算法与Gale-Shapley算法的迭代次数对比图；
图8为本申请实施例的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本实施例的方法流程示意图，步骤包括：
S1.基于无人机和基站构建低空感知网络模型。
本实施例中，针对无人机和基站之间的A2G信道进行建模，并计算每个无人机的接收功率。
距链路增益是无人机通信的特性之一。由于无人机在高空飞行，很少被障碍物遮挡，A2G链路被认为是高概率LoS链路。通常LoS/NLoS链路的概率可以由下式计算：
PNLOS(θ)＝1-PLOS(θ) (2)
其中，α和β分别表示环境决定的常数系数；θ表示仰角；η＝180/π表示角度-弧度转化因子。
因此，无人机m至基站n的LOS/NLOS路径损耗遵循如下模型：
其中，dm，n表示无人机m与基站n之间的三维距离。
那么，无人机m至基站n之间的平均自由空间路径损耗可以表示为
然而在传播过程中，LOS和NLOS链路有不同的信道增益和相关参数，相比自由空间的路径损耗，信号传播通道中会存在障碍物遮挡，在经过障碍物吸收、反射和散射后，使接收信号功率发生随机变化--这种现象被称作阴影衰落。阴影衰落模型一般服从正态分布，由下式给出：
其中，Pt和Pr分别表示发送功率和接收功率；μ表示阴影衰落均值；σ表示阴影衰落标准差。
此外，本实施例还使用Nakagami分布来模拟空对地信道的衰落，因为它可以通过更改衰落参数k灵活地模拟不同级别的衰落情况。假设信道衰落因子h服从Nakagami分布，即均值为1的Gamma分布(h～G(k，1/k))，其概率密度函数表示为
其中，k表示信道衰落参数；为Gamma函数；在莱斯衰落中，参数k(k>1)可以由无人机数量M计算得出：
且当k＝1时该衰落为瑞利衰落，表示当前信道不存在直射路径。
由于多普勒频移相对发射频移可以忽略不计，我们假设多普勒频移已经得到修正，因此我们仅考虑路径损耗、Nakagami衰落和阴影衰落，无人机接收到的源基站的接收信号功率Pr的计算公式为：
其中，Ptn(t)表示基站n的发射功率。
为确保无人机能够在网络中适时地切换，在本实施例中，将优化问题P0表述为最大化无人机的连接收益(包含通信成本和切换成本)之和：
其中，表示信号接收质量；Ir表示单无人机接收到的所有信号(包括噪声)的平均功率；NRB表示用于测量带宽的资源块的数量，即测量期间因接收信号功率(Pr)和接收信号强度(Ir)的带宽不同引入的补偿参数；ηth和γth分别表示Pr与Qr的约束；表示当前时隙t无人机m与基站n是否连接；Hm，n(t)表示切换次数(假设单次切换的的成本相同)，取决于当前时隙t无人机m是否与基站n断开连接并越区切换；ε和ξ为系数，可以将切换成本与通信收益转化为统一的单位。
S2.在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数。
在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数。其中，通信质量参数包括：信号接收功率和接收质量；稳定性参数包括：传输时延、切换前后的接收功率差、连接当前基站时长和离开当前基站覆盖的最短时长。具体步骤包括：
采用多对一匹配理论，将无人机在飞行过程中选择基站的问题表述为双边匹配问题，将无人机和基站分别看作匹配双方，分别根据无人机效用函数和基站效用函数构建偏好列表。多对一匹配理论定义如下：
给定两不同的有限集合M和N，M定义为多对一匹配关系，一个匹配为满足以下条件的双映射M：
其中，
条件1)表示每个无人机最多可以选择一个基站；
条件2)表示每个基站最多可以同时服务L个无人机；
条件3)表示匹配的对称性和传递性。
传统的匹配问题要求双方建立稳定且精确的偏好列表，然而这不适用于快速移动的无人机和动态的A2G信道。理论上，这种相应的连续时间优化问题可以拆分成多个单独时隙来处理，这样就可以用偏好列表的变化反应无人机飞行过程中切换的动态性，从而分布式解决不同时隙的无人机连接基站的问题。
上述匹配模型需要建立动态的偏好列表，为了反应系统应用的目标并满足匹配模型的要求，需要先建立效用函数，再根据效用值来建立偏好列表。
考虑到无人机的优化目标为最大化自身通信成本，接收功率可以直观地显示当前信号的强度且在低速环境中波动较小易测量，同时基于接收功率的切换决策是较常用的决策算法，因此在本专利的模型中，无人机的效用函数计算以接收功率Pr为主要指标。然而，当无人机身处覆盖重叠区，且相邻基站的接收功率与当前相近时，仅考虑接收功率难以将无人机切换至更合适的基站。基于单接收信号功率指标容易导致频繁切换的情况，引入接收信号质量Qr作为效用函数的辅助计算标准，无人机m对基站n的效用函数的计算式如下：
其中，为二进制参数，表示信号质量Qr是否高于阈值限制γth，低于该阈值则值为0，否则为1。
考虑到基站的主要优化目标为最大化网络连接稳定性，即最小化切换成本同时兼顾通信质量，由于无人机在时隙t是否切换无法提前预知，基站n对无人机m的效用函数用多个指标表征：分别为考虑时延、连接时长、最小离开覆盖时长等指标，对该效用函数进行建模：
考虑一个n准则的向量Ω＝(ω1,ω2,...,ωN)表示效用函数U＝(U1,U2,...,Un)的权重，本实施例重点研究四个指标：
a)无人机已连接当前基站的时长；
b)无人机离开当前连接基站的最短时长；
c)传输时延；
d)切换前后无人机接收功率的差值。
其中a)、b)项仅对于基站当前服务无人机有效。
假设PrGAP值表示无人机在切换开始前连接到源基站的接收信号功率，与切换完成后连接到目标基站的接收功率的差值。这是考虑到切换的成本以及因切换造成业务中断的代价较高设立的。在切换过程中，当该PrGAP值减小时，表示无人机从连接的基站接收的信号功率始终保持较高水平，因此它与切换性能直接相关，计算公式如下：
PrGAP(t)＝|Pri(t)-Prj(t)| (12)
其中，Pri(t)和Prj(t)分别表示无人机在时隙t连接到源基站i和目标基站j的接收信号功率。
此外，该效用函数还受其他三个指标影响：
无人机离开当前连接基站的最短时长，由于离开当前基站覆盖范围的无人机不能再和该基站保持连接，它们将处于基站偏好列表的底部，处于当前连接的基站覆盖中心的无人机也可以得到更高的效用值以提高优先级；
传输时延，这是时延最重要的组成部分。时隙的固定长度和A2G信道的时变特性决定了切换决策传输的越快，就有越多的时间留给无人机执行切换决策；
切换前后无人机接收功率的差值，为了保证良好的切换效果、减少业务中断和避免不必要的切换，应尽可能降低无人机切换前服务基站接收功率和切换后目标基站的接收功率差值，以优化切换决策。
考虑到以上四个指标具有不同量纲，通过归一化缩放[0,1]区间以评估每个基站对无人机的效用。
通过引入光滑且二次可微的S型函数(Sigmoidal function)来归一化每个指标对应的效用值：
注意式(13)仅适用于效用值与标准值成正比的指标(已连接时长、最小离开覆盖区域时长)，而使用1-U1(x)来表示效用值与标准值成反比的指标(PrGAP和时延)。式(13)中和/>是效用值曲线陡度的相关参数，x表示测量属性的实际值，xh和xl分别表示最大和最小需求值。xm是区分低效用区域和高质量区域的独立因素，高质量区域始终是Sigmoid函数的中点，并且相对于属性x具有中等效用(U(xm)＝0.5)；
因此，基站n对无人机m的效用函数的计算式如下：
其中，ω1、ω2、ω3和ω4分别对应的权值，且ω1+ω2+ω3+ω4＝1。需要注意的是，这些指标的权重还取决于无人机执行任务的类型，以及是否与基站保持连接。
无人机和基站根据自身的效用函数来确定各自的偏好列表。对于在t时刻，无人机m的偏好列表中的匹配对象--基站n和n’，m的偏好策略为： 表示无人机m的偏好列表中，n比n’更靠前，这表示无人机m相比n’更喜欢n。同理，对于在t时刻，基站n的偏好列表中的匹配对象--无人机m和m’，n的偏好策略为：由此分别得到无人机m和基站n的偏好列表/>和/>在匹配过程中，无人机/基站对象总是会选择偏好列表中更靠前的基站/无人机对象建立匹配关系。因此，在对方偏好列表中排名更靠前的基站/无人机对象，将更有可能与当前基站/无人机对象连接。
S3.基于无人机效用函数和基站效用函数，将无人机与基站进行匹配，得到匹配结果。
如图2所示，在建立了所有无人机和基站的双边偏好列表后，可以利用动态匹配算法解决越区切换问题。在匹配过程中，考虑到算法可能会得出不稳定的结果，即有至少一对某无人机-基站对存在断开当前匹配结果并相互匹配的动机，先给出如下定义：
定义1(阻塞对)：一个匹配结果M，如果其中存在一个无人机m和基站n同时满足以下条件：
1)m-n匹配不在M中；
2)m比起它当前的匹配结果，更喜欢n；
3)n比起它最差的匹配结果，更喜欢m；
那么就称m-n构成一个阻塞对。
定义2(稳定匹配)：一个匹配结果M，如果其中不存在任何无人机-基站阻塞对，那么该匹配结果M为稳定匹配。
由此，单个时隙内得出的匹配结果一定不存在阻塞对，因为一旦当前结果存在阻塞对，该阻塞对必然会断开当前的匹配对象而进行连接，可能会带来其他新的阻塞对，从而引发连锁效应。
在运用动态匹配算法时，由于无人机的移动性和A2G信道的时变特性，可能会在相邻时刻得出完全不同的匹配结果，产生不必要的切换。为了解决该问题，提出了一种偏好演化的自适应方法。具体地说，由于无人机在一个时隙中飞行的距离很短，假设其与基站的对应位置在两时隙间不会发生改变。在动态网络中，拓扑变化和信道变化在时间上是连续的，因此偏好演化也是一个连续过程，由其结果产生的决策同样是连续的。由此，无人机不会因为不重要的偏好演化改变策略，除非这些演化使得其有切换至新目标基站的动机。因此，本发明探索相邻时隙间的关系来处理网络中的微小变化，而不是独立地解决优化问题。具体过程示例如下：
每个代理的偏好按照降序排列(图3)，首先根据定义1确定当前的阻塞对，若当前时隙的匹配结果未产生新的阻塞对，代表偏好列表的变化是非决定性的，不会改变当前连接，则可以沿用前一时隙的决策。如果当前时隙中存在阻塞对，则需要满足该阻塞对以实现“局部稳定性”。随着当前的阻塞对被满足，部分原有的匹配关系会被解除，被解除匹配关系的无人机有可能和新的基站形成阻塞对，仍需不断满足这些新产生的阻塞对。重复上述步骤，直到所有新产生的阻塞对都被满足，并且不再产生新的阻塞对，此时没有无人机-基站对有动机断开自身连接转而与对方匹配，当前结果即为稳定匹配结果。最后，无人机根据当前时隙与上一时隙稳定匹配结果的变化，执行相应的切换决策，连接至目标基站。
本实施例提出了一种基于动态稳定匹配的自适应切换算法(DSMAH)。需要说明的是，基于动态稳定匹配的自适应切换算法(DSMAH)的本质是通过切断先前的连接并重新连接，将现有的不稳定匹配转换为稳定匹配，而不是彻底的重新匹配。特别地，并不是每次无人机位置改变都会导致偏好列表的大范围改变，因此在偏好改变之前没有必要执行该算法。算法1是基于动态稳定匹配的自适应切换算法(DSMAH)的伪代码。其中，初始稳定匹配由随机结果作为前一时刻的匹配结果带入计算。
S4.基于匹配结果，执行决策，完成基站之间的切换。具体步骤包括：
S401.基于上述S3的方法，得到的基于匹配结果，求得每个时隙的稳定匹配结果。
每间隔一定时间根据无人机和基站的偏好列表演化更改前一时隙的稳定匹配结果。若当前时隙并未产生新的无人机-基站阻塞对——即无人机和基站在对方的偏好列表中，相比当前自身匹配对象优先级更高，但没有匹配的情况，就沿用前一时隙的匹配结果。否则执行S402。
S402.基于稳定匹配结果，得到相邻时隙结果的变化。
若当前时刻偏好演化产生新的无人机-基站阻塞对，需要满足该阻塞对。具体为：若无人机m与初始连接基站n解除匹配；无人机m与其构成阻塞对的基站n’匹配；若基站n’连接的无人机数量超过其容量上限，则n’与当前连接的偏好列表最靠后的无人机m’解除匹配；
满足当前的阻塞对后，部分原有的匹配关系被解除，有可能再次产生新无人机-基站阻塞对，因此重复执行本步骤，直至匹配结果中不包含阻塞对，即任一无人机和基站都没有解除自身匹配关系与对方匹配的动机。该匹配结果即为稳定匹配结果。
最后，基于稳定匹配结果和相邻时隙结果的变化，完成切换决策。
实施例二
本实施例通过仿真实验，来说明本申请的优越性。
本实施例是在MATLAB中实现的，表1列出了相关参数。
表1
图4-图6评估了DSMAH、GS(Gale-Shapley)、匈牙利和贪婪算法的性能——平均阻塞对、平均切换次数以及总效用之和。图4示出了当无人机数量M＝50时，算法运行时间和平均阻塞对随模拟时隙数T的变化曲线。图5和图6分别示出了当模拟时隙数T＝5000时，无人机的平均切换数和网络总效用值随M的变化曲线。所提出的DSMAH算法的初始匹配被设置为随机，直到获得第一个匹配结果。应当注意，这些结果不是严格线性的，因为在某些时间段中，加入网络的无人机的数量远大于/小于离开网络的无人机的数量所引起的连锁效应。
DSMAH算法不含阻塞对，稳定性极佳，可以减少切换次数以降低无人机在切换过程中的乒乓效应，同时使总效用保持在可接受的范围内。因此，DSMAH算法比其他比较算法具有更好的性能，更能满足动态通信场景的普适性要求。
此外，为了清楚地展示DSMAH算法的效率优势，图7示出了DSMAH和GS算法在一些关键时隙中的迭代，例如一部分无人机同时到达和离开的时隙。显然，与GS算法相比，DSMAH算法的迭代次数较少，这是DSMAH具有较低时间消耗的根本原因。有一些迹象表明，在初始化之后以及在10％,20％占比数量的无人机同时到达/离开之后，DSMAH的算法迭代次数从第一时隙到第二时隙急剧下降，而算法迭代随后保持几乎相同的水平，直到下一次无人机集体到达/离开。在迭代过程中，过程应该变得更加平滑和收敛，这将使它更加有效。这种现象可以归因于DSMAH算法很好地利用了先前稳定的匹配结果。具体而言，无人机和基站之间的实际连接在相邻时隙中略有变化，因此DSMAH算法只需要略微修改来自前一个时隙的稳定匹配结果，就可以在当前时隙中获得稳定匹配。此外，就第一个时隙中的算法迭代而言，DSMAH相比GS算法具有更高的迭代次数，而在整个25个时隙的仿真过程中，其复杂度仅为GS算法的大约40％，这是因为时隙t＝1中的稳定匹配是从空集的初始化中获得的，而时隙t>2中的稳定匹配是通过前一个时隙t-1的稳定匹配来初始化的。
实施例三
如图8所示，为本实施例的系统结构示意图，包括：构建模块、计算模块、匹配模块和决策模块。其中，构建模块用于基于无人机和基站构建低空感知网络模型；计算模块用于在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；匹配模块用于基于无人机效用函数和基站效用函数，将无人机与基站进行匹配，得到匹配结果；决策模块用于基于匹配结果，执行决策，完成基站之间的切换。
下面将结合本实施例，详细说明本申请如何解决实际生活中的技术问题。
首先利用构建模块基于无人机和基站构建低空感知网络模型。
本实施例中，针对无人机和基站之间的A2G信道进行建模，并计算每个无人机的接收功率。
距链路增益是无人机通信的特性之一。由于无人机在高空飞行，很少被障碍物遮挡，A2G链路被认为是高概率LoS链路。通常LoS/NLoS链路的概率可以由下式计算：
PNLOS(θ)＝1-PLOS(θ) (16)
其中，α和β分别表示环境决定的常数系数；θ表示仰角；η＝180/π表示角度-弧度转化因子。
因此，无人机m至基站n的LOS/NLOS路径损耗遵循如下模型：
其中，dm，n表示无人机m与基站n之间的三维距离。
那么，无人机m至基站n之间的平均自由空间路径损耗可以表示为
然而在传播过程中，LOS和NLOS链路有不同的信道增益和相关参数，相比自由空间的路径损耗，信号传播通道中会存在障碍物遮挡，在经过障碍物吸收、反射和散射后，使接收信号功率发生随机变化--这种现象被称作阴影衰落。阴影衰落模型一般服从正态分布，由下式给出：
其中，Pt和Pr分别表示发送功率和接收功率；μ表示阴影衰落均值；σ表示阴影衰落标准差。
此外，本实施例还使用Nakagami分布来模拟空对地信道的衰落，因为它可以通过更改衰落参数k灵活地模拟不同级别的衰落情况。假设信道衰落因子h服从Nakagami分布，即均值为1的Gamma分布(h～G(k，1/k))，其概率密度函数表示为
其中，k表示信道衰落参数；为Gamma函数；在莱斯衰落中，参数k(k>1)可以由无人机数量M计算得出：/>
且当k＝1时该衰落为瑞利衰落，表示当前信道不存在直射路径。
由于多普勒频移相对发射频移可以忽略不计，我们假设多普勒频移已经得到修正，因此我们仅考虑路径损耗、Nakagami衰落和阴影衰落，无人机接收到的源基站的接收信号功率Pr的计算公式为：
其中，Ptn(t)表示基站n的发射功率。
为确保无人机能够在网络中适时地切换，在本实施例中，将优化问题P0表述为最大化无人机的连接收益(包含通信成本和切换成本)之和：
其中，表示信号接收质量；Ir表示单无人机接收到的所有信号(包括噪声)的平均功率；NRB表示用于测量带宽的资源块的数量，即测量期间因接收信号功率(Pr)和接收信号强度(Ir)的带宽不同引入的补偿参数；ηth和γth分别表示Pr与Qr的约束；表示当前时隙t无人机m与基站n是否连接；Hm，n(t)表示切换次数(假设单次切换的的成本相同)，取决于当前时隙t无人机m是否与基站n断开连接并越区切换；ε和ξ为系数，可以将切换成本与通信收益转化为统一的单位。
之后，利用计算模块在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数。
在低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数。其中，通信质量参数包括：信号接收功率和接收质量；稳定性参数包括：传输时延、切换前后的接收功率差、连接当前基站时长和离开当前基站覆盖的最短时长。具体流程包括：
采用多对一匹配理论，将无人机在飞行过程中选择基站的问题表述为双边匹配问题，将无人机和基站分别看作匹配双方，分别根据无人机效用函数和基站效用函数构建偏好列表。多对一匹配理论定义如下：
给定两不同的有限集合M和N，M定义为多对一匹配关系，一个匹配为满足以下条件的双映射M：/>
其中，
条件1)表示每个无人机最多可以选择一个基站；
条件2)表示每个基站最多可以同时服务L个无人机；
条件3)表示匹配的对称性和传递性。
传统的匹配问题要求双方建立稳定且精确的偏好列表，然而这不适用于快速移动的无人机和动态的A2G信道。理论上，这种相应的连续时间优化问题可以拆分成多个单独时隙来处理，这样就可以用偏好列表的变化反应无人机飞行过程中切换的动态性，从而分布式解决不同时隙的无人机连接基站的问题。
上述匹配模型需要建立动态的偏好列表，为了反应系统应用的目标并满足匹配模型的要求，需要先建立效用函数，再根据效用值来建立偏好列表。
考虑到无人机的优化目标为最大化自身通信成本，接收功率可以直观地显示当前信号的强度且在低速环境中波动较小易测量，同时基于接收功率的切换决策是较常用的决策算法，因此在本专利的模型中，无人机的效用函数计算以接收功率Pr为主要指标。然而，当无人机身处覆盖重叠区，且相邻基站的接收功率与当前相近时，仅考虑接收功率难以将无人机切换至更合适的基站。基于单接收信号功率指标容易导致频繁切换的情况，引入接收信号质量Qr作为效用函数的辅助计算标准，无人机m对基站n的效用函数的计算式如下：
其中，为二进制参数，表示信号质量Qr是否高于阈值限制γth，低于该阈值则值为0，否则为1。
考虑到基站的主要优化目标为最大化网络连接稳定性，即最小化切换成本同时兼顾通信质量，由于无人机在时隙t是否切换无法提前预知，基站n对无人机m的效用函数用多个指标表征：分别为考虑时延、连接时长、最小离开覆盖时长等指标，对该效用函数进行建模：
考虑一个n准则的向量Ω＝(ω1,ω2,...,ωN)表示效用函数U＝(U1,U2,...,Un)的权重，本实施例重点研究四个指标：a)无人机已连接当前基站的时长；b)无人机离开当前连接基站的最短时长；c)传输时延；d)切换前后无人机接收功率的差值。其中a)、b)项仅对于基站当前服务无人机有效。
假设PrGAP值表示无人机在切换开始前连接到源基站的接收信号功率，与切换完成后连接到目标基站的接收功率的差值。这是考虑到切换的成本以及因切换造成业务中断的代价较高设立的。在切换过程中，当该PrGAP值减小时，表示无人机从连接的基站接收的信号功率始终保持较高水平，因此它与切换性能直接相关，计算公式如下：
PrGAP(t)＝|Pri(t)-Prj(t)| (26)
其中，Pri(t)和Prj(t)分别表示无人机在时隙t连接到源基站i和目标基站j的接收信号功率。
此外，该效用函数还受其他三个指标影响：
无人机离开当前连接基站的最短时长，由于离开当前基站覆盖范围的无人机不能再和该基站保持连接，它们将处于基站偏好列表的底部，处于当前连接的基站覆盖中心的无人机也可以得到更高的效用值以提高优先级；
传输时延，这是时延最重要的组成部分。时隙的固定长度和A2G信道的时变特性决定了切换决策传输的越快，就有越多的时间留给无人机执行切换决策；
切换前后无人机接收功率的差值，为了保证良好的切换效果、减少业务中断和避免不必要的切换，应尽可能降低无人机切换前服务基站接收功率和切换后目标基站的接收功率差值，以优化切换决策。
考虑到以上四个指标具有不同量纲，通过归一化缩放[0，1]区间以评估每个基站对无人机的效用。
通过引入光滑且二次可微的S型函数(Sigmoidal function)来归一化每个指标对应的效用值：
注意式(27)仅适用于效用值与标准值成正比的指标(已连接时长、最小离开覆盖区域时长)，而使用1-U1(x)来表示效用值与标准值成反比的指标(PrGAP和时延)。式(13)中和/>是效用值曲线陡度的相关参数，x表示测量属性的实际值，xh和xl分别表示最大和最小需求值。xm是区分低效用区域和高质量区域的独立因素，高质量区域始终是Sigmoid函数的中点，并且相对于属性x具有中等效用(U(xm)＝0.5)；
因此，基站n对无人机m的效用函数的计算式如下：
其中，ω1、ω2、ω3和ω4分别对应的权值，且ω1+ω2+ω3+ω4＝1。需要注意的是，这些指标的权重还取决于无人机执行任务的类型，以及是否与基站保持连接。
无人机和基站根据自身的效用函数来确定各自的偏好列表。对于在t时刻，无人机m的偏好列表中的匹配对象--基站n和n’，m的偏好策略为：n＞mn'表示无人机m的偏好列表中，n比n’更靠前，这表示无人机m相比n’更喜欢n。同理，对于在t时刻，基站n的偏好列表中的匹配对象--无人机m和m’，n的偏好策略为：由此分别得到无人机m和基站n的偏好列表/>和/>在匹配过程中，无人机/基站对象总是会选择偏好列表中更靠前的基站/无人机对象建立匹配关系。因此，在对方偏好列表中排名更靠前的基站/无人机对象，将更有可能与当前基站/无人机对象连接。
利用匹配模块基于无人机效用函数和基站效用函数，将无人机与基站进行匹配，得到匹配结果。
在建立了所有无人机和基站的双边偏好列表后，可以利用动态匹配算法解决越区切换问题。在匹配过程中，考虑到算法可能会得出不稳定的结果，即有至少一对某无人机-基站对存在断开当前匹配结果并相互匹配的动机，先给出如下定义：
定义1(阻塞对)：一个匹配结果M，如果其中存在一个无人机m和基站n同时满足以下条件：
1)m-n匹配不在M中；
2)m比起它当前的匹配结果，更喜欢n；
3)n比起它最差的匹配结果，更喜欢m；
那么就称m-n构成一个阻塞对。
定义2(稳定匹配)：一个匹配结果M，如果其中不存在任何无人机-基站阻塞对，那么该匹配结果M为稳定匹配。
由此，单个时隙内得出的匹配结果一定不存在阻塞对，因为一旦当前结果存在阻塞对，该阻塞对必然会断开当前的匹配对象而进行连接，可能会带来其他新的阻塞对，从而引发连锁效应。
在运用动态匹配算法时，由于无人机的移动性和A2G信道的时变特性，可能会在相邻时刻得出完全不同的匹配结果，产生不必要的切换。为了解决该问题，提出了一种偏好演化的自适应方法。具体地说，由于无人机在一个时隙中飞行的距离很短，假设其与基站的对应位置在两时隙间不会发生改变。在动态网络中，拓扑变化和信道变化在时间上是连续的，因此偏好演化也是一个连续过程，由其结果产生的决策同样是连续的。由此，无人机不会因为不重要的偏好演化改变策略，除非这些演化使得其有切换至新目标基站的动机。因此，本发明探索相邻时隙间的关系来处理网络中的微小变化，而不是独立地解决优化问题。具体过程示例如下：
每个代理的偏好按照降序排列，首先根据定义1确定当前的阻塞对，若当前时隙的匹配结果未产生新的阻塞对，代表偏好列表的变化是非决定性的，不会改变当前连接，则可以沿用前一时隙的决策。如果当前时隙中存在阻塞对，则需要满足该阻塞对以实现“局部稳定性”。随着当前的阻塞对被满足，部分原有的匹配关系会被解除，被解除匹配关系的无人机有可能和新的基站形成阻塞对，仍需不断满足这些新产生的阻塞对。重复上述流程，直到所有新产生的阻塞对都被满足，并且不再产生新的阻塞对，此时没有无人机-基站对有动机断开自身连接转而与对方匹配，当前结果即为稳定匹配结果。最后，无人机根据当前时隙与上一时隙稳定匹配结果的变化，执行相应的切换决策，连接至目标基站。
本实施例提出了一种基于动态稳定匹配的自适应切换算法(DSMAH)。需要说明的是，基于动态稳定匹配的自适应切换算法(DSMAH)的本质是通过切断先前的连接并重新连接，将现有的不稳定匹配转换为稳定匹配，而不是彻底的重新匹配。特别地，并不是每次无人机位置改变都会导致偏好列表的大范围改变，因此在偏好改变之前没有必要执行该算法。算法1是基于动态稳定匹配的自适应切换算法(DSMAH)的伪代码。其中，初始稳定匹配由随机结果作为前一时刻的匹配结果带入计算。
最后，利用匹配模块基于匹配结果，执行决策，完成基站之间的切换。具体流程包括：
S801.基于上述流程，得到的基于匹配结果，求得每个时隙的稳定匹配结果。
每间隔一定时间根据无人机和基站的偏好列表演化更改前一时隙的稳定匹配结果。若当前时隙并未产生新的无人机-基站阻塞对——即无人机和基站在对方的偏好列表中，相比当前自身匹配对象优先级更高，但没有匹配的情况，就沿用前一时隙的匹配结果。否则执行S802。
S802.基于稳定匹配结果，得到相邻时隙结果的变化。
若当前时刻偏好演化产生新的无人机-基站阻塞对，需要满足该阻塞对。具体为：若无人机m与初始连接基站n解除匹配；无人机m与其构成阻塞对的基站n’匹配；若基站n’连接的无人机数量超过其容量上限，则n’与当前连接的偏好列表最靠后的无人机m’解除匹配；
满足当前的阻塞对后，部分原有的匹配关系被解除，有可能再次产生新无人机-基站阻塞对，因此重复执行本流程，直至匹配结果中不包含阻塞对，即任一无人机和基站都没有解除自身匹配关系与对方匹配的动机。该匹配结果即为稳定匹配结果。
最后，基于稳定匹配结果和相邻时隙结果的变化，完成切换决策。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (4)
1.一种基于动态稳定匹配的无人机自适应切换方法，其特征在于，步骤包括：
基于无人机和基站构建低空感知网络模型；
所述低空感知网络模型包括：无人机集合基站集合和/>其中，每个基站都具有相同的固定容量，单一基站服务的无人机数量不超过所述固定容量；无人机的分布遵循三维独立齐次泊松点过程，且每个基站都拥有相同的覆盖半径；
在所述低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；所述通信质量参数包括：信号接收功率和接收质量；所述稳定性参数包括：传输时延、切换前后的接收功率差、连接当前基站时长和离开当前基站覆盖的最短时长；
构建的所述无人机效用函数包括：
其中，为二进制参数，表示信号质量Qr是否高于阈值限制γth，低于该阈值则值为0，否则为1；m表示无人机；n表示基站；Prm，n(t)表示无人机接收到的源基站的接收信号功率；
构建的所述基站效用函数包括：
其中，分别为无人机的PrGAP值、无人机与基站连接的时间、无人机传输时延和无人机离开当前基站覆盖的最小时间对应的效用函数，ω1、ω2、ω3、ω4分别表示对应的权值，且ω1+ω2+ω3+ω4＝1；
基于所述无人机效用函数和所述基站效用函数，将无人机与基站进行匹配，得到匹配结果；
基于所述匹配结果，执行决策，完成基站之间的切换；完成所述基站之间的切换的方法包括：
基于所述匹配结果，求得每个时隙的稳定匹配结果；
基于所述稳定匹配结果，得到相邻时隙结果的变化；具体步骤包括：若当前时刻偏好演化产生新的无人机-基站阻塞对，需要满足该阻塞对；具体包括：
若无人机m与初始连接基站n解除匹配；无人机m与其构成阻塞对的基站n’匹配；若基站n’连接的无人机数量超过其容量上限，则n’与当前连接的偏好列表最靠后的无人机m’解除匹配；
满足当前的阻塞对后，部分原有的匹配关系被解除，有可能再次产生新无人机-基站阻塞对，因此重复执行本步骤，直至匹配结果中不包含阻塞对，即任一无人机和基站都没有解除自身匹配关系与对方匹配的动机；
基于所述稳定匹配结果和所述相邻时隙结果的变化，完成所述基站之间的切换。
2.根据权利要求1所述的基于动态稳定匹配的无人机自适应切换方法，其特征在于，得到所述匹配结果的方法包括：
基于所述无人机效用函数和所述基站效用函数，分别构建偏好列表，得到初始匹配结果；
引入匹配算法，求解所述初始匹配结果，得到所述匹配结果。
3.一种基于动态稳定匹配的无人机自适应切换系统，其特征在于，包括：构建模块、计算模块、匹配模块和决策模块；
所述构建模块用于基于无人机和基站构建低空感知网络模型；所述低空感知网络模型包括：无人机集合基站集合/>和其中，每个基站都具有相同的固定容量，单一基站服务的无人机数量不超过所述固定容量；无人机的分布遵循三维独立齐次泊松点过程，且每个基站都拥有相同的覆盖半径；
所述计算模块用于在所述低空感知网络模型中引入通信质量参数和稳定性参数进行加权，构建无人机效用函数和基站效用函数；所述通信质量参数包括：信号接收功率和接收质量；所述稳定性参数包括：传输时延、切换前后的接收功率差、连接当前基站时长和离开当前基站覆盖的最短时长；
构建的所述无人机效用函数包括：
其中，为二进制参数，表示信号质量Qr是否高于阈值限制γth，低于该阈值则值为0，否则为1；m表示无人机；n表示基站；Prm，n(t)表示无人机接收到的源基站的接收信号功率；
构建的所述基站效用函数包括：
其中，分别为无人机的PrGAP值、无人机与基站连接的时间、无人机传输时延和无人机离开当前基站覆盖的最小时间对应的效用函数，ω1、ω2、ω3、ω4分别表示对应的权值，且ω1+ω2+ω3+ω4＝1；
所述匹配模块用于基于所述无人机效用函数和所述基站效用函数，将无人机与基站进行匹配，得到匹配结果；
所述决策模块用于基于所述匹配结果，执行决策，完成基站之间的切换；完成所述基站之间的切换的流程包括：
基于所述匹配结果，求得每个时隙的稳定匹配结果；
基于所述稳定匹配结果，得到相邻时隙结果的变化；具体的工作流程包括：若当前时刻偏好演化产生新的无人机-基站阻塞对，需要满足该阻塞对；具体包括：
若无人机m与初始连接基站n解除匹配；无人机m与其构成阻塞对的基站n’匹配；若基站n’连接的无人机数量超过其容量上限，则n’与当前连接的偏好列表最靠后的无人机m’解除匹配；
满足当前的阻塞对后，部分原有的匹配关系被解除，有可能再次产生新无人机-基站阻塞对，因此重复执行本步骤，直至匹配结果中不包含阻塞对，即任一无人机和基站都没有解除自身匹配关系与对方匹配的动机；
基于所述稳定匹配结果和所述相邻时隙结果的变化，完成所述基站之间的切换。
4.根据权利要求3所述的基于动态稳定匹配的无人机自适应切换系统，其特征在于，所述匹配模块的工作流程包括：
基于所述无人机效用函数和所述基站效用函数，分别构建偏好列表，得到初始匹配结果；
引入匹配算法，求解所述初始匹配结果，得到所述匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693595.2A CN116887325B (zh) | 2023-06-13 | 2023-06-13 | 一种基于动态稳定匹配的无人机自适应切换方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693595.2A CN116887325B (zh) | 2023-06-13 | 2023-06-13 | 一种基于动态稳定匹配的无人机自适应切换方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116887325A CN116887325A (zh) | 2023-10-13 |
| CN116887325B true CN116887325B (zh) | 2024-01-30 |
Family
ID=88267025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310693595.2A Active CN116887325B (zh) | 2023-06-13 | 2023-06-13 | 一种基于动态稳定匹配的无人机自适应切换方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116887325B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117135598B (zh) * | 2023-10-27 | 2024-01-05 | 武汉船舶通信研究所(中国船舶集团有限公司第七二二研究所) | 一种无人飞行器控制权交接方法、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111314983A (zh) * | 2020-03-31 | 2020-06-19 | 四川九强通信科技有限公司 | 一种基于天地一体化网络的跨域无缝切换方法 |
| CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
| CN113993099A (zh) * | 2021-09-15 | 2022-01-28 | 北京邮电大学 | 一种面向三维空间移动无人机用户的切换参数配置方法 |
-
2023
- 2023-06-13 CN CN202310693595.2A patent/CN116887325B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111314983A (zh) * | 2020-03-31 | 2020-06-19 | 四川九强通信科技有限公司 | 一种基于天地一体化网络的跨域无缝切换方法 |
| CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
| CN113993099A (zh) * | 2021-09-15 | 2022-01-28 | 北京邮电大学 | 一种面向三维空间移动无人机用户的切换参数配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116887325A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Deployment algorithms for UAV airborne networks toward on-demand coverage | |
| Duan et al. | SDN enabled dual cluster head selection and adaptive clustering in 5G-VANET | |
| CN116887325B (zh) | 一种基于动态稳定匹配的无人机自适应切换方法及系统 | |
| Kumar et al. | Backhaul and delay-aware placement of UAV-enabled base station | |
| CN110753319B (zh) | 异构车联网中面向异质业务的分布式资源分配方法及系统 | |
| Yu et al. | Bio-Inspired Mobility Prediction Clustering Algorithm for Ad Hoc UAV Networks. | |
| Colonnese et al. | Q-SQUARE: A Q-learning approach to provide a QoE aware UAV flight path in cellular networks | |
| Hoseini et al. | Energy and service-priority aware trajectory design for UAV-BSs using double Q-learning | |
| Lee et al. | Interference-aware path planning optimization for multiple UAVs in beyond 5G networks | |
| Hajiakhondi-Meybodi et al. | Joint transmission scheme and coded content placement in cluster-centric UAV-aided cellular networks | |
| Qiu et al. | Maintaining links in the highly dynamic fanet using deep reinforcement learning | |
| Nait-Abdesselam et al. | Towards enabling unmanned aerial vehicles as a service for heterogeneous applications | |
| Salehi et al. | Aetd: An application-aware, energy-efficient trajectory design for flying base stations | |
| Dastranj et al. | Energy-efficient deep-predictive airborne base station selection and power allocation for UAV-assisted wireless networks | |
| Chapnevis et al. | Collaborative trajectory optimization for outage-aware cellular-enabled UAVs | |
| Luong et al. | Simulated annealing-based multilink selection algorithm in SDN-enabled avionic networks | |
| Fahim et al. | Optimized 3D drone placement and resource allocation for LTE-based M2M communications | |
| Huang et al. | Task offloading in uav swarm-based edge computing: Grouping and role division | |
| Yan et al. | Fairness-aware data offloading of IoT applications enabled by heterogeneous UAVs | |
| Tang et al. | Delay-tolerant UAV-assisted communication: Online trajectory design and user association | |
| CN116828539A (zh) | 基于深度强化学习的联合计算迁移和无人机轨迹优化方法 | |
| CN116017611A (zh) | 空地异构网络中考虑终端应用体验的网络选择方法 | |
| CN116488705A (zh) | 一种基于最坏情况柔性策略评估的灾后无人机部署方法 | |
| CN114448537B (zh) | 一种通信网络中能量效率和频谱效率的折中方法 | |
| Rizvi et al. | Multi-agent reinforcement learning with action masking for uav-enabled mobile communications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |