CN117195738A - 一种面向无人机走廊的基站天线设置与上倾角优化方法 - Google Patents
一种面向无人机走廊的基站天线设置与上倾角优化方法 Download PDFInfo
- Publication number
- CN117195738A CN117195738A CN202311257847.3A CN202311257847A CN117195738A CN 117195738 A CN117195738 A CN 117195738A CN 202311257847 A CN202311257847 A CN 202311257847A CN 117195738 A CN117195738 A CN 117195738A
- Authority
- CN
- China
- Prior art keywords
- base station
- station antenna
- unmanned aerial
- aerial vehicle
- dip angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 230000010076 replication Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种面向无人机走廊的基站天线设置与上倾角优化方法,所述方法针对使用多个具有上倾天线的蜂窝基站对固定飞行走廊中的无人机提供无线覆盖的场景,利用混合整数非线性规划模型建模上述问题,求解使得基站设置成本、中断概率与平均信干噪比的加权最小化的基站天线设置与上倾角优化方案,从而实现高信干噪比、低中断概率与低设置成本间的平衡。同时本发明还公开了一种针对上述混合整数非线性规划模型的、基于自适应遗传算法的基站天线设置与上倾角优化算法,该算法能在充分缩短计算时间的条件下,获得性能足够好的优化方案。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种面向无人机走廊的基站天线设置与上倾角优化方法。
背景技术
无人机,也被称为无人驾驶飞行器,由于其广泛的应用前景,正在迅速获得关注。常见的无人机应用包括公共安全的搜索和救援、商业送货服务和监视等。目前,无人机走廊的概念越来越受到关注,它是无人机需要通过的空中通道,以实现无人机交通的安全和可靠流动。
为了支持走廊中无人机的超视距操作,蜂窝基站可以作为一个方便的基础设施。这类基站的广泛部署能提供无缝无线覆盖。然而,为了满足其地面用户的服务要求,现有蜂窝网络中的天线是向下倾斜的。如果它们也被用来为无人机服务,就会导致覆盖漏洞。
发明内容
鉴于此,本发明的目的在于提供一种面向无人机走廊的基站天线设置与上倾角优化方法,解决以下技术问题:
1)目前缺乏在蜂窝基站使用额外的上倾天线的情形下,如何优化天线设置与上倾角,从而实现高信干噪比、低中断概率与低设置成本间的平衡;
2)基站天线设置与上倾角的联合优化是一个多维度、高复杂性的混合整数非线性规划问题,因此需要研究有针对性的求解算法,减少优化迭代的时间。
为实现上述发明目的,本发明提供一种面向无人机走廊的基站天线设置与上倾角优化方法,所述方法包括以下步骤:
S101、对无人机走廊的基站天线优化场景进行分析,获得无人机走廊的多种无线覆盖情况和每种无线覆盖情况对应的判定条件;
S102、定义天线设置与上倾角的约束,在不相邻基站间的干扰忽略不计的假定下,分别计算出不同无线覆盖情况下的基站设置成本、中断概率和平均信噪比,利用混合整数非线性规划建模使得基站设置成本、中断概率、平均信噪比三者加权最小化的基站天线设置与上倾角优化问题;
S103、利用0-1符号串编码基站天线设置与上倾角方案,进行交叉操作时,分别对天线设置与上倾角的子编码进行交叉,使用交叉概率和变异概率自适应变化的遗传算法求解最优方案。
进一步的,步骤S101具体包括以下步骤:
S201、将基站天线设置备选点排序后构成备选点集,备选点集的表达式如下:
V={V1,...,Vi,...,Vn}U{V0}U{Vn+1}=V′U{V0}U{Vn+1}
上式中,V′表示n个备选点构成的集合,V0表示无人机走廊的起点,Vn+1表示终点,假定起点和终点处均已设置基站;
S202、计算不同备选点之间的距离,计算式如下所示:
上式中,di,j表示备选点i和备选点j之间的距离,(xi,yi)和(xj,yj)分别表示备选点i和备选点j的二维坐标;
S203、计算两个基站波束的中心交叉点高度,其计算式如下所示:
上式中,α表示基站天线的上倾角;
S204、计算两个基站波束的边缘交叉点高度,其计算式如下所示:
上式中,β表示基站天线的波束宽度;
S205、基于步骤S203和S204的计算结果,分别定义多种无人机走廊无线覆盖情况的判定条件。
进一步的,步骤S205中,定义无人机走廊无线覆盖情况的判定条件为5种,其中情况一的判定条件为:
上式中,h1表示无人机走廊的最低高度;
情况二的判定条件为:
情况三的判定条件为:
上式中,h2表示无人机走廊的最高高度;
情况四的判定条件为:
情况五的判定条件为:
进一步的,步骤S102具体包括以下步骤:
S301、定义备选点是否设置基站的决策变量取值范围约束为:
xi∈{0,1},1≤i≤n
其中xi表征第i个备选点是否设置基站的决策变量,当xi=1时表示设置基站,当xi=0时表示不设置基站;
S302、定义所有设置基站的备选点集合为:
Ω={i|xi=1,1≤i≤n}={i1,...,ik,...,i|Ω|}
其中,i1、...、ik、...、i|Ω|为按照序号从小到大的顺序排列,对任意集合S,|S|表示其元素个数;
S303、计算情况一下相邻两个基站间的中断概率
上式中,i0=0,i|Ω|+1=n+1,假设无人机在走廊中均匀分布;
计算情况一下相邻两个基站间的平均信干噪比
S304、计算情况二下相邻两个基站间的中断概率
计算情况二下相邻两个基站间的平均信干噪比
上式中,G为最大天线增益,N0为噪声功率,其中,/>为发射功率,λ为波长;
S305、计算情况三下相邻两个基站间的中断概率
计算情况三下相邻两个基站间的平均信干噪比
S306、计算情况四下相邻两个基站间的中断概率
计算情况四下相邻两个基站间的平均信干噪比
S307、计算情况五下相邻两个基站间的中断概率
计算情况五下相邻两个基站间的平均信干噪比
S308、定义天线上倾角决策变量的取值范围约束为:
α>0
定义主波束不超过90度约束为:
S309、以基站设置成本、中断概率与平均信干噪比的加权最小化设置目标函数Q为:
上式中,casej表示情况j的判定条件,c表示单个基站的设置成本,σ1、σ2和σ3为权重系数,其中σ1,σ2,σ3≥0;
S310、结合步骤S301~S309,得到使得基站设置成本、中断概率与平均信干噪比的加权最小化的面向无人机走廊的基站天线设置与上倾角优化模型,所述模型属于混合整数非线性规划模型。
进一步的,步骤S103中,利用0-1符号串编码基站天线设置与上倾角方案,具体包括以下步骤:
S401、将基站天线设置方案编码为[x1,x2,...,xn],n为基站天线设置方案总数;
S402、将上倾角方案编码为[α1,α2,...,αm],α1,α2,...,αm为上倾角α的近似二进制展开,其中m用以控制近似的精度;
S403、结合基站天线设置方案编码和上倾角方案编码,得到完整的基站天线设置与上倾角方案的编码。
进一步的,步骤S103中,使用交叉概率和变异概率自适应变化的遗传算法求解最优方案,具体包括以下步骤:
S501、随机生成M个基站天线设置与上倾角方案的编码作为初始种群;
S502、将每个编码代入所述目标函数中,以作为适应度;
S503、使用指数排序选择法选择当前种群中的个体进行复制;
S504、将上一步骤生成的个体进行随机配对;
S505、分别对随机配对的两个编码的基站天线设置方案编码和上倾角方案编码采用交叉操作,交叉概率为γc;
S506、以变异概率执行变异操作γm;
S507、根据自适应规则更新γc和γm,以此迭代,直至迭代至第Z代,输出此时适应度最大的编码,编码后得到最优基站天线设置和上倾角。
与现有技术相比,本发明的有益效果是:
1)在蜂窝基站使用额外的上倾天线的情形下,建立了基站天线设置与上倾角的优化模型,从而能实现高信干噪比、低中断概率与低设置成本间的平衡;
2)提出了一种基于自适应遗传算法的基站天线设置与上倾角优化算法,该算法能在充分缩短计算时间的条件下,获得性能足够好的优化方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的实施场景示意图。
图2是本发明实施例提供的一种面向无人机走廊的基站天线设置与上倾角优化方法整体流程示意图。
图3是本发明实施例提供的任务场景示意图。
图4是本发明实施例提供的情况一示意图。
图5是本发明实施例提供的情况二示意图。
图6是本发明实施例提供的情况三示意图。
图7是本发明实施例提供的情况四示意图。
图8是本发明实施例提供的情况五示意图。
图9是本发明实施例提供的最优基站天线设置与上倾角方案示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1和图2,本实施例提供一种面向无人机走廊的基站天线设置与上倾角优化方法,所述方法包括以下步骤:
S101、对无人机走廊的基站天线优化场景进行分析,获得无人机走廊的多种无线覆盖情况和每种无线覆盖情况对应的判定条件。
步骤S101具体包括以下步骤:
S201、将基站天线设置备选点排序后构成备选点集,备选点集的表达式如下:
V={V1,...,Vi,...,Vn}U{V0}U{Vn+1}=V′U{V0}U{Vn+1}
上式中,V′表示n个备选点构成的集合,V0表示无人机走廊的起点,Vn+1表示终点,假定起点和终点处均已设置基站。本实施例中,n=5,基站天线设置备选点由图3中的5个正方形表示,正方形中标识了备选点的序号。
S202、计算不同备选点之间的距离,计算式如下所示:
上式中,di,j表示备选点i和备选点j之间的距离,(xi,yi)和(xj,yj)分别表示备选点i和备选点j的二维坐标。本实施例中,d1,2=d2,3=d3,4=d4,5=500,d0,1=d5,6=700。
S203、计算两个基站波束的中心交叉点高度,其计算式如下所示:
上式中,α表示基站天线的上倾角。
S204、计算两个基站波束的边缘交叉点高度,其计算式如下所示:
上式中,β表示基站天线的波束宽度,本实施例中,β=50°。
S205、基于步骤S203和S204的计算结果,分别定义多种无人机走廊无线覆盖情况的判定条件。
本实施例中定义无人机走廊无线覆盖情况的判定条件为5种,其中情况一的判定条件为:
上式中,h1表示无人机走廊的最低高度,本实施例中,h1=100,情况一如图4所示。
情况二的判定条件为:
本实施例中,情况二如图5所示。
情况三的判定条件为:
上式中,h2表示无人机走廊的最高高度。本实施例中,h2=200,情况三如图6所示。
情况四的判定条件为:
本实施例中情况四如图7所示。
情况五的判定条件为:
本实施例中情况五如图8所示。
S102、定义天线设置与上倾角的约束,在不相邻基站间的干扰忽略不计的假定下,分别计算出不同无线覆盖情况下的基站设置成本、中断概率和平均信噪比,利用混合整数非线性规划建模使得基站设置成本、中断概率、平均信噪比三者加权最小化的基站天线设置与上倾角优化问题。
本实施例中,步骤S102具体包括以下步骤:
S301、定义备选点是否设置基站的决策变量取值范围约束为:
xi∈{0,1},1≤i≤n
其中xi表征第i个备选点是否设置基站的决策变量,当xi=1时表示设置基站,当xi=0时表示不设置基站。
S302、定义所有设置基站的备选点集合为:
Ω={i|xi=1,1≤i≤n}={i1,...,ik,...,i|Ω|}
其中,i1、...、ik、...、i|Ω|为按照序号从小到大的顺序排列,对任意集合S,|S|表示其元素个数。
S303、计算情况一下相邻两个基站间的中断概率
上式中,i0=0,i|Ω|+1=n+1,假设无人机在走廊中均匀分布。
计算情况一下相邻两个基站间的平均信干噪比
S304、计算情况二下相邻两个基站间的中断概率
计算情况二下相邻两个基站间的平均信干噪比
上式中,G为最大天线增益,N0为噪声功率,其中,/>为发射功率,λ为波长;本实施例中,/>N0=-110dBm,/>λ=0.03m。
S305、计算情况三下相邻两个基站间的中断概率
计算情况三下相邻两个基站间的平均信干噪比
S306、计算情况四下相邻两个基站间的中断概率
计算情况四下相邻两个基站间的平均信干噪比
S307、计算情况五下相邻两个基站间的中断概率
计算情况五下相邻两个基站间的平均信干噪比
S308、定义天线上倾角决策变量的取值范围约束为:
α>0
定义主波束不超过90度约束为:
S309、以基站设置成本、中断概率与平均信干噪比的加权最小化设置目标函数Q为:
上式中,casej表示情况j的判定条件,c表示单个基站的设置成本,σ1、σ2和σ3为权重系数,其中σ1,σ2,σ3≥0。本实施例中,c=1,σ1=5,σ2=0.03,σ3=0.2。
S310、结合步骤S301~S309,得到使得基站设置成本、中断概率与平均信干噪比的加权最小化的面向无人机走廊的基站天线设置与上倾角优化模型,所述模型属于混合整数非线性规划模型。
S103、利用0-1符号串编码基站天线设置与上倾角方案,进行交叉操作时,分别对天线设置与上倾角的子编码进行交叉,使用交叉概率和变异概率自适应变化的遗传算法求解最优方案。
本实施例中,利用0-1符号串编码基站天线设置与上倾角方案,具体包括以下步骤:
S401、将基站天线设置方案编码为[x1,x2,...,xn],n为基站天线设置方案总数。
S402、将上倾角方案编码为[α1,α2,...,αm],α1,α2,...,αm为上倾角α的近似二进制展开,其中m用以控制近似的精度。本实施例中,m=8。
S403、结合基站天线设置方案编码和上倾角方案编码,得到完整的基站天线设置与上倾角方案的编码。
对于上述编码采用自适应遗传算法,所述自适应遗传算法包括以下步骤:
S501、随机生成M个基站天线设置与上倾角方案的编码作为初始种群。
S502、将每个编码代入所述目标函数中,以作为适应度。
S503、使用指数排序选择法选择当前种群中的个体进行复制。
S504、将上一步骤生成的个体进行随机配对。
S505、分别对随机配对的两个编码的基站天线设置方案编码和上倾角方案编码采用交叉操作,交叉概率为γc。本实施例中交叉概率设为0.9。
S506、以变异概率执行变异操作γm。本实施例中变异概率设为0.4。
S507、根据自适应规则更新γc和γm,以此迭代,直至迭代至第Z代,输出此时适应度最大的编码,编码后得到最优基站天线设置和上倾角。
本实施例中,交叉概率的自适应更新规则为:
其中Fmax为该次迭代所有染色体的适应度最大值,Favg为该次迭代所有染色体的适应度平均值,F1和F2为拟进行交叉的两个染色体的适应度。变异概率的自适应更新规则为:
其中F为拟进行变异的染色体的适应度。本实施例中当迭代至25代时,输出此时适应度最大的编码,解码后得到最优基站天线设置和上倾角。如图9所示,可求得最优上倾角α*=23.546°。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,所述方法包括以下步骤:
S101、对无人机走廊的基站天线优化场景进行分析,获得无人机走廊的多种无线覆盖情况和每种无线覆盖情况对应的判定条件;
S102、定义天线设置与上倾角的约束,在不相邻基站间的干扰忽略不计的假定下,分别计算出不同无线覆盖情况下的基站设置成本、中断概率和平均信噪比,利用混合整数非线性规划建模使得基站设置成本、中断概率、平均信噪比三者加权最小化的基站天线设置与上倾角优化问题;
S103、利用0-1符号串编码基站天线设置与上倾角方案,进行交叉操作时,分别对天线设置与上倾角的子编码进行交叉,使用交叉概率和变异概率自适应变化的遗传算法求解最优方案。
2.根据权利要求1所述的一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,步骤S101具体包括以下步骤:
S201、将基站天线设置备选点排序后构成备选点集,备选点集的表达式如下:
V={V1,...,Vi,...,Vn}U{V0}U{Vn+1}=V′U{V0}U{Vn+1}
上式中,V′表示n个备选点构成的集合,V0表示无人机走廊的起点,Vn+1表示终点,假定起点和终点处均已设置基站;
S202、计算不同备选点之间的距离,计算式如下所示:
上式中,di,j表示备选点i和备选点j之间的距离,(xi,yi)和(xj,yj)分别表示备选点i和备选点j的二维坐标;
S203、计算两个基站波束的中心交叉点高度,其计算式如下所示:
上式中,α表示基站天线的上倾角;
S204、计算两个基站波束的边缘交叉点高度,其计算式如下所示:
上式中,β表示基站天线的波束宽度;
S205、基于步骤S203和S204的计算结果,分别定义多种无人机走廊无线覆盖情况的判定条件。
3.根据权利要求2所述的一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,步骤S205中,定义无人机走廊无线覆盖情况的判定条件为5种,其中情况一的判定条件为:
上式中,h1表示无人机走廊的最低高度;
情况二的判定条件为:
情况三的判定条件为:
上式中,h2表示无人机走廊的最高高度;
情况四的判定条件为:
情况五的判定条件为:
4.根据权利要求3所述的一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,步骤S102具体包括以下步骤:
S301、定义备选点是否设置基站的决策变量取值范围约束为:
xi∈{0,1},1≤i≤n
其中xi表征第i个备选点是否设置基站的决策变量,当xi=1时表示设置基站,当xi=0时表示不设置基站;
S302、定义所有设置基站的备选点集合为:
Ω={i|xi=1,1≤i≤n}={i1,...,ik,...,i|Ω|}
其中,i1、...、ik、...、i|Ω|为按照序号从小到大的顺序排列,对任意集合S,S表示其元素个数;
S303、计算情况一下相邻两个基站间的中断概率
上式中,i0=0,i|Ω|+1=n+1,假设无人机在走廊中均匀分布;
计算情况一下相邻两个基站间的平均信干噪比
S304、计算情况二下相邻两个基站间的中断概率
计算情况二下相邻两个基站间的平均信干噪比
上式中,G为最大天线增益,N0为噪声功率,其中,/>为发射功率,λ为波长;
S305、计算情况三下相邻两个基站间的中断概率
计算情况三下相邻两个基站间的平均信干噪比
S306、计算情况四下相邻两个基站间的中断概率
计算情况四下相邻两个基站间的平均信干噪比
S307、计算情况五下相邻两个基站间的中断概率
计算情况五下相邻两个基站间的平均信干噪比
S308、定义天线上倾角决策变量的取值范围约束为:
α>0
定义主波束不超过90度约束为:
S309、以基站设置成本、中断概率与平均信干噪比的加权最小化设置目标函数Q为:
上式中,casej表示情况j的判定条件,c表示单个基站的设置成本,σ1、σ2和σ3为权重系数,其中σ1,σ2,σ3≥0;
S310、结合步骤S301~S309,得到使得基站设置成本、中断概率与平均信干噪比的加权最小化的面向无人机走廊的基站天线设置与上倾角优化模型,所述模型属于混合整数非线性规划模型。
5.根据权利要求4所述的一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,步骤S103中,利用0-1符号串编码基站天线设置与上倾角方案,具体包括以下步骤:
S401、将基站天线设置方案编码为[x1,x2,...,xn],n为基站天线设置方案总数;
S402、将上倾角方案编码为[α1,α2,...,αm],α1,α2,...,αm为上倾角α的近似二进制展开,其中m用以控制近似的精度;
S403、结合基站天线设置方案编码和上倾角方案编码,得到完整的基站天线设置与上倾角方案的编码。
6.根据权利要求5所述的一种面向无人机走廊的基站天线设置与上倾角优化方法,其特征在于,步骤S103中,使用交叉概率和变异概率自适应变化的遗传算法求解最优方案,具体包括以下步骤:
S501、随机生成M个基站天线设置与上倾角方案的编码作为初始种群;
S502、将每个编码代入所述目标函数中,以作为适应度;
S503、使用指数排序选择法选择当前种群中的个体进行复制;
S504、将上一步骤生成的个体进行随机配对;
S505、分别对随机配对的两个编码的基站天线设置方案编码和上倾角方案编码采用交叉操作,交叉概率为γc;
S506、以变异概率执行变异操作γm;
S507、根据自适应规则更新γc和γm,以此迭代,直至迭代至第Z代,输出此时适应度最大的编码,编码后得到最优基站天线设置和上倾角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257847.3A CN117195738B (zh) | 2023-09-27 | 2023-09-27 | 一种面向无人机走廊的基站天线设置与上倾角优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257847.3A CN117195738B (zh) | 2023-09-27 | 2023-09-27 | 一种面向无人机走廊的基站天线设置与上倾角优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195738A true CN117195738A (zh) | 2023-12-08 |
CN117195738B CN117195738B (zh) | 2024-03-12 |
Family
ID=88988704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311257847.3A Active CN117195738B (zh) | 2023-09-27 | 2023-09-27 | 一种面向无人机走廊的基站天线设置与上倾角优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195738B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100006105A (ko) * | 2008-07-08 | 2010-01-18 | 현대자동차주식회사 | 글라스 안테나 튜닝 방법 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
US20140241239A1 (en) * | 2012-09-21 | 2014-08-28 | Donald C.D. Chang | Communications Architectures via UAV |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
CN110719596A (zh) * | 2019-09-19 | 2020-01-21 | 北京长焜科技有限公司 | 一种大幅提高地空通讯信号覆盖质量的基站天线设计方法 |
CN111585816A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种基于自适应遗传算法的任务卸载决策方法 |
US20210159965A1 (en) * | 2019-11-26 | 2021-05-27 | Verizon Patent And Licensing Inc. | Systems and methods for creating wireless aerial traffic corridors |
CN115276756A (zh) * | 2022-06-21 | 2022-11-01 | 重庆邮电大学 | 一种保障服务质量的低轨卫星星座优化设计方法 |
-
2023
- 2023-09-27 CN CN202311257847.3A patent/CN117195738B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100006105A (ko) * | 2008-07-08 | 2010-01-18 | 현대자동차주식회사 | 글라스 안테나 튜닝 방법 |
CN103946732A (zh) * | 2011-09-26 | 2014-07-23 | 微软公司 | 基于对透视、近眼显示器的传感器输入的视频显示修改 |
US20140241239A1 (en) * | 2012-09-21 | 2014-08-28 | Donald C.D. Chang | Communications Architectures via UAV |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
CN109819453A (zh) * | 2019-03-05 | 2019-05-28 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
CN110719596A (zh) * | 2019-09-19 | 2020-01-21 | 北京长焜科技有限公司 | 一种大幅提高地空通讯信号覆盖质量的基站天线设计方法 |
US20210159965A1 (en) * | 2019-11-26 | 2021-05-27 | Verizon Patent And Licensing Inc. | Systems and methods for creating wireless aerial traffic corridors |
CN111585816A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种基于自适应遗传算法的任务卸载决策方法 |
CN115276756A (zh) * | 2022-06-21 | 2022-11-01 | 重庆邮电大学 | 一种保障服务质量的低轨卫星星座优化设计方法 |
Non-Patent Citations (1)
Title |
---|
ALNAGAR S I: "Unmanned aerial vehicle relay system: Performance evaluation and 3D location optimization", 《IEEE ACCESS》, 31 December 2020 (2020-12-31), pages 67635 - 67645 * |
Also Published As
Publication number | Publication date |
---|---|
CN117195738B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109819453B (zh) | 基于改进遗传算法的成本最优化无人机基站部署方法 | |
Shibata et al. | System design of gigabit HAPS mobile communications | |
US7613165B2 (en) | Method for selecting broadcast routing path using genetic algorithm in Ad-hoc network | |
CN102448087A (zh) | 一种天馈参数的优化方法及系统 | |
CN111836271B (zh) | 一种多无人机通信基站的3d位置部署方法 | |
Chan et al. | A jumping-genes paradigm for optimizing factory WLAN network | |
Liu et al. | Efficient deployment of UAVs for maximum wireless coverage using genetic algorithm | |
CN112333767B (zh) | 一种在灾后地区部署无人机应急通信系统的方法 | |
Valavanis et al. | Base-station location optimization for LTE systems with genetic algorithms | |
CN114268903B (zh) | 一种地理信息辅助的无人机中继位置部署以及功率分配方法 | |
Wang et al. | Dense femtocell networks power self‐optimization: an exact potential game approach | |
Arshad et al. | Handover rate characterization in 3D ultra-dense heterogeneous networks | |
US20140357284A1 (en) | Method of optimizing location and configuration of cellular base stations | |
CN117195738B (zh) | 一种面向无人机走廊的基站天线设置与上倾角优化方法 | |
US20140357283A1 (en) | Method of optimizing location and frequency assignment of cellular base stations | |
Deng et al. | Graph-based multi-user scheduling for indoor cooperative visible light transmission | |
Baianifar et al. | Impact of user height on the coverage of 3D beamforming-enabled massive MIMO systems | |
CN111954275B (zh) | 一种面向无人机基站网络的用户多连接配置方法 | |
Zhi et al. | AP deployment optimization in non-uniform service areas: A genetic algorithm approach | |
Reina et al. | Evolutionary deployment and hill climbing-based movements of multi-UAV networks in disaster scenarios | |
CN114037363B (zh) | 一种基于协同智能优化算法的多平台任务分配方法 | |
Kim et al. | A two-stage dynamic channel assignment scheme with graph approach for dense femtocell networks | |
CN114363989B (zh) | 一种基于最短路径的wsn路由协议方法 | |
CN110505634B (zh) | 一种基于遗传算法实现无线ap部署优化方法 | |
CN114169244A (zh) | 一种基于呼吸直方图算法的移动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 |