面向无人机辅助通信的航迹优化方法.pdf

上传人:Ameli****keyy 文档编号:14332767 上传时间:2024-02-15 格式:PDF 页数:16 大小:1.14MB
返回 下载 相关 举报
面向无人机辅助通信的航迹优化方法.pdf_第1页
第1页 / 共16页
面向无人机辅助通信的航迹优化方法.pdf_第2页
第2页 / 共16页
面向无人机辅助通信的航迹优化方法.pdf_第3页
第3页 / 共16页
点击查看更多>>
资源描述

《面向无人机辅助通信的航迹优化方法.pdf》由会员分享,可在线阅读,更多相关《面向无人机辅助通信的航迹优化方法.pdf(16页珍藏版)》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310647484.8(22)申请日 2023.06.02(71)申请人 昆明理工大学地址 650093 云南省昆明市呈贡区景明南路727号(72)发明人 周心博鲍景林宇昂(74)专利代理机构 北京隆达恒晟知识产权代理有限公司 11899专利代理师 李中强(51)Int.Cl.H04W 24/02(2009.01)H04W 24/06(2009.01)H04W 4/029(2018.01)H04W 4/40(2018.01)H04W 72/53(2023.01)(54)发明名称一种面向无人机。

2、辅助通信的航迹优化方法(57)摘要本发明公开了一种面向无人机辅助通信的航迹优化方法,属于无人机领域,所述的无人机辅助通信的航迹优化方法包括步骤1构建无人机辅助通信的航迹规划模型;步骤2构建无人机航迹规划与通信资源分配的联合优化模型;步骤3对步骤2中的联合优化模型进行求解。本发明可以有效减少无人机高速飞行时出现的信号衰减和信号中断的情况,提升通信质量,同时最大程度降低系统能耗。进一步促进多通信体制的无缝连接,以及跨空天地海的三维一体化网络发展。权利要求书4页 说明书9页 附图2页CN 116614827 A2023.08.18CN 116614827 A1.一种面向无人机辅助通信的航迹优化方法,。

3、其特征在于:所述的无人机辅助通信的航迹优化方法包括;步骤1、构建无人机辅助通信的航迹规划模型;步骤2、构建无人机航迹规划与通信资源分配的联合优化模型;步骤3、对步骤2中的联合优化模型进行求解。2.根据权利要求1所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤1采用以下步骤实现的:步骤1.1、无人机的总通信服务时间T划分为M个时隙,每个时隙长度为相同的单位时间,即;步骤1.2、无人机飞行高度为定值H,最大飞行速度为,在t时刻无人机的位置表示为;步骤1.3、无人机的通信范围内有N个移动用户,则在t时刻 用户n的位置由来表示;步骤1.4、无人机的最大速度有如下约束:(1)步骤1.5。

4、、在时刻t无人机与移动用户n间的信道增益由式(2)表示;(2)其中表示当信号收发端距离为1 m时的参考信道增益;步骤1.6、设为t时刻无人机与用户n之间通信的带宽,为t时刻无人机分配给用户n的传输功率,则无人机与用户n间在时刻t通信时的瞬时速率为:(3)其中,同函数;表示为噪声的功率谱密度;步骤1.7、得到无人机航迹规划模型的目标函数为:(4)步骤1.8、整个通信系统的带宽限制为,单无人机的最大传输功率为P,则存在如式(5)(6)所述约束条件;(5)权利要求书1/4 页2CN 116614827 A2(6)。3.根据权利要求1所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤2。

5、采用以下详细步骤实现的:步骤2.1、对于移动用户n,其接收的信号表示为:(7)其中表示无人机在t时刻向移动用户n传输的信号;表示均值为0,功率谱密度为的加性高斯白噪声;步骤2.2、对于移动用户n,其接收无人机信号的信号与干扰加噪声比SINR表示为:(8)步骤2.3、得到移动用户n的吞吐量如式(9)所示:(9)步骤2.4、对无人机的通信资源分配,有如下优化目标:(10)步骤2.5、构建无人机航迹规划与通信资源分配的联合优化模型的联合目标函数如下:(11)。4.根据权利要求1所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤3是采用基于拉丁超立方、高斯扰动以及正余弦算子的改进鸽群优。

6、化算法进行求解。5.根据权利要求4所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤3详细方法如下:步骤3.1、初始化算法参数,包括:种群规模、个体维度D,当前迭代次数t,以及地图和指南针算子的迭代参数,和地标算子的迭代参数,其中满足;步骤3.2、基于拉丁超立方初始化种群位置,生成遍历性较强的初始种群;步骤3.3、在给定速度范围内随机初始化每个个体的速度;步骤3.4、通过地图和指南针算子对每个个体的位置和速度进行更新,更新公式如式(12)(13)所示;(12)权利要求书2/4 页3CN 116614827 A3(13)其中t为当前迭代次数,第t次迭代时的个体位置,为更新得到的新。

7、一代个体位置,表示第t次迭代时对应个体的速度,R为地图因子,为0,1间随机数,为全局最优个体位置;步骤3.5、基于高斯扰动对个体位置进行扰动更新;基于高斯算子的个体位置扰动公式如式(14)所示;(14)其中表示经过高斯扰动得到的新个体位置,表示满足高斯分布的随机数,表示均值,表示标准差;由此,新一代个体的最终位置由式(15)确定;(15)式中表示新一代个体的最终位置,表示适应度函数;步骤3.6、边界条件处理,确保每个个体在解空间的上下限内;步骤3.7、当前迭代次数t=t+1;步骤3.8、判断t是否大于地图和指南针算子的迭代参数,若是则转至步骤3.9,否则转至步骤3.4;步骤3.9、通过地标算子。

8、对个体的位置进行更新;在此阶段,每一次迭代时鸽子的总数都会减少1/2,将鸽群按适应度直接进行排序,然后去掉种群中适应度较低的一半个体,再通过式(17)计算出鸽群的中心位置,余下的鸽子按照式(18)进行位置更新;(16)(17)(18)步骤3.10、融合正弦余弦算法(SCA)对个体进行扰动更新;引入正弦余弦算法SCA对个体进行二次更新,以提升算法的局部寻优能力;基于SCA的更新公式如式(1920)所示;(19)(20)其中a为SCA算法常数,取a=2,为控制参数,为间的随机数,为0,权利要求书3/4 页4CN 116614827 A42,为0,1间随机数,pbest为当前全局最优个体的位置;步骤。

9、3.11、边界条件处理,确保每个个体都在解空间的上下限内;步骤3.12、当前迭代次数t=t+1;步骤3.13、判断t是否大于地标算子的迭代参数,若是则转至步骤3.14,否则转至步骤3.9;步骤3.14、输出最优解和最优值结束。权利要求书4/4 页5CN 116614827 A5一种面向无人机辅助通信的航迹优化方法技术领域0001本发明属于无人机控制领域,更具体的说涉及一种面向无人机辅助通信的航迹优化方法。背景技术0002无人机(UAV)具有灵活、部署速度快、成本较低等优势。利用无人机作为空中通信基站,可以有效提高地面通信系统的覆盖范围和通信质量,并能根据地面通信用户的实时需求进行动态调整,实现。

10、通信网络的智能化部署。目前,对于无人机辅助通信技术的应用研究还处于起步阶段,其中通信资源的分配和无人机轨迹规划是研究中的重点问题,对无人机通信系统的性能起到关键性作用。0003无人机通信资源分配是指根据地面用户不同的通信需求和资源限制,将将有限的通信资源(如带宽、功率等)分配给不同的用户节点,以实现通信质量和能效的最大化。而面向辅助通信的无人机航迹规划是指通过优化无人机的飞行轨迹来提高通信性能和网络覆盖范围的技术,现有技术主要通过机器学习、优化算法、博弈论、传感器等方式对无人机航迹进行优化。0004现有无人机辅助通信技术较少考虑多信道功率分配问题,难以得到更大化的吞吐量增益,并且无法保证系统的。

11、续航能力;目前的文章仅有少量文章涉及到无人机的航迹优化问题,但是没有任何文章涉及到无人机辅助通信航迹与通信资源分配的联合优化。因此,亟需一种面向无人机辅助通信的航迹优化方法。发明内容0005为提高无人机辅助通信系统的效率和可靠性,本发明提出了一种面向无人机辅助通信的航迹优化方法,解决无人机在辅助通信过程中存在的技术问题。可以有效减少无人机高速飞行时出现的信号衰减和信号中断的情况,提升通信质量,同时最大程度降低系统能耗。进一步促进多通信体制的无缝连接,以及跨空天地海的三维一体化网络发展。0006为了实现上述目的,本发明是采用以下技术方案实现的:所述的无人机辅助通信的航迹优化方法包括步骤1构建无人。

12、机辅助通信的航迹规划模型;步骤2构建无人机航迹规划与通信资源分配的联合优化模型;步骤3对步骤2中的联合优化模型进行求解。0007进一步地,所述的步骤1采用以下步骤实现的:步骤1.1、无人机的总通信服务时间T划分为M个时隙,每个时隙长度为相同的单位时间,即;步骤1.2、无人机飞行高度为定值H,最大飞行速度为,在t时刻无人机的位置表示为;说明书1/9 页6CN 116614827 A6步骤1.3、无人机的通信范围内有N个移动用户,则在t时刻用户n的位置由来表示;步骤1.4、无人机的最大速度有如下约束:(1)步骤1.5、在时刻t无人机与移动用户n间的信道增益由式(2)表示;(2)其中表示当信号收发端。

13、距离为1 m时的参考信道增益;步骤1.6、设为t时刻无人机与用户n之间通信的带宽,为t时刻无人机分配给用户n的传输功率,则无人机与用户n间在时刻t通信时的瞬时速率为:(3)其中,同函数;表示为噪声的功率谱密度;步骤1.7、得到无人机航迹规划模型的目标函数为:(4)步骤1.8、整个通信系统的带宽限制为,单无人机的最大传输功率为P,则存在如式(5)(6)所述约束条件;(5)(6)。0008进一步地,所述的步骤2采用以下详细步骤实现的:步骤2.1、对于移动用户n,其接收的信号表示为:(7)其中表示无人机在t时刻向移动用户n传输的信号;表示均值为0,功率谱密度为的加性高斯白噪声;步骤2.2、对于移动用。

14、户n,其接收无人机信号的信号与干扰加噪声比SINR表示为:说明书2/9 页7CN 116614827 A7(8)步骤2.3、得到移动用户n的吞吐量 如式(9)所示:(9)步骤2.4、对无人机的通信资源分配,有如下优化目标:(10)步骤2.5、构建无人机航迹规划与通信资源分配的联合优化模型的联合目标函数如下:(11)。0009进一步地,所述的步骤3是采用基于拉丁超立方、高斯扰动以及正余弦算子的改进鸽群优化算法进行求解。0010进一步地,所述的步骤3详细方法如下:步骤3.1、初始化算法参数,包括:种群规模、个体维度D,当前迭代次数t,以及地图和指南针算子的迭代参数,和地标算子的迭代参数,其中满足;。

15、步骤3.2、基于拉丁超立方初始化种群位置,生成遍历性较强的初始种群;步骤3.3、在给定速度范围内随机初始化每个个体的速度;步骤3.4、通过地图和指南针算子对每个个体的位置和速度进行更新,更新公式如式(12)(13)所示;(12)(13)其中t为当前迭代次数,第t次迭代时的个体位置,为更新得到的新一代个体位置,表示第t次迭代时对应个体的速度,R为地图因子,为0,1间随机数,为全局最优个体位置;步骤3.5、基于高斯扰动对个体位置进行扰动更新;基于高斯算子的个体位置扰动公式如式(14)所示;(14)其中表示经过高斯扰动得到的新个体位置,表示满足高斯分布的随机数,表示均值,表示标准差;说明书3/9 页。

16、8CN 116614827 A8由此,新一代个体的最终位置由式(15)确定;(15)式中表示新一代个体的最终位置,表示适应度函数;步骤3.6、边界条件处理,确保每个个体在解空间的上下限内;步骤3.7、当前迭代次数t=t+1;步骤3.8、判断t是否大于地图和指南针算子的迭代参数,若是则转至步骤3.9,否则转至步骤3.4;步骤3.9、通过地标算子对个体的位置进行更新;在此阶段,每一次迭代时鸽子的总数都会减少1/2,将鸽群按适应度直接进行排序,然后去掉种群中适应度较低的一半个体,再通过式(17)计算出鸽群的中心位置,余下的鸽子按照式(18)进行位置更新;(16)(17)(18)步骤3.10、融合正弦。

17、余弦算法(SCA)对个体进行扰动更新;引入正弦余弦算法SCA对个体进行二次更新,以提升算法的局部寻优能力;基于SCA的更新公式如式(1920)所示;(19)(20)其中a为SCA算法常数,取a=2,为控制参数,为间的随机数,为0,2,为0,1间随机数,pbest为当前全局最优个体的位置;步骤3.11、边界条件处理,确保每个个体都在解空间的上下限内;步骤3.12、当前迭代次数t=t+1;步骤3.13、判断t是否大于地标算子的迭代参数,若是则转至步骤3.14,否则转至步骤3.9;步骤3.14、输出最优解和最优值结束。0011本发明有益效果:本发明可以有效减少无人机高速飞行时出现的信号衰减和信号中断。

18、的情况,提升通信质量,同时最大程度降低系统能耗。进一步促进多通信体制的无缝连接,以及跨空天地海的三维一体化网络发展。说明书4/9 页9CN 116614827 A9附图说明0012图1为本发明方法流程图;图2为改进的鸽群算法流程图;图3为无人机辅助通信示意图。具体实施方式0013以下将以附图公开本公开的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本公开。也就是说,在本公开内容部分实施方式中,这些实务上的细节是非必要的。此外,为简化附图起见,一些现有惯用的结构与元件在附图中将以简单示意的方式示出的。0014如图1图3所示,本发明提。

19、供了一种面向无人机辅助通信的航迹优化方法,其中,包括:步骤一、针对无人机辅助多个移动用户的无线通信系统,综合考虑飞行航迹约束、功耗约束以及带宽限制,以最大化服务时间内的数据吞吐量为目标,构建无人机辅助通信的航迹规划模型。0015步骤1.1、无人机的总通信服务时间T划分为M个时隙,每个时隙长度为相同的单位时间,即;步骤1.2、无人机飞行高度为定值H,最大飞行速度为,在t时刻无人机的位置表示为;步骤1.3、无人机的通信范围内有N个移动用户,则在t时刻用户n的位置由来表示;步骤1.4、无人机的最大速度有如下约束:(1)步骤1.5、在时刻t无人机与移动用户n间的信道增益由式(2)表示;(2)其中表示当。

20、信号收发端距离为1 m时的参考信道增益;步骤1.6、设为t时刻无人机与用户n之间通信的带宽,为t时刻无人机分配给用户n的传输功率,则无人机与用户n间在时刻t通信时的瞬时速率为:(3)其中,同函数;表示为噪声的功率谱密度;步骤1.7、得到无人机航迹规划模型的目标函数为:说明书5/9 页10CN 116614827 A10(4)步骤1.8、整个通信系统的带宽限制为,单无人机的最大传输功率为P,则存在如式(5)(6)所述约束条件;(5)(6)。0016步骤二、进一步考虑无线通信资源优化问题,引入多信道功率分配作为优化变量,构建无人机航迹规划与通信资源分配的联合优化模型。0017步骤2.1、对于移动用。

21、户n,其接收的信号表示为:(7)其中表示无人机在t时刻向移动用户n传输的信号;表示均值为0,功率谱密度为的加性高斯白噪声;步骤2.2、对于移动用户n,其接收无人机信号的信号与干扰加噪声比SINR表示为:(8)步骤2.3、得到移动用户n的吞吐量如式(9)所示:(9)步骤2.4、对无人机的通信资源分配,有如下优化目标:(10)步骤2.5、构建无人机航迹规划与通信资源分配的联合优化模型的联合目标函数如下:(11)。0018步骤三、针对所述无人机辅助通信的航迹联合优化模型,设计了一种基于拉丁超立方、高斯扰动以及正余弦算子的改进鸽群优化算法进行求解。0019由于所构建的无人机联合优化模型为非线性优化问题。

22、,且具有多个优化目标,难说明书6/9 页11CN 116614827 A11以直接通过标准凸优化方法求解得到精确结果。故本发明引入基于动物群体行为的群智能优化算法对其进行求解,此类算法可以有效地得到模型的近似最优解。0020如图2所示,鸽群优化算法(PIO,Pigeoninspired Optimization)是由段海滨等人于2014年提出的一种基于鸽群归巢行为的群体智能优化算法。其在无人机的集群和控制等领域有着很好的应用表现,具有很好的寻优能力和收敛速度,但其仍存在算法后期全局寻优能力不佳、易陷入局部最优和易于早熟等不足。针对此问题,本发明引入拉丁超立方、高斯扰动算子和正余弦算子对鸽群优化。

23、算法进行改进,以进一步提高其寻优能力和求解效率。0021所述的一种基于拉丁超立方、高斯扰动以及正余弦算子的改进鸽群优化算法具体步骤如下:步骤3.1、初始化算法参数,包括:种群规模、个体维度D,当前迭代次数t,以及地图和指南针算子的迭代参数,和地标算子的迭代参数等,其中满足。0022步骤3.2、基于拉丁超立方初始化种群位置,生成遍历性较强的初始种群。0023拉丁超立方抽样(LHS,Latin hypercube sampling)是一种分层抽样技术,具有均匀分层、抽样效率高等优势,可有效提高初始种群的多样性,从而提高算法的求解效率。基于拉丁超立方的初始化种群步骤如下:1)设置个体的解空间。对于每。

24、个个体,其上限,下限;2)将个体的解空间划分为NP个子区间;3)在每个子区间内随机取一点,作为种群中的个体;4)将抽取到的所有个体组合,即得到高质量的初始种群。0024步骤3.3、在给定速度范围内随机初始化每个个体的速度。0025步骤3.4、通过地图和指南针算子对每个个体的位置和速度进行更新,更新公式如式(12)(13)所示。0026(12)(13)其中t为当前迭代次数,第t次迭代时的个体位置,为更新得到的新一代个体位置,表示第t次迭代时对应个体的速度,R为地图因子,为0,1间随机数,为全局最优个体位置。0027步骤3.5、基于高斯扰动对个体位置进行扰动更新。0028由于在地图和指南针算子的迭。

25、代阶段,鸽群的搜索范围较广,即算法处于全局开发阶段,因此本发明引入高斯扰动算子以进一步提高算法在此阶段的全局探索能力。0029基于高斯算子的个体位置扰动公式如式(14)所示。0030(14)说明书7/9 页12CN 116614827 A12其中表示经过高斯扰动得到的新个体位置,表示满足高斯分布的随机数,表示均值,表示标准差。0031由此,新一代个体的最终位置由式(15)确定。0032(15)式中表示新一代个体的最终位置,表示适应度函数。0033步骤3.6、边界条件处理,确保每个个体在解空间的上下限内。0034步骤3.7、当前迭代次数t=t+1。0035步骤3.8、判断t是否大于地图和指南针算。

26、子的迭代参数,若是则转至步骤3.9,否则转至步骤3.4。0036步骤3.9、通过地标算子对个体的位置进行更新。0037在此阶段,每一次迭代时鸽子的总数都会减少1/2。将鸽群按适应度直接进行排序,然后去掉种群中适应度较低的一半个体。再通过式(17)计算出鸽群的中心位置,余下的鸽子按照式(18)进行位置更新。0038(16)(17)(18)步骤3.10、融合正弦余弦算法(SCA)对个体进行扰动更新。0039正余弦优化算法 (Sine Cosine Algorithm,SCA)是Seyedali Mirjalili等于2016年提出的一种群体智能优化算法。在算法迭代后期,即地标算子的迭代阶段,种群规。

27、模NP逐代减小,增大了算法陷入局部最优的概率。针对此引入正弦余弦算法(SCA)对个体进行二次更新,以提升算法的局部寻优能力。基于SCA的更新公式如式(1920)所示。0040(19)(20)其中a为SCA算法常数,取a=2,为控制参数,为间的随机数,为0,2,为0,1间随机数,pbest为当前全局最优个体的位置。0041步骤3.11、边界条件处理,确保每个个体都在解空间的上下限内。0042步骤3.12、当前迭代次数t=t+1。0043步骤3.13、判断t是否大于地标算子的迭代参数,若是则转至步骤3.14,否则转至步骤3.9。说明书8/9 页13CN 116614827 A130044步骤3.1。

28、4、输出最优解和最优值,算法结束。0045本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(readonly memory,ROM)、随机存取器(random accessmemory,RAM)、磁盘或光盘等。0046应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。说明书9/9 页14CN 116614827 A14图1图2说明书附图1/2 页15CN 116614827 A15图3说明书附图2/2 页16CN 116614827 A16。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 电学 > 电通信技术


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1