CN112261623A - 基于全局最优人工蜂群算法的无人机基站部署方法及*** - Google Patents
基于全局最优人工蜂群算法的无人机基站部署方法及*** Download PDFInfo
- Publication number
- CN112261623A CN112261623A CN202010961131.1A CN202010961131A CN112261623A CN 112261623 A CN112261623 A CN 112261623A CN 202010961131 A CN202010961131 A CN 202010961131A CN 112261623 A CN112261623 A CN 112261623A
- Authority
- CN
- China
- Prior art keywords
- network
- base station
- uav
- aerial vehicle
- unmanned aerial
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于全局最优人工蜂群算法的无人机基站部署方法及***,包括:构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;在D2D网络的基础上,将无人机基站UAV‑BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV‑BS通信的网络;通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
Description
技术领域
本申请涉及无线网络技术领域,特别是涉及基于全局最优人工蜂群(GOABC,Global OptimalArtificial Bee Colony)算法的无人机基站(UAV-BS,Unmanned AerialVehicle Base Station)部署方法及***。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
当灾难发生后,地面通信设备损坏造成大面积信号盲区,UAV-BS可以克服地形限制快速部署好应急通信网络,在灾区内营救和恢复重建工作中发挥了重要作用。其次,在人员密集的大型场所,例如体育场、演唱会等地方,人数过多往往会存在网络信号弱的问题,无人机(UAV,Unmanned Aerial Vehicle)可以作为临时的空中基站来提高区域内的网络信号强度。因此,研究如何在部署UAV-BS来提高信号强度和覆盖范围是人们现在需要解决的一项的迫切任务。
发明内容
为了解决现有技术的不足,本申请提供了基于全局最优人工蜂群算法的无人机基站部署方法及***;有效提高区域内的总体网络吞吐量。
第一方面,本申请提供了基于全局最优人工蜂群算法的无人机基站部署方法;
基于全局最优人工蜂群算法的无人机基站部署方法,包括:
构建一个设备到设备间(D2D,Device-to-Device)网络,所述D2D网络上分布若干个用户终端(UE,User Equipment);
在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
第二方面,本申请提供了基于全局最优人工蜂群算法的无人机基站部署***;
基于全局最优人工蜂群算法的无人机基站部署***,包括:
D2D网络构建模块,其被配置为:构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;
目标函数构建模块,其被配置为:在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
输出模块,其被配置为:通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
第三方面,本申请还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本申请的有益效果是:
(1)为了使更多UE参与网络通信,本申请引入了多跳D2D技术并构建了一个基于D2D的网络模型。
(2)在D2D网络模型基础上,将UAV-BS的网络覆盖问题构建成一个优化模型。在UAV-BS容量和信号与干扰加噪声比(SINR,Signal to Interference plus Noise Ratio)的约束下,本申请考虑了UE与UAV-BS之间的通信,又考虑UE之间的D2D通信,最终把优化问题制定为最大化基于总体网络吞吐量和UE通信数量的目标函数。
(3)本申请提出了一种启发式的GOABC算法。该算法在ABC算法的基础上改进了最优蜜源的搜索方式,对蜜源的每个维度进行更新,并且增加了全局最优蜜源的因素,使蜜蜂搜索到更优蜜源,在ABC算法的基础上提高了收敛性。本申请采用GOABC算法来最大化UAV-BS部署模型中的基于总体网络吞吐量和UE通信数量目标函数,优化了UAV-BS的部署位置。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例的不考虑D2D通信的UAV-BS部署示意图;
图3为第一个实施例的考虑D2D通信的UAV-BS部署示意图;
图4(a)-图4(c)为第一个实施例的人工蜂群(ABC,Artificial Bee Colony)算法、GOABC算法、粒子群优化(PSO,Particle Swarm Optimization)算法和灰狼-粒子群优化(GWOPSO,Gray Wolf Particle Swarm Optimization)算法的目标值对比图;
图5(a)-图5(c)为第一个实施例的考虑D2D通信与不考虑D2D通信的目标值对比图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于全局最优人工蜂群算法的无人机基站部署方法;
如图1所示,基于全局最优人工蜂群算法的无人机基站部署方法,包括:
S101:构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;
S102:在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
S103:通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
进一步地,所述S101:构建一个D2D网络,所述D2D网络上分布着固定数量的个用户终端UE,考虑用户终端UE的随机分布、正态分布和指数分布;具体步骤包括:
当某个用户终端UE无法与UAV-BS建立连接时,它可以与附近满足SINR阈值且SINR最大的用户终端UE建立D2D连接。
如果它附近的UE是空闲的,则以该空闲UE作为中继节点并试图与该中继节点附近的UE建立D2D连接,直至找到满足SINR条件的非空闲UE,否则,放弃该D2D链路。
进一步地,所述目标函数等于总体网络的吞吐量与总体网络的终端用户通信数量的加权求和结果,权重为权衡总体网络吞吐量和用户终端UE数量的参数。
进一步地,所述总体网络的终端用户通信数量,等于直接与无人机基站UAV-BS通信的终端用户数量和通过D2D网络进行通信的终端用户数量之和。
进一步地,所述总体网络的吞吐量,等于直接与无人机基站UAV-BS通信的终端用户的网络吞吐量和通过D2D网络进行通信的终端用户的网络吞吐量之和。
进一步地,所述每个终端用户的网络吞吐量等于其自身的信道容量。
进一步地,所述约束条件为:
权衡总体网络吞吐量和用户终端UE数量的参数大于零且小于1;
无人机基站UAV-BS的网络吞吐量小于等于其容量;
参与用户终端UE与无人机基站UAV-BS通信的用户终端UE的信号与干扰加噪声比SINR大于等于设定的阈值;
在D2D网络中,存在通信关系的用户终端UE的信号与干扰加噪声比SINR大于等于设定的阈值。
进一步地,所述SINR,在用户终端UE与无人机基站UAV-BS通信过程中,是指用户终端在无人机基站UAV-BS覆盖范围内的接收功率和干扰功率与信道噪声之比。
进一步地,所述SINR,在D2D网络中,是指当前用户终端UE在接收到上一跳用户终端的接收功率和干扰功率与信道噪声之比。
进一步地,所述接收功率,在用户终端UE与无人机基站UAV-BS通信过程中,是指用户终端从无人机基站UAV-BS接收的功率。
进一步地,所述接收功率,在在D2D网络中,是指当前用户终端UE从它的上一跳用户终端UE中接收的功率。
在UAV-BS组成的网络中,难免会存在覆盖不到一些距离较远的UE或者资源频谱匮乏的情况,因此,本申请在UE之间建立了D2D连接来辅助通信来解决这些问题。本申请考虑UAV-BS与D2D网络之间的共享频谱,没有与UAV-BS通信的UE通过复用与UAV-BS通信的UE的频谱资源,与满足SINR条件的UE直接建立D2D通信或通过多跳中继技术的方式建立D2D通信,提高了场景边缘的UE获取的服务质量QoS,同时也提高了场景内的总体网络吞吐量和UE通信数量。
如图2和图3所示,本申请建立一个三维场景来模拟场景通信状况。场景中分布中若干UAV-BS(UAV-BS)和用户设备(UE),并且存在三种通信方式,分别是UAV-BS与云服务器的链接(U2S通信)、UAV-BS与UE的链接(U2D通信)、UE与UE的链接(D2D通信)。场景中共有m个UAV-BS和p个UE,有的UE只属于U2D通信(如UE1和UE2),有的UE只属于D2D通信(如UE5、UE7…UE12),有的UE既属于U2D通信又属于D2D通信(UE3、UE4),还有的UE不属于任何通信链接(如UE6)。与图2相比,图3中增加了D2D通信,使得一些没有与UAV-BS建立通信的UE可以通过D2D的方式与附近的UE建立通信,提高了场景内的网络吞吐量和UE覆盖数量。
UAV-BS部署模型分为三个步骤。首先,计算出所有能够与UAV-BS直接通信的UE的网络吞吐量和UE通信数量。其次,计算出所有可以建立D2D通信的UE的的网络吞吐量和通信数量。第三,计算场景中基于UE的网络吞吐量和通信数量的目标值。
接下来,本实施例对于UAV-BS部署模型中的接收功率,SINR、UE通信数量和UE网络吞吐量的介绍如下。
Pr,ij=Pt,U-Lij(1)
以上公式中,dij是UAV-BS j和UE i的欧几里得距离,是和之间的欧几里得距离。(xj,yj,hj)是UAV-BS j的坐标,(xi,yi,hp)是UE i的坐标。Lj是UAV-BS j的自由空间路径损耗,是的自由空间路径损耗。
其中hj是UAV-BS j在地面以上的飞行高度,hp是UE在地面以上的高度。
其中λ是波长,c是波速,f是频率。
SINR:在U2D通信中,γin是指UE i在UAV-BS n的覆盖范围内的接收功率和干扰功率与信道噪声之比。在D2D通信中,若为多跳D2D通信,本申请采取译码转发中继协议(DF),中继UE将收到的信号译码并重新编码后发送给下一跳UE。是指收到来自的接收功率和干扰功率与信道噪声之比。
其中Pr,in是UE i接收的所有UAV-BS中的最大接收功率。本申请将UE i接收到最大接收功率的UAV-BS称为UAV-BS n。是从接收到最大接收功率的接收的功率。σ是恒定的信道噪声。Iin是UE i接收到的干扰功率,是UE i从其他m-1个UAV-BS接收到的接收功率之和。是接收到的干扰功率,是从所有UAV-BS接收到的接收功率之和。
UE通信数量:UE通信数量Ntotal是指场景中直接与UAV-BS通信的UE数量Nij加上通过D2D通信的UE的数量参与UAV-BS通信的UE的SINR必须不小于设定的阈值θ,参与UAV-BS通信的UE的SINR必须不小于设定的阈值τ,公式如下:
UE网络吞吐量:网络吞吐量指的是在网络传输过程中实际传输的最大数据速率。信道容量是信道可以无错误传输的最大信息速率。本申请假设每个UE的网络吞吐量等于每个UE的信道容量。香农公式用于计算每个UE的信道容量:
Cin=W*log2(1+γin) (24)
场景内的网络吞吐量Ttotal的计算公式可以定义如下:
目标函数:本申请的目标是找到一组UAV-BS的三维坐标,在一定权重下使场景内的网络吞吐量和UE通信数量最大。
α为权衡总体网络吞吐量和UE通信数量的参数,在不低于SINR阈值的前提下,每个UAV-BS的网络吞吐量等于直接与UAV-BS通信的UE的吞吐量加上共g个通过D2D通信的UE的网络吞吐量,且UAV-BS的网络吞吐量不得大于其容量Tmax,参与U2D通信的UE的SINR不得小于设定的阈值θ,参与D2D通信的UE的SINR不得小于设定的阈值τ。
相应的使网络吞吐量最大的UAV-BS的位置P可以通过以下方式获得:
进一步地,所述S103:通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;具体步骤包括:
S1031:参数初始化,在规定场景内随机产生若干解,每个解包括设定数量的UAV-BS的三维坐标;
S1032:记录所有解中最大适应度值和适应度值最大的解;
S1033:引领蜂阶段:基于当前无人机基站UAV-BS附近的解和适应度值最大的解来搜索一个新解,若新解具有更大的适应度值,则将其目标值记录下来并将当前解替换成新解;
S1034:跟随蜂阶段:采用轮盘赌按概率基于当前解附近的解和全局最优解搜索一个新解,若新解具有更大的适应度值,则将其适应度值记录下来并将当前解替换成新解;
S1035:侦察蜂阶段:若搜索次数是否超过了规定的次数,则在规定场景内随机产生新解替代当前解;
S1036:判断是否达到了迭代总次数,若达到了则输出记录的最大适应度值和对应的一组UAV-BS坐标,否则重新执行S1032到S1036。
d={1,2,3},j={1,2,…,J},d为维度,rand为[0,1]之间的随机数,ub和lb分别为解的搜索空间的上限和下限。
所述S1032中,对于本文求最大目标值的问题,本文提出的新的适应度计算公式如下:
将初始解带入目标函数,计算该解的适应度值,并记录下当前最大适应度值和适应度值最大的解。
k={1,2,…,3J}是当前解的坐标值索引,l∈{1,2,…,I},i≠l是随机选择的新解的索引,是[-1,1]之间的一个随机数,rand是一个[0,1]之间的随机数,是适应度值最大的解。若新解的适应度值大于当前解,则新解替换掉当解。
所述S1034中:跟随蜂选择解的概率与解的质量成正比,进一步优化了每只引领蜂找到的解。每只跟随蜂采用轮盘赌方法来跟随引领蜂,如果选择了引领蜂所在的解,跟随蜂将根据引领蜂所在的解搜索新解,解的适应度值越大,跟随蜂选择的概率就越大。本文提出的概率公式如下:
fiti为当前解的适应度值,为所有解的适应度值之和。随后,产生一个[0,1]之间的随机数,若randi<pi,则跟随蜂选择了一只引领蜂,使用公式(32)搜索一个新解,并计算它的适应度值。若randi≥pi,则跟随蜂不搜索新解。若新解的适应度值大于当前解,则用新解集替换掉当前解。
所述S1035中:若某个解Si没有在预定数量的迭代中得到改进,则相应的引领蜂放弃该解,转变成一只侦察蜂使用公式(30)重新寻找新的解。
所述S1036中,该算法的迭代次数达到预解释的最大迭代次数maxiteration时停止,多次运行该算法可提高程序的健壮性。
部署UAV-BS通常是一个NP-hard问题,这类问题主要是通过启发式算法来求得近似值。由于ABC算法的解的更新方式是在邻域内只选取一某个维度更新,解的质量不算高。本申请提出的GOABC算法在解更新时考虑了解的所有维度,并且加入了全局最优解的影响,使算法的收敛性更好。
将本文提出的方法与其他方法作了分析和比较,具体过程如下:
本申请一共分析了两项对比实验,分别是ABC算法、GOABC算法、PSO算法和GWOPSO算法,模型是否考虑D2D通信。实验中的目标值为多次运行算法后取得的目标值的中位数。实验结果表明,本申请提出的UAV-BS部署模型结合GOABC算法可以使在场景中的总体网络吞吐量和UE通信数量更大,是一种更优化的UAV-BS部署方法。实验参数如表1所示。
表1模型实验参数
(1)四种算法对比
在图4(a)-图4(c)中,为了测试本申请提出的GOABC算法的效果,本申请将其与其他三种启发式算法进行对比。PSO算法是一种进化算法,通过设计一种无质量的粒子来模拟鸟群中的鸟。PSO算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。GWOPSO算法是一种模拟灰狼捕食猎物活动的一种优化搜索方法,也是一种灰狼优化(GWO)算法与PSO算法相结合的混合优化算法。本申请可以明显看出在三种分布中,GOABC算法可以达到最大的目标值,其次是GWOPSO算法。实验数据表明,在随机分布、正态分布和指数分布中,GOABC算法在达到最大目标值时比GWOPSO算法分别高出大约4.5%、5.2%和7.3%。本申请可以得出的结论是,GOABC算法比其他三种启发式算法更具优势。(2)是否考虑D2D通信对比:在图5(a)-图5(c)中,为了测试本申请提出的考虑D2D通信的模型与不考虑D2D通信的模型的差距有多少,本申请将两种除了D2D通信外其他均相同的模型进行对比。本申请可以看出在三种分布中,考虑D2D通信的模型普遍比不考虑D2D通信的模型目标值更大,其中正态分布的优势最明显。实验数据表明,在随机分布、正态分布和指数分布中,考虑D2D通信的模型在达到最大目标值时比不考虑D2D通信的模型高出大约6.3%、3.8%和4%。本申请可以得出的结论是,考虑D2D通信的模型比不考虑D2D通信的模型效果更好。
实施例二
本实施例提供了基于全局最优人工蜂群算法的无人机基站部署***;
基于全局最优人工蜂群算法的无人机基站部署***,包括:
D2D网络构建模块,其被配置为:构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;
目标函数构建模块,其被配置为:在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
输出模块,其被配置为:通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
此处需要说明的是,上述D2D网络构建模块、目标函数构建模块和输出模块对应于实施例一中的步骤S101至S103,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***,可以通过其他的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于全局最优人工蜂群算法的无人机基站部署方法,其特征是,包括:
构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;
在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
2.如权利要求1所述的方法,其特征是,所述目标函数等于总体网络的吞吐量与总体网络的终端用户通信数量的加权求和结果,权重为权衡总体网络吞吐量和用户终端UE数量的参数。
3.如权利要求2所述的方法,其特征是,所述总体网络的终端用户通信数量,等于直接与无人机基站UAV-BS通信的终端用户数量和通过D2D网络进行通信的终端用户数量之和。
4.如权利要求2所述的方法,其特征是,所述总体网络的吞吐量,等于直接与无人机基站UAV-BS通信的终端用户的网络吞吐量和通过D2D网络进行通信的终端用户的网络吞吐量之和。
5.如权利要求1所述的方法,其特征是,所述约束条件为:
权衡总体网络吞吐量和用户终端UE数量的参数大于零且小于1;
无人机基站UAV-BS的网络吞吐量小于等于其容量;
参与用户终端UE与无人机基站UAV-BS通信的用户终端UE的信号与干扰加噪声比SINR大于等于设定的阈值;
在D2D网络中,存在通信关系的用户终端UE的信号与干扰加噪声比SINR大于等于设定的阈值。
6.如权利要求1所述的方法,其特征是,所述信号与干扰加噪声比SINR,在用户终端UE与无人机基站UAV-BS通信过程中,是指用户终端在无人机基站UAV-BS覆盖范围内的接收功率和干扰功率与信道噪声之比;
或者,
所述信号与干扰加噪声比SINR,在D2D网络中,是指当前用户终端UE在接收到上一跳用户终端的接收功率和干扰功率与信道噪声之比;
或者,
所述接收功率,在用户终端UE与无人机基站UAV-BS通信过程中,是指用户终端从无人机基站UAV-BS接收的功率;
或者,
所述接收功率,在在D2D网络中,是指当前用户终端UE从它的上一跳用户终端UE中接收的功率。
7.如权利要求1所述的方法,其特征是,通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;具体步骤包括:
参数初始化,在规定场景内随机产生若干解,每个解包括设定数量的UAV-BS的三维坐标;
记录步骤:记录所有解中最大适应度值和适应度值最大的解;
引领蜂阶段:基于当前无人机基站UAV-BS附近的解和适应度值最大的解来搜索一个新解,若新解具有更大的适应度值,则将其目标值记录下来并将当前解替换成新解;
跟随蜂阶段:采用轮盘赌按概率基于当前解附近的解和全局最优解搜索一个新解,若新解具有更大的适应度值,则将其适应度值记录下来并将当前解替换成新解;
侦察蜂阶段:若搜索次数是否超过了规定的次数,则在规定场景内随机产生新解替代当前解;
判断步骤:判断是否达到了迭代总次数,若达到了则输出记录的最大适应度值和对应的一组UAV-BS坐标,否则重新执行记录步骤到判断步骤。
8.基于全局最优人工蜂群算法的无人机基站部署***,其特征是,包括:
D2D网络构建模块,其被配置为:构建一个D2D网络,所述D2D网络上分布若干个用户终端UE;
目标函数构建模块,其被配置为:在D2D网络的基础上,将无人机基站UAV-BS的网络覆盖问题构建成目标函数和约束条件;所述目标函数为:最大化总体网络的吞吐量和总体网络的终端用户UE数量;其中,总体网络既包括用户终端UE之间通信的D2D网络,也包括用户终端UE与无人机基站UAV-BS通信的网络;
输出模块,其被配置为:通过全局最优人工蜂群算法,对目标函数进行求解,得到无人机基站部署的坐标位置;基于所得到的无人机基站部署的坐标位置,完成无人机基站的部署。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961131.1A CN112261623B (zh) | 2020-09-14 | 2020-09-14 | 基于全局最优人工蜂群算法的无人机基站部署方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961131.1A CN112261623B (zh) | 2020-09-14 | 2020-09-14 | 基于全局最优人工蜂群算法的无人机基站部署方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112261623A true CN112261623A (zh) | 2021-01-22 |
CN112261623B CN112261623B (zh) | 2022-07-22 |
Family
ID=74232798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961131.1A Active CN112261623B (zh) | 2020-09-14 | 2020-09-14 | 基于全局最优人工蜂群算法的无人机基站部署方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112261623B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067623A (zh) * | 2021-03-08 | 2021-07-02 | 深圳创维-Rgb电子有限公司 | 基于5g信号的无人机蜂群组网方法、***、智能终端 |
CN113726417A (zh) * | 2021-09-03 | 2021-11-30 | 武汉广源龙科技有限公司 | 一种基于无人机蜂群动态部署的应急通信***及通信方法 |
CN113873531A (zh) * | 2021-08-31 | 2021-12-31 | 南京邮电大学 | 一种d2d辅助无人机基站实现目标区域全覆盖的设计方法 |
CN113923675A (zh) * | 2021-10-18 | 2022-01-11 | 吉林大学 | 一种提升地面用户通信性能的空中基站部署方法 |
CN115134366A (zh) * | 2022-06-28 | 2022-09-30 | 山东海量信息技术研究院 | 一种移动边缘分发网络服务器放置方法及*** |
CN116405946A (zh) * | 2023-04-13 | 2023-07-07 | 上海物骐微电子有限公司 | 网络部署优化方法、装置、电子设备及存储介质 |
CN116801268A (zh) * | 2023-08-28 | 2023-09-22 | 南京捷希科技有限公司 | 一种基于射线追踪的毫米波频段室内多基站位置优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704729A (zh) * | 2016-01-22 | 2016-06-22 | 南京大学 | 一种采用改进的人工蜂群算法的无线传感器部署方法 |
US9826415B1 (en) * | 2016-12-01 | 2017-11-21 | T-Mobile Usa, Inc. | Tactical rescue wireless base station |
CN107635239A (zh) * | 2017-09-25 | 2018-01-26 | 北京邮电大学 | 无人机基站部署方法、装置、电子设备及可读存储介质 |
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110267249A (zh) * | 2019-06-17 | 2019-09-20 | 山东师范大学 | 一种基于人工蜂群算法的灾后无人机基站部署方法及*** |
CN110996328A (zh) * | 2019-11-25 | 2020-04-10 | 北京邮电大学 | 一种无人机基站部署位置确定方法、装置及电子设备 |
KR102149617B1 (ko) * | 2019-12-16 | 2020-08-28 | 연세대학교 산학협력단 | 에너지 효율적 무인 항공기 기지국 배치 장치 및 방법 |
-
2020
- 2020-09-14 CN CN202010961131.1A patent/CN112261623B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704729A (zh) * | 2016-01-22 | 2016-06-22 | 南京大学 | 一种采用改进的人工蜂群算法的无线传感器部署方法 |
US9826415B1 (en) * | 2016-12-01 | 2017-11-21 | T-Mobile Usa, Inc. | Tactical rescue wireless base station |
CN107635239A (zh) * | 2017-09-25 | 2018-01-26 | 北京邮电大学 | 无人机基站部署方法、装置、电子设备及可读存储介质 |
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110267249A (zh) * | 2019-06-17 | 2019-09-20 | 山东师范大学 | 一种基于人工蜂群算法的灾后无人机基站部署方法及*** |
CN110996328A (zh) * | 2019-11-25 | 2020-04-10 | 北京邮电大学 | 一种无人机基站部署位置确定方法、装置及电子设备 |
KR102149617B1 (ko) * | 2019-12-16 | 2020-08-28 | 연세대학교 산학협력단 | 에너지 효율적 무인 항공기 기지국 배치 장치 및 방법 |
Non-Patent Citations (1)
Title |
---|
丁翔: "智能无人机蜂群无线测控网络关键技术研究", 《硕士学位论文》, 1 October 2018 (2018-10-01) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067623A (zh) * | 2021-03-08 | 2021-07-02 | 深圳创维-Rgb电子有限公司 | 基于5g信号的无人机蜂群组网方法、***、智能终端 |
CN113067623B (zh) * | 2021-03-08 | 2023-03-07 | 深圳创维-Rgb电子有限公司 | 基于5g信号的无人机蜂群组网方法、***、智能终端 |
CN113873531A (zh) * | 2021-08-31 | 2021-12-31 | 南京邮电大学 | 一种d2d辅助无人机基站实现目标区域全覆盖的设计方法 |
CN113873531B (zh) * | 2021-08-31 | 2023-07-18 | 南京邮电大学 | 一种d2d辅助无人机基站实现目标区域全覆盖的设计方法 |
CN113726417A (zh) * | 2021-09-03 | 2021-11-30 | 武汉广源龙科技有限公司 | 一种基于无人机蜂群动态部署的应急通信***及通信方法 |
CN113726417B (zh) * | 2021-09-03 | 2024-04-12 | 张浩洋 | 一种基于无人机蜂群动态部署的应急通信***及通信方法 |
CN113923675B (zh) * | 2021-10-18 | 2023-04-18 | 吉林大学 | 一种提升地面用户通信性能的空中基站部署方法 |
CN113923675A (zh) * | 2021-10-18 | 2022-01-11 | 吉林大学 | 一种提升地面用户通信性能的空中基站部署方法 |
CN115134366A (zh) * | 2022-06-28 | 2022-09-30 | 山东海量信息技术研究院 | 一种移动边缘分发网络服务器放置方法及*** |
CN115134366B (zh) * | 2022-06-28 | 2024-03-15 | 山东海量信息技术研究院 | 一种移动边缘分发网络服务器放置方法及*** |
CN116405946A (zh) * | 2023-04-13 | 2023-07-07 | 上海物骐微电子有限公司 | 网络部署优化方法、装置、电子设备及存储介质 |
CN116405946B (zh) * | 2023-04-13 | 2024-01-30 | 上海物骐微电子有限公司 | 网络部署优化方法、装置、电子设备及存储介质 |
CN116801268A (zh) * | 2023-08-28 | 2023-09-22 | 南京捷希科技有限公司 | 一种基于射线追踪的毫米波频段室内多基站位置优化方法 |
CN116801268B (zh) * | 2023-08-28 | 2023-11-14 | 南京捷希科技有限公司 | 一种基于射线追踪的毫米波频段室内多基站位置优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112261623B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112261623B (zh) | 基于全局最优人工蜂群算法的无人机基站部署方法及*** | |
Huang et al. | A method for optimized deployment of unmanned aerial vehicles for maximum coverage and minimum interference in cellular networks | |
US11522960B2 (en) | Programmable user plane function | |
Deruyck et al. | Designing UAV-aided emergency networks for large-scale disaster scenarios | |
Plachy et al. | Joint positioning of flying base stations and association of users: Evolutionary-based approach | |
Kalantari et al. | On the number and 3D placement of drone base stations in wireless cellular networks | |
US10849025B1 (en) | Systems and methods for allocating network resources utilizing bearer information | |
Militano et al. | Trusted D2D-based data uploading in in-band narrowband-IoT with social awareness | |
Movassaghi et al. | AIM: Adaptive Internetwork interference mitigation amongst co-existing wireless body area networks | |
Swain et al. | Coverage and rate analysis for facilitating machine-to-machine communication in LTE-A networks using device-to-device communication | |
CN112272198A (zh) | 一种面向卫星网络的协同计算任务迁移方法及装置 | |
Moussa et al. | Energy-and delay-aware two-hop NOMA-enabled massive cellular IoT communications | |
Mignardi et al. | On the performance improvement of a cellular network supported by an unmanned aerial base station | |
Ngo et al. | On the throughput evaluation of wireless mesh network deployed in disaster areas | |
Vu et al. | Downlink sum-rate optimization leveraging Hungarian method in fog radio access networks | |
Porte et al. | Heterogeneous wireless IoT architecture for natural disaster monitorization | |
Becvar et al. | Positioning of flying base stations to optimize throughput and energy consumption of mobile devices | |
Ruiz et al. | 5G and beyond networks | |
Nasr-Azadani et al. | Distillation and ordinary federated learning actor-critic algorithms in heterogeneous UAV-aided networks | |
Zhao et al. | Transfer learning: A paradigm for dynamic spectrum and topology management in flexible architectures | |
Zhang et al. | Matching-based resource allocation and distributed power control using mean field game in the NOMA-based UAV networks | |
Huang et al. | Performance of resource allocation in device-to-device communication systems based on particle swarm optimization | |
Dandachi et al. | A frequency-based intelligent slicing in LoRaWAN with Admission Control Aspects | |
Reina et al. | Evolutionary deployment and hill climbing-based movements of multi-UAV networks in disaster scenarios | |
Shen et al. | Fair communications in UAV networks for rescue applications |
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 |