CN113099425B - 一种高能效的无人机辅助d2d资源分配方法 - Google Patents

一种高能效的无人机辅助d2d资源分配方法 Download PDF

Info

Publication number
CN113099425B
CN113099425B CN202110391776.0A CN202110391776A CN113099425B CN 113099425 B CN113099425 B CN 113099425B CN 202110391776 A CN202110391776 A CN 202110391776A CN 113099425 B CN113099425 B CN 113099425B
Authority
CN
China
Prior art keywords
channel
iteration
goblet
user
cue
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
CN202110391776.0A
Other languages
English (en)
Other versions
CN113099425A (zh
Inventor
孙恩昌
屈晗星
袁永仪
孙艳华
李萌
张卉
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110391776.0A priority Critical patent/CN113099425B/zh
Publication of CN113099425A publication Critical patent/CN113099425A/zh
Application granted granted Critical
Publication of CN113099425B publication Critical patent/CN113099425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • 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)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (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

本发明提供了一种高能效的无人机辅助D2D资源分配方法，该方法基于UAV场景下的D2D通信构建***模型，在保证用户QoS和发射功率的前提下，利用自适应种群变异樽海鞘算法求解问题，得到D2D用户的最佳信道分配和功率控制策略。首先，该方法通过引入种群变异和自适应的数量‑权重策略来优化樽海鞘算法，提出一种自适应种群变异樽海鞘算法，使得算法在全局探索和局部挖掘之间有了更好的平衡；其次，根据所求问题重新定义樽海鞘种群数量更新和位置更新方式以及算法的适应度函数，迭代求解出D2D用户对的最佳功率分配和信道分配方案，从而有效减少***中的同频干扰、提高***的能量效率。

Description

一种高能效的无人机辅助D2D资源分配方法
技术领域
本发明涉及通信技术领域，特别是涉及一种高能效的无人机(unmanned aerialvehicle,UAV)辅助设备到设备(device to device,D2D)资源分配方法，提出一种自适应种群变异樽海鞘算法(adaptive mutation salp swarm algorithm,AMSSA)。
背景技术
将无人机(unmanned aerial vehicle,UAV)集成到第五代(5th generation,5G)及以上蜂窝网络中是一项很有前途的技术。UAV可作为空中通信平台，协助地面通信，如交通卸载、自然灾害恢复、应急响应、物联网等。为了解决没有基础设施覆盖的设备的无线连接问题，如山区、孤岛，特别是由于灾害造成的通信中断，人们对UAV的无线通信进行了大量研究。UAV凭借其低成本、强机动性和高可靠性成为建立应急通信网络的一个解决方法，它可作为空中基站为灾区提供无线覆盖，快速恢复通信条件。
同时，随着数据流量的指数增长，当前的无线通信***面临着严峻的挑战带宽和频谱不足的问题。设备到设备(device-to-device,D2D)通信是LTE-A和5G的一项关键技术。通过复用蜂窝网络资源，实现两台相邻设备之间的直接通信；D2D通信不仅可以提高传输效率，而且可以提高频谱利用率，减少传输时延。
将D2D通信引入UAV场景下的应急通信中，可以进一步提高灾难场景下的数据传输速率，改善灾区的移动通信质量。
发明内容
首先，在考虑服务质量约束的情况下，针对UAV场景下D2D***的能量效率(energyefficiency,EE)优化问题进行建模，这是一个复杂的NP-hard问题。另外，通过引入种群变异策略以及自适应数量-权重策略来求解优化樽海鞘算法，提出了自适应种群变异樽海鞘算法(adaptive mutation salp swarm algorithm,AMSSA)。种群变异策略根据种群每次迭代的成功率对随机产生的原始种群进行变异，可以增加种群的多样性，避免随迭代进行而造成种群多样性降低、可能使算法陷入局部最优的情况。自适应的领导者-追随者数量在探索和开发能力之间有更好的平衡。同时，自适应权值更新策略使得AMSSA算法更容易跳出局部最优解。因此，提出了一种有效的迭代资源分配算法，该算法可以解决D2D用户的EE优化问题。
UAV场景下基于AMSSA的高能效D2D资源分配方法设计并实现了单小区中多个UAV充当基站时，***中D2D用户EE最大化的D2D信道分配和功率控制方案。该方案主要包括以下步骤：(1)建立UAV场景下的D2D通信***模型，所述通信模型包括UAV、蜂窝用户(cellular user,CUE)和D2D用户对；(2)提出一种UAV场景下基于AMSSA算法的高能效D2D资源分配方法，在保证用户服务质量(Quality of Service,QoS)和发射功率的前提下最大化D2D接收端的EE。
UAV场景下的D2D通信如图1所示。UAV作为空中移动基站来为通信用户之间建立连接。考虑一个地面基站缺失、干扰受限的单小区环境中，多个UAV充当空中基站的上行D2D通信***模型，通信模型包括UAV、CUE和D2D用户对。
假设小区中有M个UAV。第m个UAV中的CUE记为集合
Figure BDA0003017005030000031
D2D对记为集合
Figure BDA0003017005030000032
小区中所有CUE的集合记为C＝[C1,C2,...,Cm,...,CM]，所有D2D对的集合记为D＝[D1,D2,Dm,...,DM]。其中每一个D2D对包括两个D2D用户设备，一个D2D发射端(D2D-T)和一个D2D接收端(D2D-R)，小区中的信道数目取决于包含CUE最多的UAV中的CUE数目，记为集合K＝{1,2,...,k,...,K}。在同一UAV中，每个CUE占用一个信道，信道之间相互正交，每个D2D用户对只能复用一个CUE的信道资源，一个蜂窝用户的信道资源可以被多个D2D用户对复用。因此，一个信道可能被同一UAV中的多个D2D用户对、不同UAV中的多个CUE用户以及多个D2D用户对共同使用，复用同一信道的用户之间存在干扰。
假设每对D2D对只能复用一条信道资源，对dx m-R的干扰分析如图2所示。
将干扰分为同一UAV内的干扰和不同UAV内的干扰。其中，同一UAV内的干扰表达式可写为：
Figure BDA0003017005030000033
其中ak,i表示信道状态指示变量，当
Figure BDA0003017005030000034
和
Figure BDA0003017005030000035
同时复用第k条信道时，ak,i＝1；否则，ak,i＝0。
Figure BDA0003017005030000036
表示
Figure BDA0003017005030000037
的发射功率；lx,i表示
Figure BDA0003017005030000038
和
Figure BDA0003017005030000041
之间的距离，β表示路径损耗指数(β≥4)；
Figure BDA0003017005030000042
表示
Figure BDA0003017005030000043
和
Figure BDA0003017005030000044
之间的信道增益。pc表示CUE的发射功率；lx,c表示复用同一信道的CUE和
Figure BDA0003017005030000045
之间的距离，
Figure BDA0003017005030000046
表示复用同一信道的CUE和
Figure BDA0003017005030000047
之间的信道增益。
不同UAV内的干扰表达式可写为：
Figure BDA0003017005030000048
其中ak,j表示信道状态指示变量，当
Figure BDA0003017005030000049
和
Figure BDA00030170050300000410
同时复用第k条信道时，ak,j＝1；否则，ak,j＝0。
Figure BDA00030170050300000411
表示
Figure BDA00030170050300000412
的发射功率；lx,j表示
Figure BDA00030170050300000413
和
Figure BDA00030170050300000414
之间的距离，β表示路径损耗指数(β≥4)；
Figure BDA00030170050300000415
表示
Figure BDA00030170050300000416
和
Figure BDA00030170050300000417
之间的信道增益。pc′表示CUE的发射功率；lx,c′表示复用同一信道的CUE和
Figure BDA00030170050300000418
之间的距离，
Figure BDA00030170050300000419
表示复用同一信道的CUE和
Figure BDA00030170050300000420
之间的信道增益。
因此，
Figure BDA00030170050300000421
的瞬时信干噪比(signal to interference plus noise ratio,SINR)可以表示为：
Figure BDA00030170050300000422
其中
Figure BDA00030170050300000423
表示
Figure BDA00030170050300000424
的发射功率；ln表示
Figure BDA00030170050300000425
和
Figure BDA00030170050300000426
之间的距离；
Figure BDA00030170050300000427
表示复用
Figure BDA00030170050300000428
和
Figure BDA00030170050300000429
之间的信道增益；σ2表示信道高斯白噪声的噪声功率。
Figure BDA00030170050300000430
的频谱效率(Spectral Efficiency,SE)可以表示为：
Figure BDA00030170050300000431
***中的功率消耗包括蜂窝用户的传输功率以及D2D-T的发射功率，即：
Figure BDA0003017005030000051
基于上述分析，D2D用户的EE为***中各个D2D对EE的总和，即：
Figure BDA0003017005030000052
本发明的优化目标是在保证用户QoS和发射功率的前提下最大化D2D接收端的EE，同时减少用户间的干扰，该优化问题可表述为：
max EE (7)
s.t.SEd-R≥SEmin (8)
Figure BDA0003017005030000053
Figure BDA0003017005030000054
Figure BDA0003017005030000055
式中，SEmin表示***中d-R的最小频谱效率；约束(9)(10)表示一个信道资源只能被一个D2D对复用，一个D2D对只能复用一个信道资源；约束(11)表示
Figure BDA0003017005030000056
的发射功率不能超过指定的最大功率。C＝{ck,i}表示***中所有D2D用户对的信道分配矩阵，
Figure BDA0003017005030000057
表示***中所有D2D用户对的功率控制矩阵。
本发明提出一种基于AMSSA算法的资源分配方法。将信道分配矩阵C和功率控制矩阵P作为樽海鞘种群的位置。首先采用种群变异策略对随机生成的樽海鞘种群位置进行变异；然后利用自适应的数量-权重策略对变异后的樽海鞘位置进行更新。
(1)种群变异策略
本算法引入种群变异策略，对每次迭代随机生成的功率控制矩阵进行变异,：
Pl i＝Pbest+(1-ηl-1)(Pl m-Pl n) (12)
其中，Pl i表示变异后的功率控制矩阵；l表示当前的迭代次数，且l≥2；Pbest表示当前迭代中最优的功率控制矩阵；Pl m和Pl n表示当前迭代中任意两个功率控制矩阵，且m≠n；ηl-1表示第l-1次迭代的成功率。
樽海鞘个体i在第l次迭代中的成功值
Figure BDA0003017005030000061
定义为：
Figure BDA0003017005030000062
其中，
Figure BDA0003017005030000063
表示第l次迭代中第i只樽海鞘的适应度:
Figure BDA0003017005030000064
若第i只樽海鞘在第l次迭代中的适应度值大于第l-1次迭代中的适应度值，则认为第i只樽海鞘的第l次迭代成功。那么种群第l次迭代的成功率ηl定义为：
Figure BDA0003017005030000065
其中，I表示种群中樽海鞘个体的总个数。
(2)自适应数量和权重更新策略
在樽海鞘群中，领导者樽海鞘的数量控制着算法的全局搜索能力，追随者樽海鞘的数量控制着算法的局部挖掘能力，为了更好的平衡算法的两种能力，引入了自适应的领导者-追随者数量更新策略。在种群数量固定的前提下，迭代前期存在更多的领导者樽海鞘，使得算法更集中于全局的搜索；随着迭代的进行，领导者樽海鞘数量逐渐减少，追随者樽海鞘数量逐渐增加，因此算法逐渐更集中于局部的深度挖掘，不易于陷入局部最优的情况。领导者-追随者数量更新公式为：
领导者数量：ρI
追随者数量：(1-ρ)I (16)
ρ代表数量更新权重：
Figure BDA0003017005030000071
其中，n表示领导者-追随者的尺度因子；l和L分别表示当前迭代次数和最大迭代次数；k表示扰动偏差因子；θ表示[0,1]之间的随机数。
领导者樽海鞘的位置更新方式为：
Cx＝Cx (18)
Figure BDA0003017005030000072
Cx和Px表示领导樽海鞘的位置，x≤ρI；Cbest和Pbest表示当前迭代中最优的信道分配矩阵和功率控制矩阵；λ1、λ2和λ3是[0,1]的随机数，其中
Figure BDA0003017005030000073
l为当前迭代次数，L为迭代总次数。
追随樽海鞘的位置更新方式为：
Figure BDA0003017005030000081
Figure BDA0003017005030000082
式中，2≤y≤(1-ρ)I；F(Cy,Py)表示第y只追随樽海鞘的适应度。樽海鞘个体的适应度函数为：
F(Cy,Py)＝EE(Cy,Py) (22)
结合本发明的D2D通信场景，AMSSSA算法的流程如表1所示。
表1自适应种群变异樽海鞘算法流程表
Figure BDA0003017005030000083
附图说明
图1UAV场景下的D2D通信。
图2D2D接收端的干扰分析。
图3小区中的用户分布。
图4UAV部署。
图5迭代收敛曲线。
图6不同D2D用户对距离时D2D能量效率。
图7不同UAV数量时D2D能量效率。
具体实施方式
本发明在Matlab2019a中设计仿真***。小区范围设置为1000m×1000m，随机生成200个CUE。当两个CUE之间小于一定距离时，形成一个D2D对，进行D2D通信；在仿真中，以D2D对之间距离小于20m为例。如图3所示，
Figure BDA0003017005030000091
表示CUE，
Figure BDA0003017005030000092
表示D2D用户。
利用K均值聚类算法为小区内的CUE和D2D进行分簇，将UAV部署在每一簇的中心位置。如图4所示，以小区中部署7个UAV为例，“●”表示UAV，不同颜色代表归属于不同UAV的用户，圆圈代表CUE，其余形状代表D2D对。
完成UAV部署后，利用AMSSA算法求解高能效的D2D信道分配和功率控制问题。
仿真参数设置如表2所示
表2仿真参数设置
Figure BDA0003017005030000093
Figure BDA0003017005030000101
为了验证算法的有效性，选取樽海鞘算法(SSA)、自适应樽海鞘算法(ASSA)作为对比算法：
图5是三种算法适应度收敛曲线，设置D2D用户对之间距离为20m，小区中UAV数量为7。相较于SSA和ASSA，本发明的AMSSA算法可显著提高D2D用户的EE，且在迭代过程中收敛速度更快，全局搜索能力更强，搜索精度更高，更易实现D2D用户的EE最大化。
图6是不同D2D用户对距离情况下三种算法的EE仿真对比，设置小区中UAV数量为7。随着D2D用户对距离的增加，小区中D2D用户对的数量增多，D2D的EE逐渐提升；且与SSA和ASSA相比，AMSSA算法能够使***中D2D用户的EE更高。
图7是不同UAV数量时三种算法的EE仿真对比，设置D2D用户对距离为20m。当小区中D2D用户数目固定，随着UAV数量的增加，D2D用户对之间的区间干扰增加，导致D2D用户的EE下降，但是AMSSA算法的搜索精度仍要优于SSA和ASSA。

Claims (1)

1.一种高能效的无人机辅助D2D资源分配方法，其特征在于：包括以下步骤：
步骤1：建立UAV场景下的D2D通信***模型，所述通信模型包括UAV、CUE和D2D用户对；利用K均值聚类算法对小区中用户进行分簇，并将UAV部署在簇的中心；
步骤2：提出一种基于自适应种群变异樽海鞘算法的资源分配方案，在保证用户QoS和发射功率的前提下最大化D2D用户对的能量效率；
建立UAV场景下的D2D通信***模型，有：
假设小区中有M个UAV；第m个UAV中的CUE记为集合
Figure FDA0003857796110000011
D2D对记为集合
Figure FDA0003857796110000012
小区中所有CUE的集合记为C＝[C1,C2,...,Cm,...,CM]，所有D2D对的集合记为D＝[D1,D2,Dm,...,DM]；每一个D2D对包括两个D2D用户设备，一个D2D发射端和一个D2D接收端，小区中的信道数目取决于包含CUE最多的UAV中的CUE数目，记为集合K＝{1,2,...,k,...,K}；在同一UAV中，每个CUE占用一个信道，信道之间相互正交，每个D2D用户对只能复用一个CUE的信道资源，一个蜂窝用户的信道资源被多个D2D用户对复用；一个信道被同一UAV中的多个D2D用户对、不同UAV中的多个CUE用户以及多个D2D用户对共同使用，复用同一信道的用户之间存在干扰；
对模型中的
Figure FDA0003857796110000013
进行干扰分析，有：
同一UAV内的干扰表达式写为：
Figure FDA0003857796110000021
其中ak,i表示信道状态指示变量，当
Figure FDA0003857796110000022
和
Figure FDA0003857796110000023
同时复用第k条信道时，ak,i＝1；否则，ak,i＝0；
Figure FDA0003857796110000024
表示
Figure FDA0003857796110000025
的发射功率；lx,i表示
Figure FDA0003857796110000026
和
Figure FDA0003857796110000027
之间的距离，β表示路径损耗指数；
Figure FDA0003857796110000028
表示
Figure FDA0003857796110000029
和
Figure FDA00038577961100000210
之间的信道增益；pc表示CUE的发射功率；lx,c表示复用同一信道的CUE和
Figure FDA00038577961100000211
之间的距离，
Figure FDA00038577961100000212
表示复用同一信道的CUE和
Figure FDA00038577961100000213
之间的信道增益；
不同UAV内的干扰表达式写为：
Figure FDA00038577961100000214
其中ak,j表示信道状态指示变量，当
Figure FDA00038577961100000215
和
Figure FDA00038577961100000216
同时复用第k条信道时，ak,j＝1；否则，ak,j＝0；
Figure FDA00038577961100000217
表示
Figure FDA00038577961100000218
的发射功率；lx,j表示
Figure FDA00038577961100000219
和
Figure FDA00038577961100000220
之间的距离，β表示路径损耗指数；
Figure FDA00038577961100000221
表示
Figure FDA00038577961100000222
和
Figure FDA00038577961100000223
之间的信道增益；pc′表示CUE的发射功率；lx,c′表示复用同一信道的CUE和
Figure FDA00038577961100000224
之间的距离，
Figure FDA00038577961100000225
表示复用同一信道的CUE和
Figure FDA00038577961100000226
之间的信道增益；
求
Figure FDA00038577961100000227
的信干噪比，有：
Figure FDA00038577961100000228
其中
Figure FDA00038577961100000229
表示
Figure FDA00038577961100000230
的发射功率；lx表示
Figure FDA00038577961100000231
和
Figure FDA00038577961100000232
之间的距离；
Figure FDA00038577961100000233
表示复用
Figure FDA00038577961100000234
和
Figure FDA00038577961100000235
之间的信道增益；σ2表示信道高斯白噪声的噪声功率；
求
Figure FDA0003857796110000031
的频谱效率SE，有：
Figure FDA0003857796110000032
保证用户QoS和发射功率的前提下最大化D2D接收端的能量效率，同时减少用户间的干扰，有：
***中的功率消耗包括D2D-T的发射功率以及D2D用户对的设备电路功率，即：
Figure FDA0003857796110000033
基于上述分析，D2D能量效率EE为***中各个D2D对能量效率总和，即：
Figure FDA0003857796110000034
保证用户QoS和发射功率的前提下最大化D2D接收端的能量效率，同时减少用户间的干扰，有：
maxEE (7)
s.t.SEd-R≥SEmin (8)
Figure FDA0003857796110000035
Figure FDA0003857796110000036
Figure FDA0003857796110000037
式中，SEmin表示***中
Figure FDA0003857796110000038
的最小频谱效率；约束(9)、(10)表示一个信道资源只能被一个D2D对复用，一个D2D对只能复用一个信道资源；约束(11)表示
Figure FDA0003857796110000039
的发射功率不能超过指定的最大功率；C＝{ck,i}表示***中所有D2D用户对的信道分配矩阵，
Figure FDA0003857796110000041
表示***中所有D2D用户对的功率分配矩阵；
将信道分配矩阵C和功率分配矩阵P作为樽海鞘的位置；首先采用种群变异策略对随机生成的樽海鞘位置进行变异；然后利用自适应的数量-权重策略对变异后的樽海鞘位置进行更新；
(1)种群变异策略
本算法引入种群变异策略，对每次迭代随机生成的功率控制矩阵进行变异,：
Pl i＝Pbest+(1-ηl-1)(Pl m-Pl n) (12)
其中，Pl i表示变异后的功率控制矩阵；l表示当前的迭代次数，且l≥2；Pbest表示当前迭代中最优的功率控制矩阵；Pl m和Pl n表示当前迭代中任意两个功率控制矩阵，且m≠n；ηl-1表示第l-1次迭代的成功率；
樽海鞘个体i在第l次迭代中的成功值
Figure FDA0003857796110000042
定义为：
Figure FDA0003857796110000043
其中，
Figure FDA0003857796110000044
表示第l次迭代中第i只樽海鞘的适应度:
Figure FDA0003857796110000045
若第i只樽海鞘在第l次迭代中的适应度值大于第l-1次迭代中的适应度值，那么认为第i只樽海鞘的第l次迭代成功；那么种群第l次迭代的成功率ηl定义为：
Figure FDA0003857796110000051
其中，I表示种群的总个数；
(2)自适应数量和权重更新策略
引入了自适应的领导者-追随者数量更新策略；在种群数量固定的前提下，迭代前期存在更多的领导者樽海鞘；随着迭代的进行，领导者樽海鞘数量逐渐减少，追随者樽海鞘数量逐渐增加；领导者-追随者数量更新公式为：
领导者数量：ρI
追随者数量：(1-ρ)I (16)
ρ代表数量更新权重：
Figure FDA0003857796110000052
其中，n表示领导者-追随者的尺度因子；l和L分别表示当前迭代次数和最大迭代次数；k表示扰动偏差因子；θ表示[0,1]之间的随机数；
领导者樽海鞘的位置更新方式为：
Cx＝Cx (18)
Figure FDA0003857796110000053
Cx和Px表示领导樽海鞘的位置，x≤ρI；Cbest和Pbest表示当前迭代中最优的信道分配矩阵和功率分配矩阵；λ1、λ2和λ3是[0,1]的随机数，其中
Figure FDA0003857796110000054
l为当前迭代次数，L为迭代总次数。
CN202110391776.0A 2021-04-13 2021-04-13 一种高能效的无人机辅助d2d资源分配方法 Active CN113099425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110391776.0A CN113099425B (zh) 2021-04-13 2021-04-13 一种高能效的无人机辅助d2d资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110391776.0A CN113099425B (zh) 2021-04-13 2021-04-13 一种高能效的无人机辅助d2d资源分配方法

Publications (2)

Publication Number Publication Date
CN113099425A CN113099425A (zh) 2021-07-09
CN113099425B true CN113099425B (zh) 2023-04-07

Family

ID=76676392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110391776.0A Active CN113099425B (zh) 2021-04-13 2021-04-13 一种高能效的无人机辅助d2d资源分配方法

Country Status (1)

Country Link
CN (1) CN113099425B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506040B (zh) * 2021-08-05 2022-06-03 重庆大学 一种uav蜂群中面向高性能联邦学习的调度和资源分配方法
CN115021816A (zh) * 2022-07-04 2022-09-06 吉林大学 基于改进的樽海鞘群算法的可见光通信***功率分配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792451A (zh) * 2016-12-17 2017-05-31 河海大学 一种基于多种群遗传算法的d2d通信资源优化方法
CN111274020A (zh) * 2020-02-24 2020-06-12 武汉轻工大学 基于樽海鞘群的云任务调度方法、装置、设备及存储介质
CN112381157A (zh) * 2020-11-18 2021-02-19 湖北工业大学 一种基于樽海鞘群算法优化的模糊c均值聚类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9756646B2 (en) * 2014-04-18 2017-09-05 Soongsil University Research Consortium Techno- Park D2D communications system and allocation method of resources and power using the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792451A (zh) * 2016-12-17 2017-05-31 河海大学 一种基于多种群遗传算法的d2d通信资源优化方法
CN111274020A (zh) * 2020-02-24 2020-06-12 武汉轻工大学 基于樽海鞘群的云任务调度方法、装置、设备及存储介质
CN112381157A (zh) * 2020-11-18 2021-02-19 湖北工业大学 一种基于樽海鞘群算法优化的模糊c均值聚类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Adaptive Multi-objective Salp Swarm Algorithm for Efficient Demand Side Management;Zezheng Zhao等;《 2020 IEEE 17th International Conference on Mobile Ad Hoc and Sensor Systems (MASS)》;全文 *
基于改进樽海鞘群算法的D2D通信***能量效率研究;黄哲等;《高技术通讯》(第08期);全文 *

Also Published As

Publication number Publication date
CN113099425A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN112737837B (zh) 一种高动态网络拓扑下无人机群带宽资源分配方法
CN113099425B (zh) 一种高能效的无人机辅助d2d资源分配方法
CN107426820B (zh) 一种认知d2d通信***中多用户博弈提高能效的资源分配方法
CN112104494B (zh) 基于空地协同边缘计算网络的任务安全卸载策略确定方法
CN111586697B (zh) 一种基于有向超图贪心着色的信道资源分配方法
CN109982437B (zh) 一种基于位置感知加权图的d2d通信频谱分配方法
CN111586646B (zh) 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法
CN107172576B (zh) 一种增强蜂窝网安全性的d2d通信下行资源共享方法
CN110290542B (zh) 海上无人机通信覆盖优化方法及***
CN114189870A (zh) 基于多智能体深度强化学习的多小区多业务资源分配方法
CN112203345A (zh) 基于深度神经网络的d2d通信能效最大化功率分配方法
CN106792451A (zh) 一种基于多种群遗传算法的d2d通信资源优化方法
CN112702719A (zh) 一种无人机场景下高能效d2d资源分配方法
Zhao et al. Transfer learning: A paradigm for dynamic spectrum and topology management in flexible architectures
CN112969185B (zh) 多无人机辅助移动用户通信的功率分配与航迹设计方法
Zhang et al. Matching-based resource allocation and distributed power control using mean field game in the NOMA-based UAV networks
CN111479240B (zh) 无人机通信***及基于用户分簇的无线传输方法
CN111669834B (zh) 毫米波蜂窝网络中基于d2d辅助的资源分配方法
AlSheyab et al. Interference minimization algorithms for fifth generation and beyond systems
CN115225142B (zh) 多无人机通信中用户匹配与频谱资源联合优化方法及***
Fu et al. Joint speed and bandwidth optimized strategy of UAV-assisted data collection in post-disaster areas
Zhu et al. Transmission rate allocation for reliable video transmission in aerial vehicle networks
CN113301532B (zh) 一种用于无人机辅助毫米波应急通信网的信道分配方法
CN114423070A (zh) 一种基于d2d的异构无线网络功率分配方法及***
CN111132312B (zh) 一种资源分配方法和装置

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