CN113490179A - 一种基于信干噪比概率感知的无人机覆盖优化方法 - Google Patents
一种基于信干噪比概率感知的无人机覆盖优化方法 Download PDFInfo
- Publication number
- CN113490179A CN113490179A CN202110812521.7A CN202110812521A CN113490179A CN 113490179 A CN113490179 A CN 113490179A CN 202110812521 A CN202110812521 A CN 202110812521A CN 113490179 A CN113490179 A CN 113490179A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- optimal
- fitness
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 abstract description 6
- 238000001035 drying Methods 0.000 abstract 1
- 241000287127 Passeridae Species 0.000 description 25
- 238000004891 communication Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于信干噪比概率感知的无人机覆盖优化方法,包括:S1.对无人机和用户端进行信干燥比SINR检测,并构建概率感知模型;S2.采集若干个无人机横坐标作为初始样本进行Logistic映射处理,得到初始化种群;S3.对初始化种群的位置进行更新,计算当前个体适应度并排序;S4.计算当前种群平均适应度,利用随机算子对陷入局部最优的个体进行扰动,得到最优适应度个体即为覆盖率最优的无人机个体;S5.获得最优覆盖率。本发明能够利用Logistic混沌序列提升初始解的质量,增强算法的全局搜索能力。为避免个体陷入局部最优,引入两类随机算子,提高局部搜索能力,改善全局最优解,实现最大化无人机网络覆盖率。
Description
技术领域
本发明涉及无人机网络辅助通信技术领域,特别涉及一种基于信干噪比概率感知的无人机覆盖优化方法。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)作为高空通信平台,具有灵活的移动性以及良好的视距链路,并且不受复杂地况的影响,因此近年来受到学术界的广泛关注。在应急通信场景中,当地面的基站被破坏,无人机自组织网络可以通过部署成空中基站为地面用户搭建通信平台,尤其是辅助灾后区域恢复通信。然而,由于无人机能耗有限,因此合理部署无人机的三维(3D)空间位置以最大化服务区域的覆盖范围,对于无人机应急通信场景的研究至关重要。
由于无人机空中部署涉及到多维度变量以及复杂的空地(Air-to-Ground,ATG)路径损耗模型,无法从数学推论中得出最佳位置。因此给定一组复杂空间部署的节点,找到这些节点的最佳位置以实现覆盖率最大化范围通常是一个NP-hard问题。为求得此类问题的最优解,现有技术中常利用群体智能算法,然而群智能体算法普遍存在易陷入局部最优的问题,容易陷入“早熟”现象,并且算法中初始种群的优劣也会对算法求解精度和收敛速度造成影响。
发明内容
针对上述问题,本发明提出一种基于信干噪比概率感知的无人机覆盖优化方法,能够利用Logistic混沌序列提升初始解的质量,增强算法的全局搜索能力。为避免个体陷入局部最优,引入两类随机算子,提高局部搜索能力,改善全局最优解,实现最大化无人机网络覆盖率。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于信干噪比概率感知的无人机覆盖优化方法,包括以下步骤:
S1.对无人机和用户端进行信干燥比SINR检测,基于所述信干燥比SINR检测结果构建概率感知模型;
S2.采集若干个无人机横坐标作为初始样本,对所述初始样本进行Logistic映射处理,得到初始化种群;
S3.对所述初始化种群的位置进行更新,计算当前个体适应度并进行排序;
S4.基于所述初始化种群的适应度,计算当前种群平均适应度,基于排序结果利用随机算子对陷入局部最优的个体进行扰动,得到最优适应度个体,所述最优适应度个体即为覆盖率最优的无人机个体;
S5.将所述覆盖率最优的无人机个***置信息输入所述概率感知模型,获得最优覆盖率。
优选地,所述初始化种群包括发现者位置、跟随者位置、预警者位置。
优选地,所述S3中,对所述初始化种群的位置进行更新包括:
发现者位置更新如下所示:
式中,i={1,2,3……NS},NS代表种群大小;j={1,2,3……D},D代表问题的维度;代表第i个个体在第j维中经过t+1次迭代的位置信息;R2和ST分别是预警值和安全值,其中R2∈[0,1],ST∈[0.5,1];μ是(0,1]之间的随机数;M是迭代次数;δ是服从正态分布的随机数;Ξ是1×D大小的全1矩阵;
跟随者位置更新如下所示:
预警者位置更新如下所示:
式中,是第t次迭代时全局最优的位置;为第t次迭代全局最差的位置;β是控制步长参数,服从均值为1,方差为0的正态分布;为步长控制参数,是[-1,1]之间的随机数;fi是当前个体的适应度值,fg和fw是全局最优和最差的适应度值;ξ为常数,以避免分母出现0。
优选地,所述Logistic映射具体为:
Cm+1=Ω·Cm·(1-Cm)
式中,m是遍历更新次数;Ω是(0,4]上的控制参数。
优选地,所述随机算子包括LGSSA中的高斯变异、LCSSA中的柯西变异。
优选地,所述LGSSA中的高斯变异Xnewbest具体为:
Xnewbest=Xbest(1+Gaussian(0,1))
式中,Xbest代表当前个体的最优位置,Gaussian(0,1)是服从正态分布的随机数。
优选地,所述LCSSA中的柯西变异XCbest具体为:
XCbest=Xbest(1+tan(π(r-0.5)))
式中,Xbest表示当前个体的最优位置;XCbest是经过柯西变异后个体的最优位置;r是(0,1)上的随机数。
优选地,所述发现者位置更新的具体过程为:随机设置所述预警值,将所述预警值与所述安全值进行对比,若所述安全值与所述预警值之差大于预设阈值,则计算新的个体适应度值,并记录个体的位置;若所述安全值与所述预警值之差小于预设阈值,则对所述发现者的位置进行更新,同时记录适应度值最差的个***置。
本发明公开了以下技术效果:
1.本发明针对多无人机网络覆盖模型,构建了一种基于信干噪比检测的概率感知模型,该模型通过检测用户端SINR的强度,进而确定无人机对用户的感知概率,能够更加准确地分析覆盖质量。
2.本发明为最大化无人机网络覆盖率,利用Logistic混沌序列提升初始解的质量,增强算法的全局搜索能力,引入两类随机算子,丰富了种群的多样性,避免个体陷入局部最优的“早熟”状态,提高局部搜索能力,改善全局最优解。
3.本发明通过采用LGSSA和LCSSA算法有效减少网络覆盖冗余,提升无人机网络覆盖率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将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仅是本发明的一些实施例,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为本发明实施例中的方法流程图;
图2(a)为本发明实施例中的多无人机随机部署模型;
图2(b)为本发明实施例中的多无人机有效部署模型;
图3为本发明实施例中的算法流程图;
图4为本发明实施例中无人机发射功率为20dBm时的LGSSA、LCSSA、SSA、IABC、PSO算法结果对比图;
图5为本发明实施例中无人机不同发射功率下的LGSSA、LCSSA算法结果对比图;
图6为本发明实施例在LCSSA中对不同UAV数量的分析对比图;
图7为本发明实施例中无人机不同高度下的算法结果对比图;
图8为本发明实施例中不同高度下的无人机额外能耗降低对比图;
图9为本发明实施例中不同发射功率下的无人机网络吞吐量对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、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发明作进一步详细的说明。
参照图1所示,本实施例提供一种基于信干噪比概率感知的无人机覆盖优化方法,包括以下步骤:
S1.对无人机和用户端进行信干燥比SINR检测,基于信干燥比SINR检测结果构建概率感知模型。
S2.采集若干个无人机横坐标作为初始样本,对初始样本进行Logistic映射处理,得到初始化种群;初始化种群包括发现者位置、跟随者位置、预警者位置。
Logistic映射具体为:
Cm+1=Ω·Cm·(1-Cm)
式中,m是遍历更新次数;Ω是(0,4]上的控制参数,当Ω的取值范围在[3.5699456,4],***处于混沌状态;当Ω接近4时,遍历更新生成的Cm值处于一种伪随机分布的状态,由平均分布在0和1之间的随机数组成。
S3.对初始化种群的位置进行更新,计算当前个体适应度并进行排序。
对初始化种群的位置进行更新包括:
发现者位置更新如下所示:
式中,i={1,2,3……NS},NS代表种群大小;j={1,2,3……D},D代表问题的维度;代表第i个个体在第j维中经过t+1次迭代的位置信息;R2和ST分别是预警值和安全值,其中R2∈[0,1],ST∈[0.5,1];μ是(0,1]之间的随机数;M是迭代次数;δ是服从正态分布的随机数;Ξ是1×D大小的全1矩阵。
发现者位置更新的具体过程为:随机设置所述预警值,将所述预警值与所述安全值进行对比,若所述安全值与所述预警值之差大于预设阈值,则计算新的个体适应度值,并记录个体的位置;若所述安全值与所述预警值之差小于预设阈值,则对所述发现者的位置进行更新,同时记录适应度值最差的个***置。预设阈值设为0.75。
跟随者位置更新如下所示:
预警者位置更新如下所示:
式中,是第t次迭代时全局最优的位置;为第t次迭代全局最差的位置;β是控制步长参数,服从均值为1,方差为0的正态分布;为步长控制参数,是[-1,1]之间的随机数;fi是当前个体的适应度值,fg和fw是全局最优和最差的适应度值;ξ为常数,以避免分母出现0。
S4.基于初始化种群的适应度,计算当前种群平均适应度,基于排序结果利用随机算子对陷入局部最优的个体进行扰动,得到最优适应度个体,最优适应度个体即为覆盖率最优的无人机个体。
随机算子包括LGSSA中的高斯变异、LCSSA中的柯西变异,其中:
LGSSA中的高斯变异Xnewbest具体为:
Xnewbest=Xbest(1+Gaussian(0,1))
式中,Xbest代表当前个体的最优位置,Gaussian(0,1)是服从正态分布的随机数。根据正态分布特性可知,高斯变异会在当前潜在最优个体附近进行局部搜索,并在潜在最优解的附近产生随机扰动。
相比高斯变异,柯西变异会产生较大的变异步长,能有效的保持种群多样性,同样也会使得算法具有较好的全局搜索能力。一维柯西密度函数表达式如下:
其中t>0,柯西分布函数如下:
与正态分布相比,柯西分布的变异范围更加均匀,有利于算法跳出局部最优。
因此LCSSA中的柯西变异XChest具体为:
XCbest=Xbest(1+tan(π(r-0.5)))
式中,Xbest表示当前个体的最优位置;XCbest是经过柯西变异后个体的最优位置;r是(0,1)上的随机数。
上述两种变异方式在个体进化停滞时,均能够使得个体向非劣解进化,可以有效提升个体逃离局部最优点的能力。
S5.将覆盖率最优的无人机个***置信息输入概率感知模型,获得最优覆盖率。
参照图2(a)-图2(b)所示,本实施例提供当地面发生自然灾害、基站无法正常工作时无人机的部署模型;无人机群通过快速搭建空中通信平台,能够及时地为灾区用户提供通信需求,如图2(a)所示传统的无人机随机部署方式会导致区域覆盖冗余,区域冗余覆盖增加了无人机的额外能耗,导致无人机网络生命周期被缩短。同时,用户接收端会产生来自多无人机发射信号的干扰。如图2(b)所示通过所提算法合理部署无人机的位置,不仅能够提高区域覆盖率,减少冗余覆盖,降低无人机的额外能耗;而且能够大大降低用户端的干扰。以下考虑均为下行链路通信,同时假设由于无人机的机动性引起的多普勒效应,在用户处能够得到很好地补偿。
无人机网络覆盖模型有两种,布尔感知和概率感知。布尔感知模型是一种理想化的模型,对实际感知概率只能进行粗略近似,而概率感知能够更加准确地分析覆盖质量。为了研究更加贴近实际场景下的通信传输,设计了一种基于SINR检测的概率感知模型。
本实施例中将采用改进的麻雀算法,经典麻雀算法的原理为:将麻雀种群中的个体简化为发现者和跟随者,发现者作为群体中适应度高的个体负责为整个种群寻找食物来源,同时带领适应度较低的跟随者。跟随者会根据自身的饥饿状态决定是否前往别处寻找食物,否则将在当前最优位置附近进行觅食。预警麻雀占种群的10%-20%,这一部分的麻雀当遇到危险时,处于种群***的麻雀向安全区域靠拢。处在种群中心的麻雀则随机行走以靠近别的麻雀。
本发明所采用的改进的麻雀算法为增强算法的全局搜索能力,首先在SSA中引入Logistic混沌序列设置种群的初始解,同时在算法后期加入随机算子为避免个体陷入局部最优。
进而对麻雀位置进行更新,具体的更新原理为:
产生一个随机数作为预警值,将预警值与安全值进行比较。当预警值较小,说明此时没有捕食者出现,计算新的适应度值,并记录麻雀的位置信息。当预警值较大,此时出现捕食者,麻雀需要选取安全的区域进行觅食。根据上述发现者位置更新公式进行位置更新,同时记录适应度值最小的麻雀位置。适应度函数为文中优化目标函数。
接下来是跟随者的位置更新,当麻雀处于饥饿状态,即适应度值很低,需要飞往其他区域补充食物。否则,麻雀将会围绕在最好的发现者周围进行觅食,其间也有可能发生食物的争夺,使其自己变成发现者。根据上述跟随者位置更新公式进行位置更新,计算适应度值并记录麻雀的位置。
最后是预警者的位置更新,种群中随机产生预警者的位置。处于种群***的麻雀向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀。根据上述预警者位置更新公式进行位置更新。
在进行上述更新迭代时,每次迭代结束,且麻雀的位置更新完毕后,计算当前麻雀个体的适应度值fi和种群的平均适应度值fa。当fa大于fi,利用随机算子对陷入局部最优的个体进行扰动,也就是在LGSSA中采用高斯变异,在LCSSA中采用柯西变异;并判断产生解的优化程度,若优于之前的个体,则进行替换。重复执行麻雀寻优过程,最后,满足迭代条件时输出适应度值最高的麻雀个体,具体流程如图3所示。
表1
含义 | 参数 | 数值 |
无人机发射功率 | Pu | 10dBm-21dBm |
光速 | c | 3x10<sup>8</sup>m/s |
无人机数量 | E | 10 |
无人机高度 | H | 15m-40m |
信道噪声 | n0 | -120dBm |
无人机天线增益 | Ga | 3dB |
路径损耗因子 | n1 | 2.8 |
环境变量1 | α | 5.2 |
环境变量2 | γ | 0.35 |
视距链路额外损耗 | ζ<sub>LOS</sub> | 0.1dB |
非视距链路额外损耗 | ζ<sub>NLOS</sub> | 21dB |
无人机载波频率 | f | 2GHz |
为了验证改进麻雀搜索算法对无人机覆盖的优化效果,使用MATLAB2018对其进行仿真,仿真时采用的操作***为Windows 10。无人机服务区域范围为500m×500m。无人机通信的各个参数在表1中给出。
将表1中的数据进行仿真可得到如下结果:
当无人机发射功率为20dBm时,改进后的LGSSA,LCSSA比SSA,IABC,PSO算法能够有效提升网络覆盖率。LCSSA优化过的覆盖率最高,LGSSA算法次之。相比于高斯变异,柯西变异能够产生较大的变异步长,提高算法的全局搜索能力。迭代一定次数后,LCSSA的优化效果大于LGSSA算法,且算法效果稳定,如图4所示。
当无人机处于不同发射功率下时,随着无人机的发射功率增加,网络覆盖率也会不断提升,如图5所示。增加发射功率,则用户处的SINR增加,此时无人机网络能够覆盖更多的用户,从图5中还可以看出,同一发射功率下,LCSSA优化后的覆盖率高于LGSSA,且实现效果稳定。
不同无人机数量会对LCSSA算法收敛次数产生影响,当算法稳定时的迭代次数分别是75次,45次,30次。当无人机基站数目增加,覆盖率也随之增加,且达到稳定覆盖率的迭代次数减少。这是因为随着无人机的数量增加,初始未覆盖区域减少,因此达到稳定覆盖率的迭代次数减少,如图6所示。
当无人机处于同一高度下,改进的方法在优化覆盖率方面明显优于其他方法。另外如图7所示,当无人机的高度增加,用户与无人机之间路径损耗会随之增加,另外当用户端SINR降低时,无人机网络的覆盖率也会随之降低。
当无人机高度较大时,算法迭代90次后,如图8所示无人机额外能耗在LGSSA和LCSSA算法下可分别降低15.26%和16.58%。从图7还可以看出无人机高度较小时,LGSSA,LCSSA与SSA算法相比,在无人机网络覆盖率上相差不大,这是因为随着无人机高度下降,用户端SINR增加,无人机初始覆盖率较大,因此无人机高度下降时,额外能耗降低百分比会大大减少。
相比于PSO,IABC,SSA算法,本发明的方法能够有效提升吞吐量,如图9所示,这是因为通过优化无人机的空中部署,在增加覆盖率的同时,可以有效降低用户侧的干扰。另外当无人机的发射功率增加,用户接收来自无人机的信号大大增强,因此***吞吐量有所增加。
本发明公开了以下技术效果:
1.本发明针对多无人机网络覆盖模型,构建了一种基于信干噪比检测的概率感知模型,该模型通过检测用户端SINR的强度,进而确定无人机对用户的感知概率,能够更加准确地分析覆盖质量。
2.本发明为最大化无人机网络覆盖率,利用Logistic混沌序列提升初始解的质量,增强算法的全局搜索能力,引入两类随机算子,丰富了种群的多样性,避免个体陷入局部最优的“早熟”状态,提高局部搜索能力,改善全局最优解。
3.本发明通过采用LGSSA和LCSSA算法有效减少网络覆盖冗余,提升无人机网络覆盖率。
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 (8)
1.一种基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,包括以下步骤:
S1.对无人机和用户端进行信干燥比SINR检测,基于所述信干燥比SINR检测结果构建概率感知模型;
S2.采集若干个无人机横坐标作为初始样本,对所述初始样本进行Logistic映射处理,得到初始化种群;
S3.对所述初始化种群的位置进行更新,计算当前个体适应度并进行排序;
S4.基于所述初始化种群的适应度,计算当前种群平均适应度,基于排序结果利用随机算子对陷入局部最优的个体进行扰动,得到最优适应度个体,所述最优适应度个体即为覆盖率最优的无人机个体;
S5.将所述覆盖率最优的无人机个***置信息输入所述概率感知模型,获得最优覆盖率。
2.根据权利要求1所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述初始化种群包括发现者位置、跟随者位置、预警者位置。
3.根据权利要求2所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述S3中,对所述初始化种群的位置进行更新包括:
发现者位置更新如下所示:
式中,i={1,2,3……NS},NS代表种群大小;j={1,2,3……D},D代表问题的维度;代表第i个个体在第j维中经过t+1次迭代的位置信息;R2和ST分别是预警值和安全值,其中R2∈[0,1],ST∈[0.5,1];μ是(0,1]之间的随机数;M是迭代次数;δ是服从正态分布的随机数;Ξ是1×D大小的全1矩阵;
跟随者位置更新如下所示:
预警者位置更新如下所示:
4.根据权利要求1所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述Logistic映射具体为:
Cm+1=Ω·Cm·(1-Cm)
式中,m是遍历更新次数;Ω是(0,4]上的控制参数。
5.根据权利要求1所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述随机算子包括LGSSA中的高斯变异、LCSSA中的柯西变异。
6.根据权利要求5所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述LGSSA中的高斯变异Xnewbest具体为:
Xnewbest=Xbest(1+Gaussian(0,1))
式中,Xbest代表当前个体的最优位置,Gaussian(0,1)是服从正态分布的随机数。
7.根据权利要求5所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述LCSSA中的柯西变异XCbest具体为:
Xcbest=Xbest(1+tan(π(r-0.5)))
式中,Xbest表示当前个体的最优位置;XCbest是经过柯西变异后个体的最优位置;r是(0,1)上的随机数。
8.根据权利要求3所述的基于信干噪比概率感知的无人机覆盖优化方法,其特征在于,所述发现者位置更新的具体过程为:随机设置所述预警值,将所述预警值与所述安全值进行对比,若所述安全值与所述预警值之差大于预设阈值,则计算新的个体适应度值,并记录个体的位置;若所述安全值与所述预警值之差小于预设阈值,则对所述发现者的位置进行更新,同时记录适应度值最差的个***置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812521.7A CN113490179A (zh) | 2021-07-19 | 2021-07-19 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812521.7A CN113490179A (zh) | 2021-07-19 | 2021-07-19 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113490179A true CN113490179A (zh) | 2021-10-08 |
Family
ID=77941188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812521.7A Pending CN113490179A (zh) | 2021-07-19 | 2021-07-19 | 一种基于信干噪比概率感知的无人机覆盖优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113490179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114513849A (zh) * | 2022-02-16 | 2022-05-17 | 重庆邮电大学 | 一种基于散射区模型的室外非视距传播单站定位方法 |
CN116257361A (zh) * | 2023-03-15 | 2023-06-13 | 北京信息科技大学 | 无人机辅助的易故障移动边缘计算资源调度优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202330A (zh) * | 2011-05-23 | 2011-09-28 | 北京邮电大学 | 蜂窝移动通信***的覆盖自优化方法 |
CN104199884A (zh) * | 2014-08-19 | 2014-12-10 | 东北大学 | 一种基于r覆盖率优先的社交网络观察点选取方法 |
CN104392344A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于多种群pso的逆向物流网络排布方法 |
CN107343303A (zh) * | 2017-07-10 | 2017-11-10 | 东北大学 | 无线Mesh网络中基于对偶分解的路由优化方法 |
CN110062389A (zh) * | 2019-04-19 | 2019-07-26 | 江西理工大学 | 基于改进差分进化算法的传感器网络节点优化部署方法 |
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112492625A (zh) * | 2020-11-28 | 2021-03-12 | 国网河南省电力公司经济技术研究院 | 一种基于重复和重传的窄带物联网覆盖增强分析方法 |
CN112654050A (zh) * | 2020-12-21 | 2021-04-13 | 江西理工大学 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 |
CN113115342A (zh) * | 2021-04-15 | 2021-07-13 | 西安邮电大学 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及*** |
-
2021
- 2021-07-19 CN CN202110812521.7A patent/CN113490179A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202330A (zh) * | 2011-05-23 | 2011-09-28 | 北京邮电大学 | 蜂窝移动通信***的覆盖自优化方法 |
CN104199884A (zh) * | 2014-08-19 | 2014-12-10 | 东北大学 | 一种基于r覆盖率优先的社交网络观察点选取方法 |
CN104392344A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于多种群pso的逆向物流网络排布方法 |
CN107343303A (zh) * | 2017-07-10 | 2017-11-10 | 东北大学 | 无线Mesh网络中基于对偶分解的路由优化方法 |
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
CN110062389A (zh) * | 2019-04-19 | 2019-07-26 | 江西理工大学 | 基于改进差分进化算法的传感器网络节点优化部署方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112492625A (zh) * | 2020-11-28 | 2021-03-12 | 国网河南省电力公司经济技术研究院 | 一种基于重复和重传的窄带物联网覆盖增强分析方法 |
CN112654050A (zh) * | 2020-12-21 | 2021-04-13 | 江西理工大学 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 |
CN113115342A (zh) * | 2021-04-15 | 2021-07-13 | 西安邮电大学 | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及*** |
Non-Patent Citations (1)
Title |
---|
LAI ZHOU 等: "Coverage Probability Analysis of UAV Cellular Networks in Urban Environments", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS WORKSHOPS (ICC WORKSHOPS)》, pages 2 - 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114513849A (zh) * | 2022-02-16 | 2022-05-17 | 重庆邮电大学 | 一种基于散射区模型的室外非视距传播单站定位方法 |
CN114513849B (zh) * | 2022-02-16 | 2023-06-09 | 重庆邮电大学 | 一种基于散射区模型的室外非视距传播单站定位方法 |
CN116257361A (zh) * | 2023-03-15 | 2023-06-13 | 北京信息科技大学 | 无人机辅助的易故障移动边缘计算资源调度优化方法 |
CN116257361B (zh) * | 2023-03-15 | 2023-11-10 | 北京信息科技大学 | 无人机辅助的易故障移动边缘计算资源调度优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
CN113162679A (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
Akram et al. | Multicriteria UAV base stations placement for disaster management | |
CN113490179A (zh) | 一种基于信干噪比概率感知的无人机覆盖优化方法 | |
CN113543068B (zh) | 一种基于层次化分簇的林区无人机网络部署方法与*** | |
CN114422056B (zh) | 基于智能反射面的空地非正交多址接入上行传输方法 | |
Moraitis et al. | Machine learning-based methods for path loss prediction in urban environment for LTE networks | |
Almalki et al. | Empirical evolution of a propagation model for low altitude platforms | |
Almalki et al. | A machine learning approach to evolving an optimal propagation model for last mile connectivity using low altitude platforms | |
CN114826380B (zh) | 一种基于深度强化学习算法的无人机辅助空地通信优化算法 | |
Liu et al. | Multiobjective optimization for improving throughput and energy efficiency in UAV-enabled IoT | |
CN115119174A (zh) | 灌区场景中基于能耗优化的无人机自主部署方法 | |
Yan et al. | User access mode selection in satellite-aerial based emergency communication networks | |
Yu et al. | 3D deployment of Multi-UAV for energy-saving: A game-based learning approach | |
CN116782269A (zh) | 基于仿生算法和bp神经网络的无人机轨迹优化方法及*** | |
US11784691B2 (en) | Method and system for intelligent 3D aerial wireless transmission | |
CN116634391A (zh) | 一种基于无人机辅助的数据收集方法 | |
Li et al. | Learning driven mobility control of airborne base stations in emergency networks | |
Kirubakaran et al. | Optimizing tethered UAV deployment for on-demand connectivity in disaster scenarios | |
Ozdag | Multi-metric optimization with a new metaheuristic approach developed for 3D deployment of multiple drone-BSs | |
CN113919188B (zh) | 一种基于上下文-mab的中继无人机路径规划方法 | |
Lu et al. | Trajectory design for unmanned aerial vehicles via meta-reinforcement learning | |
Hameed et al. | BAT-COOP: Cooperative Diversity in FANETs using BAT Algorithm with two relay mechanism | |
Lysenko et al. | Heuristic algorithms for finding the minimum Steiner tree in the problem of optimizing the deployment and motion control of several flying information and telecommunication robots | |
Pawar | Comparative Analysis of Intelligence Strategies for UAV-Assisted Device Communication |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |