CN114037363B - 一种基于协同智能优化算法的多平台任务分配方法 - Google Patents
一种基于协同智能优化算法的多平台任务分配方法 Download PDFInfo
- Publication number
- CN114037363B CN114037363B CN202210011950.9A CN202210011950A CN114037363B CN 114037363 B CN114037363 B CN 114037363B CN 202210011950 A CN202210011950 A CN 202210011950A CN 114037363 B CN114037363 B CN 114037363B
- Authority
- CN
- China
- Prior art keywords
- platform
- task allocation
- population
- unmanned aerial
- aerial vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000013461 design Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241000695274 Processa Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于协同智能优化算法的多平台任务分配方法,包括以下步骤:基于临空平台设计约束和任务场景要求,构建多平台***任务分配模型;针对用户分布不均和任务的特殊性,采用服务区域编码、位置信息编码两种编码方式,将任意一个适用于该任务场景下的多平台***任务分配优化问题的可行解编码为由两段序列构成的完整染色体;采用与协同进化结合的改进差分进化算法对任务分配模型进行求解,在最大迭代次数下求得的最优解即为多平台***的最佳任务分配方案。该任务分配方法可以解决多平台大规模任务分配问题,满足任务分配的快速、智能要求。
Description
技术领域
本公开涉及空间信息网络技术领域,具体涉及一种基于协同智能优化算法的多平台任务分配方法。
背景技术
由于快速应急通信响应和精确观测服务需求的***式增长,机载通信网络受到了工业界和学术界的广泛关注。临空平台采用异构网络,利用卫星、高空平台(HAPs)和低空平台(LAPs)构建通信接入平台。与地面无线网络相比,临空平台具有网络拓扑频繁变化、通信连接脆弱等特点。此外,临空平台对异构网络的无缝集成有需求,以提高网络的服务质量(QoS)。针对高空平台(HAPs,主要由气球,飞艇,高空无人机组成)与低空平台(LAPs,主要由无人机组成)的部署问题,我们介绍了一种基于改进差分进化算法的多平台任务分配方法。
现有的临空平台任务分配方法可分为两类:基于数学规划的和基于智能优化算法的,基于数学规划的方法的核心思想是利用数学优化方法有效地解决无人机优化部署问题。例如,使用块坐标下降和连续凸优化技术求解针对无人机任务分配构造的混合整数非凸模型,或迭代求解优化无人机覆盖单元划分和获得无人机最优位置的方法,可以解决这一具有挑战性的问题,但同时该类方法计算量庞大,执行缓慢,在多平台任务分配问题中不适用。在基于智能优化算法的方法下,已有学者应用进化算法、蚁群算法、粒子群算法等方法对该问题进行了求解。智能优化算法以其收敛速度快、优化效率高的特点,在面对大规模任务分配问题时展现了更高的性能。
差分进化算法是一种采用浮点矢量编码,在连续空间中进行启发式随机搜索的优化算法。算法的基本思想是:对当前种群进行变异和交叉操作,产生另一个新种群;然后利用选择操作对这两个种群进行一对一的选择,从而产生最终的新一代种群。该算法原理简单,控制参数少,只有交叉概率和缩放比例因子,鲁棒性强,易于实现。但也收敛速度快,容易陷入局部最优,如何解决这一问题是实现差分进化算法的关键。
协同进化算法是一个求解大规模优化问题的算法,该算法采取“分而治之”的策略。对于一个优化问题,依变量分解成若干组问题,分组优化,且各分组间进行合作协同,共同完成整个问题的优化。复杂问题分解为子问题,子问题在进化的子种群中解决,个体的评估依赖于子种群间的合作,由各子种群的代表性个体组合而得完整的解决方案。个体在子种群的适应度由其在完整解决方案的参与来评估。
对于多平台大规模任务分配问题,由于通信链路无缝集成复杂、用户多、用户密度大,而无人机的服务能力受限、无人机数量和服务时长均条件影响。本发明提出一种基于协同智能优化算法的任务分配方法,可以解决中等规模多平台任务分配问题,结合协同进化方法,将应用范围扩大至大规模任务分配。
发明内容
本发明提供了一种基于协同智能优化算法的多平台任务分配方法。在本方法当中,首先根据用户位置确定用户负载和频谱效率;其次,根据已知的信息和负载、频谱效率定义用户密度;接下来在此基础上定义各无人机、各区域的成本函数,从而确定总网络连接的成本函数,即目标函数。定义两个编码规则,包括服务区域编码和位置信息编码,并针对两种编码分别确定了不同的变异、交叉、选择规则,针对临空平台多平台任务分配问题提出了基于差分进化算法的解决方案;该方案使用的“种群灾变”策略,解决一般进化算法可能陷入局部最优的问题;同时,针对大规模任务,引入随机分组模式,以“分而治之”的思想对种群分组,并对每个子种群使用上述差分进化算法,最终经过重组得到最优结果,该改进可以使差分进化算法在多平台大规模问题中同样适用,以满足任务分配的快速、智能要求。本发明采用以下技术方案:
一种基于协同智能优化算法的多平台任务分配方法,包括以下步骤:
S1,基于临空平台设计约束和任务场景要求,构建多平台***任务分配模型,考虑高空平台飞行器与低空平台无人机之间的自由空间损耗、以及低空平台无人机与用户之间的空地路径损耗,构造高空平台飞行器、低空平台无人机与用户之间的成本函数,以最小化总成本作为多平台***任务分配模型的优化目标;
S2,针对用户分布不均和任务的特殊性,采用服务区域编码、位置信息编码两种编码方式,将任意一个适用于该任务场景下的多平台***任务分配优化问题的可行解编码为由两段序列构成的完整染色体;
S3,基于协同进化框架,针对服务区域编码、位置信息编码进行初始化并随机分组,划分为若干子种群;针对各子种群,利用差分进化算法进行相应的交叉、变异、种群灾变,对多平台***任务分配模型进行求解,在最大迭代次数下求得的最优解即为多平台***的最佳任务分配方案。
进一步,所述步骤S1中多平台***任务分配模型中的损耗模型具体为:
假设无人机在相同的频谱上运行,考虑到无人机对无人机的干扰,从第i个无人机到位置y处给定用户的信噪比为:
进一步,所述步骤S1中多平台***任务分配模型中的成本函数具体为:
成本函数是容量、延误和覆盖率的函数;让表示根据用户的请求模式量化用户数量的密度函数,x表示用户数量,表示服务请求,小区可处理的用户总数为;对于所考虑的网络,密度函数有两个变量,指定区域的用户密度函数和无人机服务的用户密度函数为:
其中,n为无人机总数量;S n 为每个无人机可处理的服务请求个数;
进一步,所述步骤S2中服务区域编码、位置信息编码方式具体为:
个体k的服务区域编码是由全部无人机服务区域编码构成的,表达式为:
进一步,所述步骤S3具体包括以下子步骤:
步骤二:对种群中的每个个体计算适应值;
步骤三:判断是否到达随机分组条件,若达到,重新分组,未达到,继续选用上一次迭代中的分组方式;
步骤七:检验新种群是否满足种群灾变条件,若满足,对种群进行种群灾变,若不满足,进入步骤八;
步骤八:重复迭代次数大于最大迭代次数时,结束迭代;未达到上述条件则返回步骤二继续迭代。
进一步,所述变异操作具体为:
(1)服务区域编码变异:由于服务区域编码为二进制编码,变异方式是编码中的每一位以一定的概率反转;
其中,F是自适应比例缩放因子,F 0为初始变异参数,取值0.6,计算方式为:
进一步,所述交叉操作具体为:
进一步,所述种群灾变具体为:当最优解在N d 代内均无变化时,保留此最优解,而种群中其它个体全部重新产生,进而继续进行种群进化。
进一步,所述分组具体为:采用协同进化中的随机分组对变量进行划分,每隔10代,重新划分一次分组,每次分组将种群NP随机划分为N个子种群,每个子种群中包含P个无人机,子种群的编码方式与种群编码方式完全一致,但仅包含P个无人机的服务区域编码、位置信息编码。
本发明相对于现有技术的的优点:
本发明针对临空平台多平台网络连接时无人机数量多、复杂度高的情景,设计了一种基于协同智能优化算法的大规模任务分配方法。该方法模仿了种群进化时个体之间竞争与合作的关系,本方法提出两种编码规则,使差分进化算法可以应用于临空平台多平台任务分配问题;模仿自然界中可能出现的自然灾害对种群的影响,提出“种群灾变”机制,防止算法陷入局部最优的缺陷。引入协同进化策略,“分而治之”的思想使本方法适用于大规模问题。该方法同时兼具改进差分进化算法鲁棒性强与协同进化优化效率高的优点,同时也具有可移植性,适用于其它复杂情景下的任务分配问题。
本发明重点关注多平台任务分配问题,从降低无人机通信成本出发,开展了多平台任务分配研究。该方法对于减小网络连接成本、增大优化效率及工作场景的推广具有重要的现实意义。
附图说明
图1为临空平台构成图;
图2为基于协同智能优化算法对多平台***任务分配模型进行求解的整体流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施实例中的附图,对本发明实施中的技术方案进行清楚、完整的描述。
图1所示为一个临空平台的基础结构,本发明主要关注高空平台与低空平台、低空平台与地面用户之间的连接,用于在高空平台(HAPs)和小单元用户设备(UEs)之间提供连续数据,无人机通过在宏单元和小单元终端之间形成多个中间链路,进一步增强负载均衡。本发明提供一种多平台大规模任务分配方法,首先基于临空平台设计约束和任务场景要求,构建多平台***任务分配模型;针对用户分布不均和任务的特殊性,采用服务区域编码、无人机位置编码两种编码方式,将任意一个适用于该场景下的无人机任务分配优化问题的可行解编码为由两段序列构成的完整染色体;采用与协同进化结合的改进差分进化算法对任务分配模型进行求解,在最大迭代次数下求得的最优解即为多平台***的最佳任务分配方案。
S1,基于临空平台设计约束和任务场景要求,构建多平台***任务分配模型;
假设无人机在相同的频谱上运行,考虑到无人机对无人机的干扰,从第i个无人机到位置y处给定用户的信噪比为:
成本函数是容量、延误和覆盖率的函数。此外,让表示根据用户的请求模式量化用户数量的密度函数,x表示用户数量,表示服务请求,小区可处理的用户总数为。对于所考虑的网络,密度函数有两个变量,指定区域的用户密度函数和无人机服务的用户密度函数计算为:
S2,针对用户分布不均和任务的特殊性,采用服务区域编码、位置信息编码两种编码方式,将任意一个适用于该任务场景下的多平台***任务分配优化问题的可行解编码为由两段序列构成的完整染色体;
将每个完整染色体看作一个个体(individual,即针对当前问题的候选解),多个个体构成种群(population,即针对当前问题的候选解集合),对于种群中的每个个体,需在约束条件下随机生成其服务区域、位置信息,并根据规定的编码方式对上述两信息分别编码,得到该个体的评估序列。
具体编码规则为:
个体k的服务区域编码是由全部无人机服务区域编码构成的,表达式为:
S3,采用与协同进化结合的改进差分进化算法对任务分配模型进行求解,在最大迭代次数下求得的最优解即为多平台***的最佳任务分配方案。
具体地,初始化种群后,对当前种群进行变异和交叉操作,产生另一个新种群;然后利用选择操作对这两个种群进行一对一的选择,从而产生最终的新一代种群,重复产生新种群直到达到结束条件,如图2所示:
步骤二:对种群中的每个个体计算适应值;
步骤三:判断是否到达随机分组条件,若达到,重新分组,未达到,继续选用上一次迭代中的分组方式。分组后,对于每个子种群分别进行变异、交叉选择工作(即步骤四、五、六);
步骤七:检验新种群是否满足种群灾变条件,若满足,对种群进行种群灾变,若不满足,进入步骤八;
步骤八:重复迭代次数大于最大迭代次数时,结束迭代;未达到上述条件则返回步骤二继续迭代。
特别地,下面对交叉规则、变异规则、种群灾变规则、分组方式进行具体描述。
(一)变异操作
针对两个编码,本发明设计了不同的编码方式:
(1)服务区域编码变异:由于服务区域编码为二进制编码,变异方式是编码中的每一位以一定的概率反转;
其中,F是自适应比例缩放因子,F 0为初始变异参数,取值0.6,计算方式为:
(二)交叉操作
(三)种群灾变
为了防止差分进化算法过早收敛而陷入局部最优解,在迭代过程中引入种群灾变。即当最优解在N d 代内均无变化时,保留此最优解,而种群中其它个体全部重新产生,进而继续进行种群进化。
(四)分组
为了更好的解决大规模问题,引入协同进化中的随机分组对变量进行划分,每隔10代,重新划分一次分组,每次分组将种群NP随机划分为N个子种群,每个子种群中包含P个无人机,子种群的编码方式与种群编码方式完全一致,但仅包含P个无人机的服务区域编码、位置信息编码。
例如,假设种群中共有4架无人机(NP=4),规定划分子种群的数量为2(N=2),若种群的编码为:
在计算各子种群适应值时,用全局最优个体的变量值将子种群变量值补全,代入目标函数计算适应值。
以上所述仅为本发明的具体实施方式,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于协同智能优化算法的多平台任务分配方法,其特征在于,包括以下步骤:
S1,基于临空平台设计约束和任务场景要求,构建多平台***任务分配模型,考虑高空平台飞行器与低空平台无人机之间的自由空间损耗、以及低空平台无人机与用户之间的空地路径损耗,构造高空平台飞行器、低空平台无人机与用户之间的成本函数,以最小化总成本作为多平台***任务分配模型的优化目标;
S2,针对用户分布不均和任务的特殊性,采用服务区域编码、位置信息编码两种编码方式,将任意一个适用于该任务场景下的多平台***任务分配优化问题的可行解编码为由两段序列构成的完整染色体;
S3,基于协同进化框架,针对服务区域编码、位置信息编码进行初始化并随机分组,划分为若干子种群;针对各子种群,利用差分进化算法进行相应的交叉、变异、种群灾变,对多平台***任务分配模型进行求解,在最大迭代次数下求得的最优解即为多平台***的最佳任务分配方案;
所述步骤S1中多平台***任务分配模型中的损耗模型具体为:
假设无人机在相同的频谱上运行,考虑到无人机对无人机的干扰,从第i个无人机到位置y处给定用户的信噪比为:
2.根据权利要求1所述的基于协同智能优化算法的多平台任务分配方法,其特征在于,所述步骤S1中多平台***任务分配模型中的成本函数具体为:
成本函数是容量、延误和覆盖率的函数;让表示根据用户的请求模式量化用户数量的密度函数,x表示用户数量,表示服务请求,小区可处理的用户总数为;对于所考虑的网络,密度函数有两个变量,指定区域的用户密度函数和无人机服务的用户密度函数为:
其中,n为无人机总数量;S n 为每个无人机可处理的服务请求个数;
4.根据权利要求1所述的基于协同智能优化算法的多平台任务分配方法,其特征在于,所述步骤S3具体包括以下子步骤:
步骤二:对种群中的每个个体计算适应值;
步骤三:判断是否到达随机分组条件,若达到,重新分组,未达到,继续选用上一次迭代中的分组方式;
步骤七:检验新种群是否满足种群灾变条件,若满足,对种群进行种群灾变,若不满足,进入步骤八;
步骤八:重复迭代次数大于最大迭代次数时,结束迭代;未达到上述条件则返回步骤二继续迭代。
7.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法,其特征在于,所述种群灾变具体为:当最优解在N d 代内均无变化时,保留此最优解,而种群中其它个体全部重新产生,进而继续进行种群进化。
8.根据权利要求4所述的基于协同智能优化算法的多平台任务分配方法,其特征在于,所述分组具体为:采用协同进化中的随机分组对变量进行划分,每隔10代,重新划分一次分组,每次分组将种群NP随机划分为N个子种群,每个子种群中包含P个无人机,子种群的编码方式与种群编码方式完全一致,但仅包含P个无人机的服务区域编码、位置信息编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011950.9A CN114037363B (zh) | 2022-01-07 | 2022-01-07 | 一种基于协同智能优化算法的多平台任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011950.9A CN114037363B (zh) | 2022-01-07 | 2022-01-07 | 一种基于协同智能优化算法的多平台任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037363A CN114037363A (zh) | 2022-02-11 |
CN114037363B true CN114037363B (zh) | 2022-04-12 |
Family
ID=80147324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210011950.9A Active CN114037363B (zh) | 2022-01-07 | 2022-01-07 | 一种基于协同智能优化算法的多平台任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037363B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884545B (zh) * | 2022-06-06 | 2024-01-16 | 黑龙江大学 | 基于智能优化算法的多小区大规模mimo***实时功率分配方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977743B (zh) * | 2017-11-29 | 2021-01-26 | 安徽有云智能科技有限公司 | 多无人机协同任务分配方法及装置 |
CN110851272B (zh) * | 2019-10-30 | 2022-02-11 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
CN111860984B (zh) * | 2020-07-06 | 2022-03-11 | 燕山大学 | 一种基于改进遗传算法的多异构无人机任务分配方法 |
CN113867358B (zh) * | 2021-10-13 | 2023-08-29 | 中国人民解放军陆军工程大学 | 多无人车协同遍历任务的智能路径规划方法 |
-
2022
- 2022-01-07 CN CN202210011950.9A patent/CN114037363B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114037363A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
CN109960279B (zh) | 一种基于启发式算法的无人机盘旋半径优化方法 | |
CN114520768B (zh) | 一种用于工业物联网中随机任务的ai卸载优化方法 | |
CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
CN111246416A (zh) | 一种基于遗传算法的水下无线传感器网络拓扑控制方法 | |
Mnasri et al. | 3D indoor redeployment in IoT collection networks: A real prototyping using a hybrid PI-NSGA-III-VF | |
CN114037363B (zh) | 一种基于协同智能优化算法的多平台任务分配方法 | |
CN112702713B (zh) | 一种多约束条件下的低空无人机通信部署方法 | |
Liu et al. | Efficient deployment of UAVs for maximum wireless coverage using genetic algorithm | |
CN111600644A (zh) | 一种紫外光协助无人机编队最优刚性拓扑生成方法 | |
CN114143814B (zh) | 一种基于异构边缘云架构的多任务卸载方法及*** | |
Guo et al. | 3D aerial vehicle base station (UAV-BS) position planning based on deep Q-learning for capacity enhancement of users with different QoS requirements | |
CN113473580A (zh) | 异构网络中基于深度学习的用户关联联合功率分配策略 | |
CN117614520B (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
Sobouti et al. | Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks | |
Mahajan et al. | Efta: An energy-efficient, fault-tolerant, and area-optimized uav placement scheme for search operations | |
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*** | |
CN109195222B (zh) | 一种基于统计特性参考的功率分配方法 | |
Liu et al. | Throughput optimization for flying ad hoc network based on position control using genetic algorithm | |
Mnasri et al. | The 3D indoor deployment in DL-IoT with experimental validation using a particle swarm algorithm based on the dialects of songs | |
CN111542069B (zh) | 一种基于快速非支配遗传算法实现无线ap部署优化方法 | |
CN115209425A (zh) | 一种基于无线传感器分布的无人机部署方法 | |
CN114885379A (zh) | 一种大规模无人机集群自适应分簇组网方法 | |
CN108064051B (zh) | 确定网络射频优化方案的方法、装置及设备 |
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 |