CN115802362B - 基于自主学习的无人机辅助无线网络部署方法 - Google Patents
基于自主学习的无人机辅助无线网络部署方法 Download PDFInfo
- Publication number
- CN115802362B CN115802362B CN202210995652.8A CN202210995652A CN115802362B CN 115802362 B CN115802362 B CN 115802362B CN 202210995652 A CN202210995652 A CN 202210995652A CN 115802362 B CN115802362 B CN 115802362B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- wireless network
- flow
- coverage area
- 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 38
- 230000009977 dual effect Effects 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013468 resource allocation Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 101100345347 Arabidopsis thaliana MGD2 gene Proteins 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000003462 Bender reaction Methods 0.000 description 1
- 229920009204 Methacrylate-butadiene-styrene Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于自主学习的无人机辅助无线网络部署方法，在需求预测阶段，通过一个对偶Transformer网络来预测无线流量，并采用了一种patch embedding方法和一种改进的自注意机制来降低自主学习框架的复杂度，从而提高自主学习的效率。在主动部署阶段将无人机位置规划和无线资源分配建模成非凸混合整数非线性规划模型，实现了无人机位置和无线资源分配的联合优化。另外，提出了一种MGDB算法，将联合优化问题分解为固定整数变量问题和固定连续变量问题，并分别对固定整数变量问题和固定连续变量问题求解，最终得到无人机位置部署方案和无线资源分配方案，实现无人机辅助无线网络的按需分配。
Description
技术领域
本发明涉及无人机辅助无线网络技术领域，具体而言，涉及一种基于自主学习的无人机辅助无线网络部署方法。
背景技术
随着多种通信技术的快速发展，无线通信流量呈爆发式增长。传统的静态网络(通过密集部署地面基站来处理极高的动态流量需求)变得效率低下且成本高昂。未来的无线网络应具备灵活部署基础设施节点的能力，以适应网络流量分布的时空变化，而无人机辅助无线网络技术被认为是解决未来通信***极高的动态流量需求的一种很有前途的技术。
无人机具有高机动性、部署灵活、成本低等优点，可形成灵活的低空智能网络，补充地面网络，特别是可以灵活应对临时时间和突发事件。近年来，无人机辅助无线网络备受关注，将无人机作为移动基站可提高传统通信***的容量和覆盖范围。
为了避免无人机辅助无线网络的性能恶化，流量需求预测对无人机辅助无线网络具有重要的意义，可以通过主动响应来减少部署时间。然而，由于网络流量时空需求的显著差异，使得从海量数据中获取复杂的流量分布特征十分困难。另外，与传统的部署在地面上的基站相比，基于预测的流量分布灵活规划和优化多架无人机的位置是研究无人机辅助无线网络的关键。此外，由于无人机无线资源的限制，无人机辅助无线网络的性能很大程度上依赖与资源的有效分配，这导致了无人机位置与无线资源分配的联合设计问题是非凸混合整数非线性规划问题。而非凸混合整数非线性规划问题无论从理论上还是从算法的角度都具有极高的挑战性。
有鉴于此，特提出本申请。
发明内容
本申请目的在于提供一种基于自主学习的无人机辅助无线网络部署方法及***，通过对无线网络覆盖区域的流量需求进行预测，并结合预测结果实施无线网络主动部署，实现无人机位置与无线网络资源联合优化，从而最大化无线网络覆盖区域的传输速率。
本发明通过下述技术方案实现：
提出一种基于自主学习的无人机辅助无线网络部署方法，包括以下步骤：
划定无线网络覆盖区域，在所述无线网络覆盖区域内搭建包含无人机辅助无线网络的空地联合通信网络环境；
采集所述无线网络覆盖区域内的历史流量数据；
建立流量需求预测模型和用于预测流量需求的对偶transformer网络；
根据所述历史流量数据、所述流量需求预测模型和所述对偶transformer网络，预测所述无线网络覆盖区域的未来流量需求，得到预测结果；
根据所述预测结果识别所述无线网络覆盖区域中的“热点”区域；
建立用于主动部署无人机辅助无线网络的联合优化模型；
利用MGBD算法将所述联合优化模型转换为固定整数变量模型和固定连续变量模型；
求解所述固定整数变量模型得到无人机位置部署方案，求解所述固定连续变量模型得到无线资源分配方案；
根据所述无人机位置部署方案和所述无线资源分配方案，对所述“热点”区域进行无人机辅助无线网络部署。
进一步的，
所述无线网络覆盖区域内包含多个流量需求点；
搭建所述空地联合通信网络环境包括以下步骤：
将所述无线网络覆盖区域划分为多个网格，使所述特定需求点位于所述网格内；
在所述无线网络覆盖区域内建设地面宏基站、地面小型基站和由无人机组成的空中基站，使所述空中基站提供的无人机辅助无线网络覆盖所述多个流量需求点。
进一步的，
所述历史流量数据包括多个时刻的历史流量记录，每一个时刻的历史流量记录包括所述多个流量需求点的传输速率。
进一步的，
所述流量需求预测模型为：其中，/>表示流量的最小化预测值，X表示流量的实际预测值，MSE表示/>与X之间的均方误差。
进一步的，
所述对偶transformer网络包括：时间转换编码器网络和变压器编码器网络。
进一步的，
预测所述无线网络覆盖区域的未来流量需求包括以下步骤：
将所述流量需求预测模型提前输入所述时间转换编码器网络；
将所述历史流量数据分割为多个数据块，所述多个数据块中包含多个原始输入数据块；
将所述多个原始输入数据块重构为多个输入数据矩阵；
针对每一个输入数据矩阵，执行A1-A2，得到多个P维的输入数据矩阵；
A1：对输入数据矩阵进行分割，得到多个输入数据补丁；
A2：针对每一个输入数据补丁，采用可训练的线性映射将输入数据补丁映射到P维；
为每一个P维的输入数据矩阵添加预测头和预测令牌，得到向量序列；
将所述向量序列输入带有流量需求预测模型的时间转换编码器网络中，得到流量需求预测结果。
进一步的，
识别所述“热点”区域包括以下步骤：
将所述无线网络覆盖区域划分为多个voronoi小区域；
根据所述预测结果和所述多个voronoi小区域获取所述无线网络覆盖区域的流量密度；
获取每一个voronoi小区域的流量需求预测结果；
针对每一个voronoi小区域，将voronoi小区域的流量需求预测结果与所述流量密度比较；
将流量需求预测结果＞5倍流量密度的voronoi小区域确定为“热点”区域。
进一步的，
所述联合优化模型为：
其中，Y表示无线资源分配量，L表示无人机的部署位置，d代表流量需求点，D表示流量需求点集合，表示流量需求点的下行传输速率，Rd表示流量需求点的累积传输速率；式(3)表示任意一个无人机频谱资源块只能分配给一个流量需求点，Dk表示无线网络覆盖区域的网格，/>表示二进制变量；当/>时表示无人机j的第r个资源块分给需求点d；当时，j表示无人机，J表示无人机集合，r表示无人机频谱资源块，R表示无人机频谱资源块集合；式(4)代表无人机频谱资源块分配变量的二进制性质，Dh表示热点区域；式(5)用于对无人机的最小飞行高度限制，/>表示无人机的实际飞行高度，hmin表示无人机的最小飞行高度；式(6)用于限制无人机的最大可用能量，/>表示无人机在运动过程中的功耗，τj无人机的飞行时间，/>表示无人机发射的功率，/>表示无人机悬停的功率，T表示无人机卸载任务的时间间隔，Ej表示无人机的最大可用能量。
进一步的，
所述固定整数变量模型为：
其中，为固定整数变量模型第一次迭代得到的解，BU表示每个无人机频谱资源块的下行带宽，||lj-ld||为无人机与流量需求点的距离，G0表示路损常数；
固定连续变量模型为：
其中，式(11)表示最优切割，为第k1次迭代时无人机的位置，/>和/>为原问题的对偶解，表示对偶θ表示原问题的上界；式(12)表示可行切割，/>表示第k1次迭代时无人机的位置，/>和/>表示可行问题的对偶解。
进一步的，
建立所述对偶transformer网络之后，包括以下步骤：在每一个输入数据补丁中加入一维位置嵌入，并采用自注意力机制对所述对偶transformer网络进行优化。
本发明与现有技术相比，本发明提供的基于自主学习的无人机辅助无线网络部署方法具有如下的优点和有益效果：提出了一种有效的自主学习框架，将按需部署问题分接为相互关联的需求预测阶段和主动部署阶段来解决。在需求预测阶段，通过一个对偶Transformer网络来预测无线流量，并采用了一种patch embedding方法和一种改进的自注意机制来降低自主学习框架的复杂度，从而提高自主学习的效率。另外，本发明结合预测的流量需求，在主动部署阶段将无人机位置规划和无线资源分配建模成非凸混合整数非线性规划模型，实现了无人机位置和无线资源分配的联合优化。为有效解决非凸混合整数非线性规划问题，提出了一种MGDB算法，将联合优化问题分解为固定整数变量问题和固定连续变量问题，并分别对固定整数变量问题和固定连续变量问题求解，最终得到无人机位置部署方案和无线资源分配方案，实现无人机辅助无线网络的按需分配。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的无人机辅助无线网络按需部署设计架构图；
图2为本发明实施例提供的对偶transformer网络框架图；
图3为本发明实施例提供的基于自主学习的无人机辅助无线网络部署方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
在无人机辅助无线网络自主按需部署中，为了避免无人机辅助无线网络长期严重的性能恶化问题，流量需求预测对无人机辅助无线网络具有重要的意义，可以通过主动响应来减少部署时间。然而，由于网络流量时空需求的显著差异，使得从海量数据中获取复杂的流量分布特征十分困难。另外，与传统的部署在地面上的基站相比，基于预测的流量分布灵活规划和优化多架无人机的位置是研究无人机辅助无线网络的关键。此外，由于无人机无线资源的限制，无人机辅助无线网络的性能很大程度上依赖与资源的有效分配，这导致了无人机位置与无线资源分配的联合设计问题是非凸混合整数非线性规划问题。而非凸混合整数非线性规划问题无论从理论上还是从算法的角度都具有极高的挑战性。
为解决上述问题，本实施例提供了一种基于自主学习的无人机辅助无线网络部署方法，搭建了一种新的自主学习框架，通过需求预测阶段和主动部署阶段来解决无人机辅助无线网络的按需部署问题。在需求预测阶段，通过最小化历史需求记录和预测值的均方误差，周期性地识别热点区域和预测流量需求。具体而言，提供了一个对偶Transformer网络，以精确捕获流量的时间和空间相关性。为了提高DTN的效率，进一步采用了patchembedding方法和改进的自注意机制来降低DTN的复杂度。在主动部署阶段，以最大化用户在热点地区的传输速率为目标，将无人机位置规划和无线资源部署转化为一个连续变量和整数变量耦合的非凸MINLP问题，并提出了一种MGBD算法对MINLP问题进行求解，最终得到无人机位置部署方案和无线资源分配方案，实现无人机辅助无线网络的按需分配。
具体的，上述基于自主学习的无人机辅助无线网络部署方法通过以下步骤实现：
步骤1：划定无线网络覆盖区域，该无线网络覆盖区域内包含多个流量需求点。将该无线网络覆盖区域划分为多个网格，使所述特定需求点位于所述网格内，并在所述无线网络覆盖区域内建设地面宏基站、地面小型基站和由无人机组成的空中基站，使所述空中基站提供的无人机辅助无线网络覆盖所述多个流量需求点。
如图1所示，考虑了无人机辅助无线网络场景中设置了一组地面基站(即宏基站MBSs)、一组小型基站(SBSs)和一组空中基站(无人机)，为该一个地理区域(图中矩形虚线框)内提供无线服务。为方便描述，本实施例将该矩形虚线框圈出的地理区域成为无线网络覆盖区域A。将该无线网络覆盖区域A网格化为多个等大的网格，形成网格集合每一个网格的大小为D＝L×L。另外，该无线网络覆盖区域A覆盖了多个特定的流量需求点，形成流量需求点集合DPs，表示为/>该流量需求点集合DPs的流量需求点表示为DPd，将流量需求点DPd的位置表示为/>此外，本实施例用Rd表示位于网格Kd中的DPd的累计传输速率。
步骤2：采集所述无线网络覆盖区域内的历史流量数据，建立流量需求预测模型和用于预测流量需求的对偶transformer网络，根据所述历史流量数据、所述流量需求预测模型和所述对偶transformer网络，预测所述无线网络覆盖区域的未来流量需求，得到预测结果，根据所述预测结果识别所述无线网络覆盖区域中的“热点”区域。
由于未来无线通信网络中巨大的时空差异和流量需求的爆发式增长，可能会超过某一(些)网格区域的预定容量。这些产生大量数据流量的网格区域被称为“热点”区域，在热点区域内可能会遭受严重的网络性能恶化。因此，通过预测通信流量，识别热点区域，可以提前按需调度无人机，减轻通信流量负担，缓解传统地面无线网络的压力。
具体而言，采集的历史流量数据中包含多个时刻的历史流量记录，每一个时刻的历史流量记录包括所述多个流量需求点的传输速率。将采集的历史流量数据用表示，其中/>表示流量需求点集合DPs中所有流量需求点在t时刻的传输记录。因此，流量需求点的平均传输速率为/>
利用采集的历史流量数据可通过以下方式预测流量需求点集合DPs的未来通信流量需求X＝[Xt+1,…,Xt+T]，其中T是无人机卸载任务的时间间隔。
首先，建立流量需求预测模型和用于预测流量需求的对偶transformer网络。本实施例通过最小化预测值和真实流量X之间的均方误差(MSE)来描述流量预测问题，建立的流量需求预测模型为：/>其中，/>表示流量的最小化预测值，X表示流量的实际预测值，MSE表示/>与X之间的均方误差。
接下来，建立用于预测流量需求的对偶transformer网络。具体方法如下：
首先将流量需求预测任务表述为一个时空预测问题，将采集到的历史流量数据[x1,…,xt]分割为Q个数据块：其中，/>为原始输入数据，
q∈{1,…,Q}，Q＝t-N-T+1。
然后，搭建如图2所述的对偶transformer网络。该对偶transformer网络有一个时间转换编码器和一个变压器编码器网络组成。
接下来，将流量需求预测模型提前输入所述时间转换编码器网络中，并执行步骤S1至步骤S5。
S1：将原始输入数据重构为多个输入数据矩阵/>其中，N是输入数据的数量。
S2：针对每一个输入数据矩阵，执行A1-A2，得到多个P维的输入数据矩阵。
A1：将输入数据矩阵分割为多个输入数据补patches/>其中(k,k)是每个patch的分辨率，C＝L2/k2是patch的数量，同时也是对偶transformer网络的有效输入序列长度。
A2：由于transformer网络在所有层中均使用相同维度P的向量，因此，针对每一个输入数据补丁patche将其展开，并采用可训练的线性映射将输入数据补丁映射到P维度/>
S3：为了进行预测，预先为每一个输入数据矩阵添加一个可学习的嵌入标记记为预测头/>从N条历史数据中可得到N个预测头/>另外，在patch嵌入中加入位置嵌入以保留位置信息。需说明的是，本实施例使用标准可学习的一维位置嵌入/>预测头由一个多层感知器(MLP)实现，在训练前由一个隐藏层实现，在微调时由一个线性层实现。
S4：为每一个输入数据矩阵预置一个可学习的预测令牌将预测令牌添加到位置嵌入/>中，得到的向量序列。
S5：将向量序列输入到时间转换器编码器网络，得到流量需求预测结果。
需补充说明的是，为进一步提高效率，本实施例还采用一种改进的多头自注意机制优化对偶transformer网络，方法参见H.Zhou,S.Zhang,J.Peng,S.Zhang,J.Li,H.Xiong,and W.Zhang,“Informer:Beyond efficient transformer for long sequence time-series forecasting,”in Proceedings of AAAI,2021。该多头自注意机制的主要思想是只关注每个键(key)的前个主导查询(query)。为了衡量键的查询质量，稀疏度度量表示为：其中LK为输入长度，d是查询和键的维度。S(qi,K)较大意味着键K的i个查询有很大的概率支配其他查询。因此，该多头自注意机制定义为：其中，/>是原始查询矩阵Q的一个稀疏矩阵，包含由稀疏度度量S(qi,K)计算的最好的u个查询；u设为clnLQ，其中c是常数因子。因此，多头自注意机制只对所有查询-键对执行点积/>次。实际上，查询和键的输入长度是相同的，分别在空间编码器中设置为P，在时间编码器中设置为N。因此，本实施例提出的对偶transformer网络实现每层/>时间复杂度与传统Transformer在[6]与/>时间复杂度。
根据预测的流向需求，将流量覆盖区域A划分为相应的Voronoi小区区域 并根据预测结果和划分的voronoi小区域/>获取无线网络覆盖区域的流量密度ρi。接着获取每一个voronoi小区域的流量需求预测结果；针对每一个voronoi小区域，将voronoi小区域的流量需求预测结果与所述流量密度比较；将流量需求预测结果＞5倍流量密度的voronoi小区域确定为“热点”区域。对应的，位于热点区域的流量需求点集合DPs可表示为/>
热点区域确定后，可以按需提前部署一组空中基站来卸载热点区域的流量。假设无人机在相同的频谱中工作，且无人机使用与地面基站的不同频谱。假设无人机频谱资源被划分为资源块RBs，表示为/>其中，每个资源块RB表示带宽为BU的最小调度单元。无人机j的初始位置用/>表示，其中/>考虑流量需求分布，无人机j的部署位置可记为/>其中/>无人机j避免碰撞障碍物的最小高度对应的高度/>此外，假设无人机的恒定飞行速度为cm，不考虑加速度，因此，无人机j的飞行时间可以表示为/>
为了对热点区域内的无人机到地面流量需求点DPd的空对地通信链路路径损失进行建模，本实施例采用了城市环境中广泛使用的低空平台到地面终端之间的空对地路径损失模型，其表达式为：其中，||lj-ld||表示无人机j到流量需求点DPd的距离；fMHz为无人机下行通信的载波频率。因此，流量需求点DPd的下行传输速率可以表示为：/>其中/>为二进制指示符:如果流量需求点DPd由无人机j在RB r服务，则/>否则/>BU为每个RB的下行带宽；g0＝6.7505；hj,r为无人机j在资源块RBr上的小尺度衰落；/>为无人机j发射功率；n0为DP处的平均噪声功率谱密度。除了通信方面的能源消耗外，本文还应考虑无人机的悬停和移动能源消耗。设/>表示无人机j悬停的功率。无人机j在运动过程中的功耗可用/>表示。
步骤3：建立用于主动部署无人机辅助无线网络的联合优化模型；利用MGBD算法将所述联合优化模型转换为固定整数变量模型和固定连续变量模型；求解所述固定整数变量模型得到无人机位置部署方案，求解所述固定连续变量模型得到无线资源分配方案。
具体所述步骤如下：
本实施例联合优化无线资源分配和无人机的部署位置/>以比例公平最大化DPs传输速率总和。因此，此问题可以描述为：
其中，Y表示无线资源分配量，L表示无人机的部署位置，d代表流量需求点，D表示流量需求点集合，表示流量需求点的下行传输速率，Rd表示流量需求点的累积传输速率；式(3)表示任意一个无人机频谱资源块只能分配给一个流量需求点，Dk表示无线网络覆盖区域的网格，/>表示二进制变量；当/>时表示无人机j的第r个资源块分给需求点d；
当时，j表示无人机，J表示无人机集合，r表示无人机频谱资源块，R表示无人机频谱资源块集合；式(4)代表无人机频谱资源块分配变量的二进制性质，Dh表示热点区域；式(5)用于对无人机的最小飞行高度限制，/>表示无人机的实际飞行高度，hmin表示无人机的最小飞行高度；式(6)用于限制无人机的最大可用能量，/>表示无人机在运动过程中的功耗，τj无人机的飞行时间，/>表示无人机发射的功率，/>表示无人机悬停的功率，T表示无人机卸载任务的时间间隔，Ej表示无人机的最大可用能量。
由于上述联合优化模型属于非凸混合整数非线性规划问题，为求解该非凸混合整数非线性规划问题，本实施例引入MGBD算法(方法参见F.You and I.E.Grossmann,“Multicut benders decomposition algorithm for process supply chain planningunder uncertainty,”Annals of Operations Research,vol.210,no.1,pp.191–211,2013)，利用不递增的上界和不递减的下界，逼近最优解来求解MINLP问题。具体来说，MGBD算法首先将优化问题分解为两个子问题，即原问题(固定整数变量)和主问题(固定连续变量)，然后迭代求解。
针对固定整数变量问题：
在MGBD中，固定整数变量问题的最优解是上述联合优化问题的下界，因为固定整数变量问题是用通过固定整数变量Y来求解的，其中Y是由前一次迭代的主问题得到的。假设从固定联系变量问题(k-1)第一次迭代，可得到一个解集，表示为其中包含松弛固定连续变量问题的最优解和次最优解。一般来说，固定连续变量问题解决方案集M的大小是一个给定的常数。然后，对于给定的解Y(k-1),m，因此固定整数变量模型为：
其中，为固定整数变量模型第一次迭代得到的解，BU表示每个无人机频谱资源块的下行带宽，||lj-ld||为无人机与流量需求点的距离，G0表示路损常数。
以下对固定整数变量问题的可行性进行分析。
固定整数变量问题的可行性分析：
假设变量Y(k-1),m，是凸问题，如果它是可行的，它可以被GUROBI求解器有效地求解。/>如下：
的拉格朗日函数/>被定义为：/>通过求解问题/>及其对偶问题，可以得到一个最优部署解L(k)和对偶解μ(k),ξ(k)。然后，L(k)，μ(k)，和ξ(k)作为解主问题的已知条件。
针对固定连续变量问题：
固定连续变量问题用于确定与无线资源分配相对应的整数变量，则固定连续变量模型为：
其中，式(11)表示最优切割，表示第k1次迭代时无人机的位置，/>和/>为原问题的对偶解，表示对偶θ表示原问题的上界；式(12)表示可行切割，/>表示第k1次迭代时无人机的位置，/>和/>表示可行问题的对偶解。
步骤4：根据所述无人机位置部署方案和所述无线资源分配方案，对所述“热点”区域进行无人机辅助无线网络部署。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，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 (4)
1.基于自主学习的无人机辅助无线网络部署方法，其特征在于，包括以下步骤：
划定无线网络覆盖区域，在所述无线网络覆盖区域内搭建包含无人机辅助无线网络的空地联合通信网络环境；
采集所述无线网络覆盖区域内的历史流量数据；
建立流量需求预测模型和用于预测流量需求的对偶transformer网络；
根据所述历史流量数据、所述流量需求预测模型和所述对偶transformer网络，预测所述无线网络覆盖区域的未来流量需求，得到预测结果；
根据所述预测结果识别所述无线网络覆盖区域中的“热点”区域；
建立用于主动部署无人机辅助无线网络的联合优化模型；
利用MGBD算法将所述联合优化模型转换为固定整数变量模型和固定连续变量模型；
求解所述固定整数变量模型得到无人机位置部署方案，求解所述固定连续变量模型得到无线资源分配方案；
根据所述无人机位置部署方案和所述无线资源分配方案，对所述“热点”区域进行无人机辅助无线网络部署；
所述流量需求预测模型为：其中，/>表示流量的最小化预测值，X表示流量的实际预测值，MSE表示/>与X之间的均方误差；
所述对偶transformer网络包括：时间转换编码器网络和变压器编码器网络；
预测所述无线网络覆盖区域的未来流量需求包括以下步骤：
将所述流量需求预测模型提前输入所述时间转换编码器网络；
将所述历史流量数据分割为多个数据块，所述多个数据块中包含多个原始输入数据块；
将所述多个原始输入数据块重构为多个输入数据矩阵；
针对每一个输入数据矩阵，执行A1-A2，得到多个P维的输入数据矩阵；
A1：对输入数据矩阵进行分割，得到多个输入数据补丁；
A2：针对每一个输入数据补丁，采用可训练的线性映射将输入数据补丁映射到P维；
为每一个P维的输入数据矩阵添加预测头和预测令牌，得到向量序列；
将所述向量序列输入带有流量需求预测模型的时间转换编码器网络中，得到流量需求预测结果；
识别所述“热点”区域包括以下步骤：
将所述无线网络覆盖区域划分为多个voronoi小区域；
根据所述预测结果和所述多个voronoi小区域获取所述无线网络覆盖区域的流量密度；
获取每一个voronoi小区域的流量需求预测结果；
针对每一个voronoi小区域，将voronoi小区域的流量需求预测结果与所述流量密度比较；
将流量需求预测结果＞5倍流量密度的voronoi小区域确定为“热点”区域；
所述联合优化模型为：
其中，Y表示无线资源分配量，L表示无人机的部署位置，d代表流量需求点，D表示流量需求点集合，表示流量需求点的下行传输速率，Rd表示流量需求点的累积传输速率；式(3)表示任意一个无人机频谱资源块只能分配给一个流量需求点，Dk表示无线网络覆盖区域的网格，/>表示二进制变量；当/>时表示无人机j的第r个资源块分给需求点d；当时，j表示无人机，J表示无人机集合，r表示无人机频谱资源块，R表示无人机频谱资源块集合；式(4)代表无人机频谱资源块分配变量的二进制性质，Dh表示热点区域；式(5)用于对无人机的最小飞行高度限制，/>表示无人机的实际飞行高度，hmin表示无人机的最小飞行高度；式(6)用于限制无人机的最大可用能量，/>表示无人机在运动过程中的功耗，τj无人机的飞行时间，/>表示无人机发射的功率，/>表示无人机悬停的功率，T表示无人机卸载任务的时间间隔，Ej表示无人机的最大可用能量；
所述固定整数变量模型为：
其中，为固定整数变量模型第一次迭代得到的解，BU表示每个无人机频谱资源块的下行带宽，||lj-ld||为无人机与流量需求点的距离，G0表示路损常数；
固定连续变量模型为：
其中，式(11)表示最优切割，为第k1次迭代时无人机的位置，/>和/>为原问题的对偶解，表示对偶θ表示原问题的上界；式(12)表示可行切割，/>表示第k1次迭代时无人机的位置，/>和/>表示可行问题的对偶解。
2.根据权利要求1所述的基于自主学习的无人机辅助无线网络部署方法，其特征在于，
所述无线网络覆盖区域内包含多个流量需求点；
搭建所述空地联合通信网络环境包括以下步骤：
将所述无线网络覆盖区域划分为多个网格，使所述特定需求点位于所述网格内；
在所述无线网络覆盖区域内建设地面宏基站、地面小型基站和由无人机组成的空中基站，使所述空中基站提供的无人机辅助无线网络覆盖所述多个流量需求点。
3.根据权利要求2所述的基于自主学习的无人机辅助无线网络部署方法，其特征在于，所述历史流量数据包括多个时刻的历史流量记录，每一个时刻的历史流量记录包括所述多个流量需求点的传输速率。
4.根据权利要求1所述的基于自主学习的无人机辅助无线网络部署方法，其特征在于，建立所述对偶transformer网络之后，包括以下步骤：在每一个输入数据补丁中加入一维位置嵌入，并采用自注意力机制对所述对偶transformer网络进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210995652.8A CN115802362B (zh) | 2022-08-18 | 2022-08-18 | 基于自主学习的无人机辅助无线网络部署方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210995652.8A CN115802362B (zh) | 2022-08-18 | 2022-08-18 | 基于自主学习的无人机辅助无线网络部署方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115802362A CN115802362A (zh) | 2023-03-14 |
| CN115802362B true CN115802362B (zh) | 2024-05-24 |
Family
ID=85431532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210995652.8A Active CN115802362B (zh) | 2022-08-18 | 2022-08-18 | 基于自主学习的无人机辅助无线网络部署方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115802362B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107426773A (zh) * | 2017-08-09 | 2017-12-01 | 山东师范大学 | 无线异构网络中面向能效的分布式资源分配方法和装置 |
| CN108566670A (zh) * | 2018-04-19 | 2018-09-21 | 郑州航空工业管理学院 | 无人机辅助无线传感网及其节点调度与路径规划功率分配设计方法 |
| CN110602633A (zh) * | 2019-08-02 | 2019-12-20 | 广东工业大学 | 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法 |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
| CN112511197A (zh) * | 2020-12-01 | 2021-03-16 | 南京工业大学 | 基于深度强化学习的无人机辅助弹性视频多播方法 |
| EP3965414A1 (en) * | 2020-09-03 | 2022-03-09 | Deutsche Telekom AG | A system comprising a communication network and a drone provisioning system and a method thereof |
| CN114374981A (zh) * | 2022-01-12 | 2022-04-19 | 重庆邮电大学 | 一种通信无人机的节能按需预部署方法 |
| CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
| CN114710786A (zh) * | 2022-04-20 | 2022-07-05 | 北京航空航天大学 | 一种基于用户轨迹预测的无人机基站动态部署方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10939408B2 (en) * | 2019-02-12 | 2021-03-02 | Samsung Electronics Co., Ltd. | Method and system for positioning low altitude platform station (LAPS) drone cells |
-
2022
- 2022-08-18 CN CN202210995652.8A patent/CN115802362B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107426773A (zh) * | 2017-08-09 | 2017-12-01 | 山东师范大学 | 无线异构网络中面向能效的分布式资源分配方法和装置 |
| CN108566670A (zh) * | 2018-04-19 | 2018-09-21 | 郑州航空工业管理学院 | 无人机辅助无线传感网及其节点调度与路径规划功率分配设计方法 |
| CN110602633A (zh) * | 2019-08-02 | 2019-12-20 | 广东工业大学 | 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法 |
| EP3965414A1 (en) * | 2020-09-03 | 2022-03-09 | Deutsche Telekom AG | A system comprising a communication network and a drone provisioning system and a method thereof |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
| CN112511197A (zh) * | 2020-12-01 | 2021-03-16 | 南京工业大学 | 基于深度强化学习的无人机辅助弹性视频多播方法 |
| CN114374981A (zh) * | 2022-01-12 | 2022-04-19 | 重庆邮电大学 | 一种通信无人机的节能按需预部署方法 |
| CN114567888A (zh) * | 2022-03-04 | 2022-05-31 | 重庆邮电大学 | 一种多无人机动态部署方法 |
| CN114710786A (zh) * | 2022-04-20 | 2022-07-05 | 北京航空航天大学 | 一种基于用户轨迹预测的无人机基站动态部署方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Predictive On-Demand Placement of UAV Base Stations Using Echo State Network;Haoran Peng;《2019 IEEE/CIC International Conference on Communications in China (ICCC)》;20190813;全文 * |
| Predictive UAV Base Station Deployment and Service Offloading With Distributed Edge Learning;Zhongliang Zhao;《IEEE Transactions on Network and Service Management》;20211026;全文 * |
| 基于无人机的边缘智能计算研究综述;董超;沈赟;屈毓锛;;智能科学与技术学报;20200915(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115802362A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Giordani et al. | Non-terrestrial networks in the 6G era: Challenges and opportunities | |
| Jiao et al. | Network utility maximization resource allocation for NOMA in satellite-based Internet of Things | |
| Zhan et al. | Energy-efficient data uploading for cellular-connected UAV systems | |
| Hu et al. | Deep reinforcement learning‐based beam Hopping algorithm in multibeam satellite systems | |
| Pervez et al. | Joint user association, power optimization and trajectory control in an integrated satellite-aerial-terrestrial network | |
| Zeng et al. | UAV-assisted data dissemination scheduling in VANETs | |
| Hu et al. | Low-complexity joint resource allocation and trajectory design for UAV-aided relay networks with the segmented ray-tracing channel model | |
| CN114048689B (zh) | 基于深度强化学习的多无人机空中充电和任务调度方法 | |
| Elnabty et al. | A survey on UAV placement optimization for UAV-assisted communication in 5G and beyond networks | |
| Azari et al. | User traffic prediction for proactive resource management: Learning-powered approaches | |
| CN112737842A (zh) | 空地一体化车联网中基于最小化时延的任务安全卸载方法 | |
| CN113939034A (zh) | 一种立体异构电力物联网云边端协同资源分配方法 | |
| CN113296963A (zh) | 一种考虑用户移动性的无人机辅助的边缘计算方法 | |
| CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
| CN113259946A (zh) | 基于集中式阵列天线的地空全覆盖功率控制与协议设计方法 | |
| 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 | |
| CN110913400A (zh) | 一种基于空天地远程物联网络的资源分配方法和*** | |
| CN115103396A (zh) | 5g弹性覆盖***多回程链路选择与功率分配联合优化方法 | |
| CN113613198A (zh) | 无人机辅助的无线携能d2d网络资源分配方法 | |
| CN105007629A (zh) | 超密集小小区网络***中无线资源分配方法 | |
| Li et al. | A UAV real-time trajectory optimized strategy for moving users | |
| Mahmood et al. | Deep learning meets swarm intelligence for UAV-assisted IoT coverage in massive MIMO | |
| Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
| Li et al. | Overview of beam hopping algorithms in large scale LEO satellite constellation | |
| CN115802362B (zh) | 基于自主学习的无人机辅助无线网络部署方法 |
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 |