CN116684273B - 一种基于粒子群的机动通信网络结构自动规划方法及*** - Google Patents

一种基于粒子群的机动通信网络结构自动规划方法及*** Download PDF

Info

Publication number
CN116684273B
CN116684273B CN202310673377.2A CN202310673377A CN116684273B CN 116684273 B CN116684273 B CN 116684273B CN 202310673377 A CN202310673377 A CN 202310673377A CN 116684273 B CN116684273 B CN 116684273B
Authority
CN
China
Prior art keywords
node
constraint
planning
population
less
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
CN202310673377.2A
Other languages
English (en)
Other versions
CN116684273A (zh
Inventor
王会涛
谢伟
刘�东
吴帆
鲁义威
李东升
侯剑锋
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310673377.2A priority Critical patent/CN116684273B/zh
Publication of CN116684273A publication Critical patent/CN116684273A/zh
Application granted granted Critical
Publication of CN116684273B publication Critical patent/CN116684273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0889—Techniques to speed-up the configuration process
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于机动通信网络技术领域，具体提供了一种基于粒子群的机动通信网络结构自动规划方法，包括以下步骤：构建网络结构规划模型和约束集，并输入参数；初始化粒子维度和迭代次数，并设置种群的位置和速度；更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；达到条件后停止更新，此时的干线节点数和位置分别为全局最优值和全局最优位置。该方案通过改进粒子群算法，可以在很短的时间内完成复杂节点的网络结构自动规划，相比人工规划和其他自动规划，网络规划精度高且收敛快，较大提高了网络规划的效率，且规划精度高，规划时效性强，能够满足当前机动通信网网络结构规划需求。

Description

一种基于粒子群的机动通信网络结构自动规划方法及***
技术领域
本发明涉及机动通信网络技术领域，更具体地，涉及一种基于粒子群的机动通信网络结构自动规划方法及***。
背景技术
机动通信网络通常指特殊领域保障大规模特殊任务所使用的一种机动通信网络，通常由多种类型设备组成的子网所构成。机动通信网网络规划是通信网络组织中耗时最长、最为复杂的环节。
网络规划，是指网络规划人员或技术保障人员充分利用现有的***设备，平衡现实矛盾和需求，根据保障当前通信任务完成而针对机动通信网络结构的筹划和组织工作。
当前，网络规划主要采取人工规划方式及进行，也有部分学者提出基于模型的网络结构自动规划方法进行网络规划，但在网络规划模型的算法实现上还存在运算速度慢，不容易收敛等问题，影响了机动通信网网络规划的效率和规划质量。
发明内容
本发明针对现有技术中存在的网络规划模型的算法实现上还存在运算速度慢，不容易收敛的技术问题。
本发明提供了一种基于粒子群的机动通信网络结构自动规划方法，包括以下步骤：
S1，构建网络结构规划模型和约束集，并输入参数；
S2，初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；
S3，初始化迭代次数t＝1，并设置种群的位置和速度；
S4，更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
S5，若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置。
有益效果：本发明提供的一种基于粒子群的机动通信网络结构自动规划方法，包括以下步骤：构建网络结构规划模型和约束集，并输入参数；初始化粒子维度和迭代次数，并设置种群的位置和速度；更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；达到条件后停止更新，此时的干线节点数和位置分别为全局最优值和全局最优位置。该方案通过改进粒子群算法，可以在很短的时间内完成复杂节点的网络结构自动规划，相比人工规划和其他自动规划，网络规划精度高且收敛快，较大提高了网络规划的效率，且规划精度高，规划时效性强，能够满足当前机动通信网网络结构规划需求。此外，采用本方案确定的网络干线节点的部署位置和数量相较于人工规划方法，减少了设备使用数量，网络规划质量更高。
附图说明
图1为本发明提供的一种基于粒子群的机动通信网络结构自动规划方法流程图；
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
图4为本发明提供的坐标与整数编号对应关系；
图5为本发明提供的不带高程的网络结构规划粒子结构；
图6为本发明提供的50*50公里人工指定区域的各节点输出关系。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种基于粒子群的机动通信网络结构自动规划方法，包括以下步骤：
名词解释：迭代次数T；种群规模N；最大可用粒子维度Nb；全局最优位置向量X*(t)；最优值Gbest；邻接矩阵M。
步骤一、构建网络结构规划模型和约束集。然后输入仿真参数、算法参数和用户坐标；还输入随机高程数或人工指定高程位置。
其中，(1)网络结构规划模型：
S任务＝A×B
N＝{N1，N2……NK}
M＝{M1，M2……ML}
其中，A代表作战地域的长；B代表作战地域的宽；N代表地域范围内各类用户集合；M代表地域范围内可用于装备部署位置集合；K代表地域范围内用户数量；Xj代表是否在Mj点部署装备；L代表地域范围内可用于装备部署位置数量。
(2)网络结构规划模型约束集：
约束1：通信节点覆盖距离约束：
约束2：通信节点覆盖范围约束：
约束3：连通性约束：
约束4：应用约束：2≤节点1最大链路数≤10；1≤节点1预留链路数。
约束5：设备约束：车1最大设备数≤2；车2最大设备数≤5；1≤节点1预留设备数≤2。
约束6：链路约束：1≤车1链路数≤2；1≤车2链路数≤10；1≤节点1预留链路数。
其中，dis(Mi，Mj)为Mi点与Mj点之间的覆盖距离；Sb代表总的通信覆盖面积；Qi代表第i个节点通信覆盖面积；B代表干线节点；U代表用户节点；xi、yi分别表示第i个节点的横坐标和纵坐标；Xi,Xj代表节点i和节点j；Aij代表不可用地域；R代表节点通信覆盖范围。
具体地，输入迭代次数T；种群规模N；最大可用粒子维度Nb。然后根据matlab中griddata函数生成小网格的三维50*50公里xx地域地图。
步骤二、初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb；Nb为最大的干线节点数量。
步骤三、初始化迭代次数t＝1，随机设置种群的位置和速度。
具体地，初始化迭代次数t＝1、全局最优值Gbest＝inf和迭代的全局最优值gbest(t)＝inf。种群的位置向量X(t)和速度向量V(t)设置如下：
初始化种群的位置向量X(t)＝ceil(xmin+rand(N,k)*(xmax-xmin))
初始化种群的速度向量V(t)＝ceil(vmin+rand(N,k)*(vmax-vmin))
Xmin代表种群最小位置；Xmax代表种群最大位置；Vmin代表种群最小速度，N代表粒子群个数；k代表设备数量；ceil为向上近似函数；rand为随机函数。
步骤四、基于粒子群算法，更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵。
其中，在粒子群算法中，构造1×k维的粒子，k为节点1的数量，k根据二分法在{1,2,...,Nb}内取值，Nb为最大的干线节点数量。将L×W(L,W∈N+)的xx地域进行网格分割和建立横纵坐标，分割间隔为1km，则xx地域内存在L×W个坐标，图4将整数编号与坐标进行一一对应，然后粒子的整数编号都将被限定在[1,L×W]内变化。因此，当L＝50km，W＝50km，k＝10时，粒子结构如图5所示。
粒子的速度、位置更新是一个连续变化过程，而网络结构规划中节点的分配情况和坐标均为自然数，因此，需要对粒子的整数编号进行整数化处理，从而通过节点的个数来评价其优劣。
对于k维向量，采用向上取整法，将粒子转换为整数编号，如10.5对应整数编号11，308.2对应整数编号为309，1200.1对应整数编号为1201。根据图4中整数编号与坐标的对应关系，找出整数编号对应的坐标。如图5中，节点1的整数编号11对应的坐标为(1,11)，干线节点10的整数编号1874对应的坐标为(38,24)。
粒子的状态用速度和位置来描述，每个粒子根据下述公式更新：
Vi(t)＝wVi(t-1)+c1r1(Pi(t-1)-Xi(t-1))+c2r2(G(t-1)-Xi(t-1)) (1)
Xi(t)＝Xi(t-1)+Vi(t) (2)
上式中，Vi(t)和Xi(t)分别表示粒子i在第t次迭代的速度与位置；Pi(t)表示粒子i在飞行过程中所经历的最好位置；G(t)表示整个群体目前找到的最好位置；r1、r2是[0,1]上的随机数；c1、c2是学习因子，用以调节向个体最好粒子方向和全局最好粒子飞行的最大步长，若太小则粒子会远离目标区域，若太大则会导致突然向目标飞去或飞过目标区，当c1、c2取值在[0,4]时，可加速收敛；w为惯性权重，较大的w可以加强算法的全局搜索能力，而较小的w能加强局部搜索能力，当w取值在[0.8,1.2]时，算法具有较快的收敛速度。
具体地，根据不带高程的50*50公里xx地域限制条件，计算粒子i的适应值f(Xi(t))、最优位置Pi(t)、邻接矩阵Mi、种群全局最优位置X*(t)、种群全局最优值gbest(t)和邻接矩阵M。
更进一步的，令迭代次数t＝t+1，更新并边界化处理种群的位置向量X(t)和速度向量V(t)，根据不带高程的50*50公里xx地域限制条件，计算粒子i的适应值f(Xi(t))，更新粒子i的最优位置Pi(t)、邻接矩阵Mi、种群全局最优位置X*(t)、种群全局最优值gbest(t)和邻接矩阵M。
步骤五、若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新。具体地，若迭代次数t≥2且|gbest(t)-gbest(t-1)|≤ε，全局最优值Gbest＝迭代的全局最优值gbest(t-1)，则停止更新，退出while循环，否则执行步骤四，直至while循环结束。
步骤六、若Gbest～＝inf，根据二分法更新k＝(1+Nb)/2，否则执行步骤三，直至Gbest～＝inf；inf为已经确定好的最优值。
步骤七、当k<Nb时，若Gbest～＝inf，更新最大值b＝k和k＝(a+b)/2，否则更新最小值a＝k和k＝(a+b)/2；
当b-k≤1时，此时满足了终止调节，停止更新。输出全局最优位置向量X*(t)、全局最优值Gbest和邻接矩阵M，停止更新退出while循环。此时的干线节点数和位置分别为全局最优值和全局最优位置。
步骤八、判断干线节点是否冗余；若是，则删除冗余的干线节点，得到新的全局最优位置、全局最优值和邻接矩阵；若否，则根据全局最优位置、全局最优值和邻接矩阵生成网络结构规划的三维50*50公里xx地域地图和二维50*50公里xx地域地图以及节点关系表。
将全局最优位置向量X*(t)、最优值Gbest和邻接矩阵M代入编写的Judge_scheme函数中，此时的干线节点个数Gbest及其对应的位置X*(t)，根据限制条件判断算出的干线节点中是否存在冗余的干线节点(删除冗余的干线节点后对网络结构图无影响)，若有冗余则删除冗余的干线节点，否则输出全局最优位置向量X*(t)、最优值Gbest和邻接矩阵M。
具体地，以二维50*50公里xx地域地图的形式，输出干线和用户节点的位置和数量，背景图为地形图，以表的形式，导出度、平均度、各节点之间的连接关系、各节点的位置坐标、剩余链路数和车辆数。
其中，网络结构规划的粒子群算法伪代码及算法的具体原理解释过程如表1所示。
表1不带高程的网络结构规划的粒子群算法
本次仿真是在Matlab R2016a中运行，其中粒子群算法的参数设置如下：种群数目N＝500，最大迭代次数T＝200，学习因子c1＝c2＝1.5，惯性权重w＝0.9，误差精度ε＝0.1。
仿真参数设置如下：在50*50公里xx区域内，节点2数量18，用户1数量为8，用户2数量为10，最大节点1数量15，车1提供链路数为5，车2提供链路数为2，微波最大通信距离25km，微波通信影响系数0.8，节点类型1最大链路数为10，节点类型2最大链路数为2，节点预留链路为1，节点间最小链路数为2，节点类型1和节点类型2间最小链路数为1。
如图6所示，以表的形式，导出度、平均度、各节点之间的连接关系、各节点的位置坐标、剩余链路数和车辆数。
有益效果：
本发明提出的基于粒子群的机动通信网网络结构自动规划方法可以在很短的时间内完成复杂节点的网络结构自动规划，相比人工规划和其他自动规划，网络规划精度高且收敛快，较大提高了网络规划的效率。此外，采用本方案确定的网络干线节点的部署位置和数量相较于人工规划方法，减少了设备使用数量，网络规划质量更高。
本发明实施例还提供了一种基于粒子群的机动通信网络结构自动规划***，所述***用于实现如前所述的基于粒子群的机动通信网络结构自动规划方法，包括：
模型构建模块，用于构建网络结构规划模型和约束集，并输入参数；
初始化模块，用于初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；初始化迭代次数t＝1，并设置种群的位置和速度；
迭代计算模块，用于更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
输出模块，用于若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置。
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：S1，构建网络结构规划模型和约束集，并输入参数；
S2，初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；
S3，初始化迭代次数t＝1，并设置种群的位置和速度；
S4，更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
S5，若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置。
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：S1，构建网络结构规划模型和约束集，并输入参数；
S2，初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；
S3，初始化迭代次数t＝1，并设置种群的位置和速度；
S4，更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
S5，若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (7)

1.一种基于粒子群的机动通信网络结构自动规划方法，其特征在于，包括以下步骤：
S1，构建网络结构规划模型和约束集，并输入参数；
S2，初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；
S3，初始化迭代次数t＝1，并设置种群的位置和速度；
S4，更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
S5，若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置；
其中，所述S1中网络结构规划模型为：
S任务＝A×B
N＝{N1，N2……NK}
M＝{M1，M2……ML}
其中，A代表作战地域的长；B代表作战地域的宽；N代表地域范围内各类用户集合；M代表地域范围内可用于装备部署位置集合；Xj代表是否在Mj点部署装备；L代表地域范围内可用于装备部署位置数量；
其中，所述约束集包括：
约束1：通信节点覆盖距离约束：
约束2：通信节点覆盖范围约束：
约束3：连通性约束：
约束4：应用约束：2≤节点1最大链路数≤10；1≤节点1预留链路数；
约束5：设备约束：车1最大设备数≤2；车2最大设备数≤5；1≤节点1预留设备数≤2；
约束6：链路约束：1≤车1链路数≤2；1≤车2链路数≤10；1≤节点1预留链路数；
其中，dis(Mi，Mj)为Mi点与Mj点之间的覆盖距离；Sb代表总的通信覆盖面积；Qi代表第i个节点通信覆盖面积；B代表干线节点；U代表用户节点；xi、yi分别表示第i个节点的横坐标和纵坐标；Xi,Xj代表节点i和节点j；Aij代表不可用地域；R代表节点通信覆盖范围；
其中，所述S1中输入的参数包括：仿真参数、算法参数和用户坐标，以及迭代次数T、种群规模N、最大可用粒子维度Nb。
2.根据权利要求1所述的基于粒子群的机动通信网络结构自动规划方法，其特征在于，所述S3具体包括：全局最优值Gbest＝inf和迭代的全局最优值gbest(t)＝inf，种群的位置向量X(t)和速度向量V(t)设置如下：
初始化种群的位置向量X(t)＝ceil(xmin+rand(N,k)*(xmax-xmin))
初始化种群的速度向量V(t)＝ceil(vmin+rand(N,k)*(vmax-vmin))
Xmin代表种群最小位置；Xmax代表种群最大位置；Vmin代表种群最小速度，N代表粒子群个数；k代表设备数量；ceil为向上近似函数；rand为随机函数。
3.根据权利要求1所述的基于粒子群的机动通信网络结构自动规划方法，其特征在于，所述S4具体包括：
对地域机械网格分割并建立横纵坐标，将编号与坐标进行一一对应；
采用向上取整法，将粒子转换为整数编号，从而实现粒子与坐标对应关系。
4.根据权利要求1所述的基于粒子群的机动通信网络结构自动规划方法，其特征在于，所述S5之后还包括：
若全局最优值在设定值范围内，则根据二分法更新k＝(1+Nb)/2，否则执行步骤S3；
当k<Nb时，若全局最优值在设定值范围内，则更新最大值b＝k和k＝(a+b)/2，否则更新最小值a＝k和k＝(a+b)/2；
当|b-k|不大于1时，停止更新。
5.根据权利要求1所述的基于粒子群的机动通信网络结构自动规划方法，其特征在于，所述S5之后还包括：
判断干线节点是否冗余；若是，则删除冗余的干线节点，得到新的全局最优位置、全局最优值和邻接矩阵。
6.一种基于粒子群的机动通信网络结构自动规划***，其特征在于，所述***用于实现如权利要求1-5任一项所述的基于粒子群的机动通信网络结构自动规划方法，包括：
模型构建模块，用于构建网络结构规划模型和约束集，并输入参数；其中，所述S1中网络结构规划模型为：
S任务＝A×B
N＝{N1，N2……NK}
M＝{M1，M2……ML}
其中，A代表作战地域的长；B代表作战地域的宽；N代表地域范围内各类用户集合；M代表地域范围内可用于装备部署位置集合；Xj代表是否在Mj点部署装备；L代表地域范围内可用于装备部署位置数量；
其中，所述约束集包括：
约束1：通信节点覆盖距离约束：
约束2：通信节点覆盖范围约束：
约束3：连通性约束：
约束4：应用约束：2≤节点1最大链路数≤10；1≤节点1预留链路数；
约束5：设备约束：车1最大设备数≤2；车2最大设备数≤5；1≤节点1预留设备数≤2；
约束6：链路约束：1≤车1链路数≤2；1≤车2链路数≤10；1≤节点1预留链路数；
其中，dis(Mi，Mj)为Mi点与Mj点之间的覆盖距离；Sb代表总的通信覆盖面积；Qi代表第i个节点通信覆盖面积；B代表干线节点；U代表用户节点；xi、yi分别表示第i个节点的横坐标和纵坐标；Xi,Xj代表节点i和节点j；Aij代表不可用地域；R代表节点通信覆盖范围；
其中，所述S1中输入的参数包括：仿真参数、算法参数和用户坐标，以及迭代次数T、种群规模N、最大可用粒子维度Nb；
初始化模块，用于初始化粒子维度k＝Nb,其中k在[1,Nb]内变化，且最小值a＝1和最大值b＝Nb，Nb为最大的干线节点数量；初始化迭代次数t＝1，并设置种群的位置和速度；
迭代计算模块，用于更新迭代次数，计算每个粒子的适应值、位置和邻接矩阵；并计算种群全局最优位置、全局最优值和邻接矩阵；
输出模块，用于若迭代次数不小于2，且最后两次迭代的种群全局最优值的差值在设定范围内，则停止更新；此时的干线节点数和位置分别为全局最优值和全局最优位置。
7.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-5任一项所述的基于粒子群的机动通信网络结构自动规划方法的步骤。
CN202310673377.2A 2023-06-08 2023-06-08 一种基于粒子群的机动通信网络结构自动规划方法及*** Active CN116684273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310673377.2A CN116684273B (zh) 2023-06-08 2023-06-08 一种基于粒子群的机动通信网络结构自动规划方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310673377.2A CN116684273B (zh) 2023-06-08 2023-06-08 一种基于粒子群的机动通信网络结构自动规划方法及***

Publications (2)

Publication Number Publication Date
CN116684273A CN116684273A (zh) 2023-09-01
CN116684273B true CN116684273B (zh) 2024-01-30

Family

ID=87780643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310673377.2A Active CN116684273B (zh) 2023-06-08 2023-06-08 一种基于粒子群的机动通信网络结构自动规划方法及***

Country Status (1)

Country Link
CN (1) CN116684273B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645294B1 (en) * 2004-02-03 2014-02-04 Hrl Laboratories, Llc Method for image registration utilizing particle swarm optimization
CN109275094A (zh) * 2018-11-02 2019-01-25 北京邮电大学 一种高能效无人机覆盖点连续覆盖方法和装置
CN111080035A (zh) * 2019-12-31 2020-04-28 芜湖哈特机器人产业技术研究院有限公司 基于改进量子粒子群优化算法的全局路径规划方法
CN111104732A (zh) * 2019-12-03 2020-05-05 中国人民解放军国防科技大学 一种基于深度强化学习的机动通信网智能规划方法
CN111490901A (zh) * 2020-04-08 2020-08-04 重庆金美通信有限责任公司 一种机动通信网络智能规划***及方法
CN111581878A (zh) * 2020-04-28 2020-08-25 中国人民解放军国防科技大学 基于改进pso算法的开阔地反无人机火力部署方法
CN115454115A (zh) * 2022-09-29 2022-12-09 山东科技大学 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN115660339A (zh) * 2022-10-23 2023-01-31 南京理工大学 基于改进粒子群算法的静态无人机集群作战协同火力决策方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645294B1 (en) * 2004-02-03 2014-02-04 Hrl Laboratories, Llc Method for image registration utilizing particle swarm optimization
CN109275094A (zh) * 2018-11-02 2019-01-25 北京邮电大学 一种高能效无人机覆盖点连续覆盖方法和装置
CN111104732A (zh) * 2019-12-03 2020-05-05 中国人民解放军国防科技大学 一种基于深度强化学习的机动通信网智能规划方法
CN111080035A (zh) * 2019-12-31 2020-04-28 芜湖哈特机器人产业技术研究院有限公司 基于改进量子粒子群优化算法的全局路径规划方法
CN111490901A (zh) * 2020-04-08 2020-08-04 重庆金美通信有限责任公司 一种机动通信网络智能规划***及方法
CN111581878A (zh) * 2020-04-28 2020-08-25 中国人民解放军国防科技大学 基于改进pso算法的开阔地反无人机火力部署方法
CN115454115A (zh) * 2022-09-29 2022-12-09 山东科技大学 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN115660339A (zh) * 2022-10-23 2023-01-31 南京理工大学 基于改进粒子群算法的静态无人机集群作战协同火力决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于5G和无人机集群的机动通信技术研究;钟剑峰;工程科技Ⅱ辑;全文 *
基于改进PSO算法的机动通信保障任务分配方法;滑楠;赵延龙;于振华;;控制与决策(第09期);全文 *
谷宇.人工智能基础.机械工业出版社,2022,133-135. *

Also Published As

Publication number Publication date
CN116684273A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110944342B (zh) 无线传感器网络部署优化方法、装置、***及存储介质
CN108846472A (zh) 一种自适应遗传粒子群混合算法的优化方法
Jiang et al. Method of task assignment for UAV based on particle swarm optimization in logistics
CN112698634B (zh) 基于事件触发的交通智能体***固定时间二分一致性方法
CN113919485B (zh) 基于动态层级通信网络的多智能体强化学习方法及***
CN108111335B (zh) 一种调度和链接虚拟网络功能的方法及***
CN113098714A (zh) 一种基于深度强化学习的低时延网络切片的方法
Swenson et al. Distributed inertial best-response dynamics
CN114721429A (zh) 基于改进差分进化算法的三维无人机航迹规划方法及装置
CN110278571A (zh) 一种基于简单预测-校正环节的分布式信号跟踪方法
CN117055605A (zh) 多无人机姿态控制方法及***
CN116684273B (zh) 一种基于粒子群的机动通信网络结构自动规划方法及***
CN116862021B (zh) 基于信誉评估的抗拜占庭攻击的去中心化学习方法及***
CN109145462A (zh) 一种基于力导引的异形区域拓扑布局算法
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
CN117811907A (zh) 基于多智能体强化学习的卫星网络微服务部署方法及装置
CN116132354B (zh) 一种无人机集群网络化传输路径优化方法及***
CN110662272A (zh) 一种基于蜂群无人机的最少数量领航者选取方法
CN108415774A (zh) 一种基于改进烟花算法的软硬件划分方法
CN114594793A (zh) 一种基站无人机的路径规划方法
CN110703725B (zh) 一种适用于航天姿态轨道控制***的路径优化方法
CN112364992A (zh) 一种场景约束的智能网络搜索的模型剪枝方法
Choudhury et al. A particle swarm inspired approach for continuous distributed constraint optimization problems
CN110162400B (zh) 复杂网络环境下实现mas***中智能体合作的方法和***
US11973662B1 (en) Intelligent mapping method for cloud tenant virtual network based on reinforcement learning model

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