欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106474848
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的无人机辅助通信的航迹优化方法包括;

步骤1、构建无人机辅助通信的航迹规划模型;

步骤2、构建无人机航迹规划与通信资源分配的联合优化模型;

步骤3、对步骤2中的联合优化模型进行求解;步骤3是采用基于拉丁超立方、高斯扰动以及正余弦算子的改进鸽群优化算法进行求解;

所述的步骤1采用以下步骤实现的:

步骤1.1、无人机的总通信服务时间T划分为M个时隙,每个时隙长度为相同的单位时间Δt,即T=M·Δt;

步骤1.2、无人机飞行高度为定值H,最大飞行速度为vmax,在t时刻无人机的位置表示为qt=[xt,yt];

步骤1.3、无人机的通信范围内有N个移动用户,则在t时刻用户n的位置由Un,t=[uxn,t,uyn,t]来表示;

步骤1.4、无人机的最大速度有如下约束:步骤1.5、在时刻t无人机与移动用户n间的信道增益gn,t由式(2)表示;

其中β0表示当信号收发端距离为1m时的参考信道增益;

步骤1.6、设Bn,t为t时刻无人机与用户n之间通信的带宽,pn,t为t时刻无人机分配给用户n的传输功率,则无人机与用户n间在时刻t通信时的瞬时速率为:2

其中,lb(x)同函数log2(x);σ表示为噪声的功率谱密度;

步骤1.7、得到无人机航迹规划模型的目标函数为:步骤1.8、整个通信系统的带宽限制为BT,单无人机的最大传输功率为P,则存在如式(5)(6)所述约束条件;

2.根据权利要求1所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤2采用以下详细步骤实现的:步骤2.1、对于移动用户n,其接收的信号表示为:其中xn,t表示无人机在t时刻向移动用户n传输的信号;AWGNn表示均值为0,功率谱密度2

为σ的加性高斯白噪声;

步骤2.2、对于移动用户n,其接收无人机信号的信号与干扰加噪声比SINR表示为:步骤2.3、得到移动用户n的吞吐量Cn如式(9)所示:Cn=lb(1+SINRn)     (9)步骤2.4、对无人机的通信资源分配,有如下优化目标:步骤2.5、构建无人机航迹规划与通信资源分配的联合优化模型的联合目标函数如下:

3.根据权利要求1所述的一种面向无人机辅助通信的航迹优化方法,其特征在于:所述的步骤3详细方法如下:步骤3.1、初始化算法参数,包括:种群规模NP、个体维度D,当前迭代次数m,以及地图和指南针算子的迭代参数Mc1,和地标算子的迭代参数Mc2,其中满足Mc1<Mc2;

步骤3.2、基于拉丁超立方初始化种群位置,生成遍历性较强的初始种群;

步骤3.3、在给定速度范围内随机初始化每个个体的速度V;

步骤3.4、通过地图和指南针算子对每个个体的位置和速度进行更新,更新公式如式(12)(13)所示;

X(m+1)=X(m)+V(m+1) (12)‑Rt

V(m+1)=e ·V(m)+rand·(Xgb‑X(m‑1))  (13)其中m为当前迭代次数,X(m)第m次迭代时的个体位置,X(m+1)为更新得到的新一代个体位置,V(m)表示第m次迭代时对应个体的速度,R为地图因子,rand为[0,1]间随机数,Xgb为全局最优个体位置;

步骤3.5、基于高斯扰动对个体位置进行扰动更新;

基于高斯算子的个体位置扰动公式如式(14)所示;

2

XG=X(m+1)×(1+Gaussian(μ,σ))  (14)2

其中XG表示经过高斯扰动得到的新个体位置,Gaussian(μ,σ)表示满足高斯分布N(μ,2

σ)的随机数,μ表示均值,σ表示标准差;

由此,新一代个体的最终位置由式(15)确定;

式中X′(m+1)表示新一代个体的最终位置,f(x)表示适应度函数;

步骤3.6、边界条件处理,确保每个个体在解空间的上下限内;

步骤3.7、当前迭代次数m=m+1;

步骤3.8、判断m是否大于地图和指南针算子的迭代参数Mc1,若是则转至步骤3.9,否则转至步骤3.4;

步骤3.9、通过地标算子对个体的位置进行更新;

在此阶段,每一次迭代时鸽子的总数NP都会减少1/2,将鸽群按适应度直接进行排序,然后去掉种群中适应度较低的一半个体,再通过式(17)计算出鸽群的中心位置,余下的鸽子按照式(18)进行位置更新;

X(m+1)=X(m)+rand×[Xaver(m+1)‑X(m)] (18)步骤3.10、融合正弦余弦算法SCA对个体进行扰动更新;

引入正弦余弦算法SCA对个体进行二次更新,以提升算法的局部寻优能力;基于SCA的更新公式如式(19‑20)所示;

其中a为SCA算法常数,取a=2,r1为控制参数,r2为[0,2π]间的随机数,r3为[0,2]之间随机数,r4为[0,1]间随机数,pbest为当前全局最优个体的位置;

步骤3.11、边界条件处理,确保每个个体都在解空间的上下限内;

步骤3.12、当前迭代次数m=m+1;

步骤3.13、判断m是否大于地标算子的迭代参数Mc2,若是则转至步骤3.14,否则转至步骤3.9;

步骤3.14、输出最优解和最优值结束。