一种能量效率知觉的无人机群三维部署方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种能量效率知觉的无人机群三维部署方法。
背景技术
无人驾驶飞机简称无人机，英文缩写为UAV，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作，而无人机通信技术是无人机开发中的重点技术之一。近年来，灵活、高效的无人机通信技术得到了迅速发展，在动态变化的通信场景中发挥着重要作用。在执行战场侦察，数据采集、救援等紧急任务时，通常采用多无人机联合覆盖的方式进行。根据任务分布差异动态地调整无人机位置部署尤为重要。然而，针对无人机覆盖部署问题，很多研究通过设立阈值来确定无人机是否成功覆盖区域点，对系统模型做出的假设过于简化，协作覆盖性能度量方法没有充分考虑实际物理模型和自组织网络中局部合作的特点。
实际上，由于无人机的飞行特性，它们会受到视距链路概率、阴影衰落、路径损耗等影响，所以每架无人机并不是百分百地成功覆盖每个目标，都有一定的覆盖成功概率。但是，通过相互之间的合作覆盖，能够提高任务目标的被覆盖概率，从而提高对整个任务区域的覆盖效果，避免无人机只顾己身所带来的效用损失。单架无人机只要改变自身水平位置和高度、或者传输功率等状态，就会改变对任务区域的覆盖成功概率，从而改变其覆盖效用。在现有的一些工作中，较少考虑多无人机协同覆盖场景，因为要描述局部变动会影响整体性能这样的合作关系很难。因此通常采用如“参考文献：D.Monderer,L S. Shapley.“Potential Games,”Games and Economic Behavior,vol.14,no. 1,pp.124-143,1996.”所提及的博弈论研究多无人机之间的相互作用。此外，大多相关文献对无人机群的部署模型做出的假设过于简化，没有充分考虑天线增益、空-地链路特性、无人机状态、信道衰落等实际物理因素，无法准确描述空地状态变化对无人机效用的影响。
发明内容
为解决上述问题，本发明提供了一种能量效率知觉的无人机群三维部署方法，能很好地描述基于地面任务分布的无人机协同覆盖场景，有效避免了现有技术中对无人机群的部署模型做出的假设过于简化，没有充分考虑天线增益、空-地链路特性、无人机状态、信道衰落等实际物理因素，无法准确描述空地状态变化对无人机效用的影响的缺陷。
为了克服现有技术中的不足，本发明提供了一种能量效率知觉的无人机群三维部署方法的解决方案，具体如下：
一种能量效率知觉的无人机群三维部署方法，包括：
将无人机群三维部署模型分成两个问题求解，无人机就据此通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值，再根据策略选择公式依概率调整当前状态，最终收敛到稳定解。
对所述无人机群三维部署模型的描述如下：所述无人机群三维部署模型涉及到无人机群的水平位置和高度的三维部署问题，该问题也就是无人机群的三维位置部署问题；所述无人机群三维部署模型还涉及到无人机群的功率控制问题。
所述两个阶段包括：当所述无人机群中的无人机完成了最大化覆盖效用的三维位置部署后，开始功率优化来让无人机调整传输功率，在满足地面任务的区域的最低通信需求下最大化该无人机群三维部署模型的覆盖能量效率。
进一步地，所述两个阶段具体分为第一阶段和第二阶段；
所述第一阶段为无人机部署阶段，在该阶段中，无人机群以最大功率进行位置部署，调整无人机的三维位置实现覆盖效用最大化，该阶段具体包括：定义所述无人机群中的所有无人机组成的集合为N，对于任意无人机n∈N，其中，n为正整数且表示无人机的编号，将无人机n的覆盖效用设计成其对全局效用的边际贡献u1n(ln,l-n)，该边际贡献u1n(ln,l-n)如公式(1)所示：
其中，ln表示无人机n的三维位置(xn,yn,hn)，l-n表示除无人机n∈N之外无人机群中的其他的无人机的位置，在(xn,yn,hn)中被逗号隔开的三个数字，自左向右分别表示无人机n的横坐标、无人机n的纵坐标和无人机n的高度坐标，I表示总的覆盖目标区域，i是目标任务点，ρi表示目标任务点i的重要度，ρi值越大，代表目标任务点i的重要度越高；k∈Nn代表无人机集合N中除了无人机n以外的无人机；qi(lk)代表无人机k∈Nn在位置是lk时对目标任务点i的覆盖成功的概率，qi(ln)代表无人机n∈N在位置是ln时对目标任务点i的覆盖成功的概率，该qi(ln)如公式(2)所示：
其中，
进一步地，作为无人机部署阶段的所述第一阶段结束后进入第二阶段，所述第二阶段为功率分配阶段，该功率分配阶段包括保持第一阶段中无人机群的无人机部署不变，并调整无人机传输功率使能源效率最大化；该功率分配阶段具体包括：在满足任务区域最低通信需求τ的条件下，对无人机n构建了如公式(3)所示的基于能量效率的边际效用函数u2n(pn,p-n)：
其中，pn表示无人机n的传输功率状态，p-n表示除无人机n∈N之外无人机群中的其他的的传输功率，qi(pn)代表无人机n∈N在功率是pn时对目标任务点i的覆盖成功概率，qi(pk)表示无人机k∈Nn对目标任务点i的覆盖成功概率，所述第二阶段通过优化无人机n的功率状态pn的选择策略从而最大化无人机群对任务区域的总覆盖能量效率。
一种能量效率知觉的无人机群三维部署方法，该方法基于对数线性学习而具体包括以下步骤：
步骤1：初始化，所述初始化包括：设置无人机状态集，所述无人机状态集包括无人机群中各个无人机n的三维位置和输出功率，初始化无人机群中各个无人机n的三维位置和输出功率均为NULL，利用高斯分布设定目标任务点i的ρi并生成作为作为总的覆盖目标区域的任务区域I，设置迭代次数的最大值K，K为正整数，K大于无人机群中的无人机的总数量；
步骤2：执行第一阶段实现在最大传输功率下的无人机群的三维空间最优部署；所述步骤2具体包括如下步骤：
步骤2-1：设定迭代次数的变量为i，i的初始值为0；
步骤2-2：从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n，将其载波传输功率pn调整到最大；
步骤2-3：从无人机n的可选位置集合S1n中随机选一个三维位置 ln作为当前位置，更新此时的无人机位置为(xn,yn,hn)，无人机群中的其他无人机位置状态不变，这里的可选位置集合S1n包含有该无人机n 的可选位置；
步骤2-4：根据公式(1)计算所选无人机n在其当前位置下的效用值u1n(ln(i),l-n(i))和所选无人机n在其预期位置下的效用值
步骤2-5:若迭代次数的变量的值小于迭代次数的最大值K，就返回步骤2-2中执行，若迭代次数的变量的值不小于迭代次数的最大值 K，就执行步骤2-6；
步骤2-6：比较当前无人机群中的总计所有无人机的效用值后得到的无人机群的总覆盖效用U与作为预先设定的最低通信需求的通信门限τ相比，若U≥τ，保存当前无人机群状态集，并进入步骤3 来执行第二阶段且把迭代次数的变量i的值归零；否则，终止执行所述能量效率知觉的无人机群三维部署方法；
步骤3：执行第二阶段实现在最大覆盖效用下的无人机群最优功率分配。所述步骤3具体包括如下步骤：
步骤3-1:保持第一阶段实现的在最大传输功率下的无人机群的三维空间最优部署不变；
步骤3-2：从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n；
步骤3-3:从所选出的无人机n的功率集合S2n中随机选择一输出功率pn作为当前功率，无人机群中的其他无人机的输出功率不变，这里的功率集合S2n包含有无人机n可用的输出功率；
步骤3-4:所选无人机n根据公式(3)计算其在当前功率下的效用值u2n(pn(i),p-n(i))和在预期功率下的效用值
步骤3-5：输出当前的无人机状态集作为最优的联合状态策略集
所述公式(4)为：
所述公式(5)为：
所述ln(i)和
本发明的有益效果为：
(1)构建了一个能量效率知觉的无人机三维部署模型。在实际通信场景中，无人机高度对覆盖效用的影响不容忽视。因此，考虑到可调高度，更有利于找到更好的位置，最大化覆盖效用。
(2)建立了无人机群之间的决策关系，构造了边际效用函数，证明了所提出的三维部署模型是一个至少有一个纳什均衡点的精确势能博弈。
(3)设计了一种基于对数线性学习的无人机群三维部署算法。在动作空间中对无人机的三维位置和传输功率进行调整和优化。在实际的多无人机协同通信场景中具有很大的应用潜力。
附图说明
图1是本发明中无人机群三维部署模型图。
图2是本发明中任务区域重要度分布图。
图3是本发明实施例1中不同数量的无人机覆盖总效用对比。
图4是本发明实施例1中6架无人机的部署效果图。
图5是本发明能量效率知觉的无人机群三维部署方法的流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图1-图5所示，能量效率知觉的无人机群三维部署方法，包括：
本发明所提出的能量效率知觉的无人机群三维部署方法，旨在提供方案以解决多无人机协同覆盖能量优化问题。本发明将无人机群三维部署模型分成两个问题求解，降低策略空间复杂度，便于更快地求解。本发明并基于对数线性法，无人机就据此可以通过两个阶段来改变自身的三维位置状态和功率选择得到的整体效用值，再根据策略选择公式依概率调整当前状态，最终收敛到稳定解。
对所述无人机群三维部署模型的描述如下：考虑到无人机群的多架无人机同时执行作为地面任务的空对地覆盖任务的场景，地面任务有重要度等级的划分，重要度越高，覆盖此区域的效用越高。由于无人机的飞行特性，他们的覆盖效用会受到传输功率、视距链路概率、阴影衰落、路径损耗等影响，所以每架无人机并不是百分百地成功覆盖每个目标，对地面任务的区域点都有一定的覆盖成功的概率。由于无人机高度越高，路径损耗，阴影衰落越大，覆盖成功率越低，而高度越低，覆盖范围变小，同样影响覆盖效用，因此所述无人机群三维部署模型涉及到无人机群的水平位置和高度的三维部署问题，该问题也就是无人机群的三维位置部署问题；同样，无人机群对地面任务的区域点的覆盖成功的概率不仅取决于无人机群的位置部署，而且与它们的载波传输功率也密切相关。在给定单架无人机的位置部署下，其载波传输功率能够明显地影响对地面任务的区域点的覆盖成功的概率。当载波传输功率增加到一定量时，覆盖成功的概率会逐渐趋于峰值，此时，增大传输功率不仅对提高覆盖效用效果不明显，反而带来了巨大的能量损耗，因此所述无人机群三维部署模型还涉及到无人机群的功率控制问题。无人机通过调整自身的三维位置或者传输功率等状态，对地面任务的区域的覆盖效用也会随之改变。无人机通过相互之间的合作覆盖，能够提高地面任务目标的被覆盖成功概率，从而提高对整个地面任务的区域的覆盖效果，避免无人机只顾己身所带来的效用损失。
所述两个阶段包括：当所述无人机群中的无人机完成了最大化覆盖效用的三维位置部署后，开始进行功率优化来让无人机调整传输功率，在满足地面任务的区域的最低通信需求下最大化该无人机群三维部署模型的覆盖能量效率。所述地面任务的区域也能简称为任务区域。
如图2所示为任务区域重要度分布图，表示的是无人机群网络下的一个任务区域实例，在图2中将任务区域的坐标为 (10,35),(35,10),(38,38)的坐标点设置为业务热点，越靠近业务热点，任务区域的重要度越大，覆盖效用越高，这直接决定了无人机的部署。这里三组坐标(10,35),(35,10),(38,38)中，括号内逗号左边的数字表示横坐标，括号内逗号右边的数字表示纵坐标。
本发明基于地面任务的差异性，结合多无人机协同部署问题，考虑空地链路特性、无人机之间相互作用等因素，设计出该无人机群三维部署方法，得出最佳部署决策，以最大化覆盖效用，减少能量损耗。
进一步地，所述两个阶段具体分为第一阶段和第二阶段；
考虑将无人机三维部署方法分为无人机部署和功率分配两个阶段，所述第一阶段为无人机部署阶段，在该阶段中，无人机群以最大功率进行位置部署，调整无人机的三维位置实现覆盖效用最大化，该阶段具体包括：考虑实际物理通信模型和地面任务分布差异性，定义所述无人机群中的所有无人机组成的集合为N，对于任意无人机 n∈N，其中，n为正整数且表示无人机的编号，将无人机n的覆盖效用设计成其对全局效用的边际贡献u1n(ln,l-n)，该边际贡献u1n(ln,l-n)如公式(1)所示：
其中，ln表示无人机n的三维位置(xn,yn,hn)，l-n表示除无人机n∈N之外无人机群中的其他的无人机的位置，在(xn,yn,hn)中被逗号隔开的三个数字，自左向右分别表示无人机n的横坐标、无人机n的纵坐标和无人机n的高度坐标，I表示总的覆盖目标区域，i是目标任务点，ρi表示目标任务点i的重要度，ρi值越大，代表目标任务点i的重要度越高；k∈Nn代表无人机集合N中除了无人机n以外的无人机；qi(lk)代表无人机k∈Nn在位置是lk时对目标任务点i的覆盖成功的概率， qi(ln)代表无人机n∈N在位置是ln时对目标任务点i的覆盖成功的概率，该qi(ln)如公式(2)所示：
其中，
进一步地，作为无人机部署阶段的所述第一阶段结束后进入第二阶段，所述第二阶段为功率分配阶段，该功率分配阶段包括保持第一阶段中无人机群的无人机部署不变，并调整无人机传输功率使能源效率最大化；该功率分配阶段具体包括：在满足任务区域，即地面任务的区域最低通信需求τ的条件下，对无人机n构建了如公式(3)所示的基于能量效率的边际效用函数u2n(pn,p-n)：
其中，pn表示无人机n的传输功率状态，p-n表示除无人机n∈N之外无人机群中的其他的的传输功率，qi(pn)代表无人机n∈N在功率是pn时对目标任务点i的覆盖成功概率，qi(pk)表示无人机k∈Nn对目标任务点i的覆盖成功概率，因此，所述第二阶段通过优化无人机n的功率状态pn的选择策略从而最大化无人机群对任务区域的总覆盖能量效率。
一种能量效率知觉的无人机群三维部署方法，该方法基于对数线性学习而具体包括以下步骤：
步骤1：初始化，所述初始化包括：设置无人机状态集，所述无人机状态集包括无人机群中各个无人机n的三维位置和输出功率，初始化无人机群中各个无人机n的三维位置和输出功率均为NULL，利用高斯分布设定目标任务点i的ρi并生成作为作为总的覆盖目标区域的任务区域I，设置迭代次数的最大值K，K为正整数，K大于无人机群中的无人机的总数量；
步骤2：执行第一阶段实现在最大传输功率下的无人机群的三维空间最优部署；所述步骤2具体包括如下步骤：
步骤2-1：设定迭代次数的变量为i，i的初始值为0；
步骤2-2：从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n，将其载波传输功率pn调整到最大；
步骤2-3：从无人机n的可选位置集合S1n中随机选一个三维位置 ln作为当前位置，更新此时的无人机位置为(xn,yn,hn)，无人机群中的其他无人机位置状态不变，这里的可选位置集合S1n包含有该无人机n 的可选位置；
步骤2-4：根据公式(1)计算所选无人机n在其当前位置下的效用值u1n(ln(i),l-n(i))和所选无人机n在其预期位置下的效用值
步骤2-5:若迭代次数的变量的值小于迭代次数的最大值K，就返回步骤2-2中执行，若迭代次数的变量的值不小于迭代次数的最大值 K，就执行步骤2-6；
步骤2-6：比较当前无人机群中的总计所有无人机的效用值后得到的无人机群的总覆盖效用U与作为预先设定的最低通信需求的通信门限τ相比，若U≥τ，保存当前无人机群状态集，并进入步骤3 来执行第二阶段且把迭代次数的变量i的值归零；否则，终止执行所述能量效率知觉的无人机群三维部署方法；
步骤3：执行第二阶段实现在最大覆盖效用下的无人机群最优功率分配。所述步骤3具体包括如下步骤：
步骤3-1:保持第一阶段实现的在最大传输功率下的无人机群的三维空间最优部署不变；
步骤3-2：从无人机群中的所有无人机组成的集合N中随机选择一个未被之前随机选择出的无人机n；
步骤3-3:从所选出的无人机n的功率集合S2n中随机选择一输出功率pn作为当前功率，无人机群中的其他无人机的输出功率不变，这里的功率集合S2n包含有无人机n可用的输出功率；
步骤3-4:所选无人机n根据公式(3)计算其在当前功率下的效用值u2n(pn(i),p-n(i))和在预期功率下的效用值
步骤3-5：输出当前的无人机状态集作为最优的联合状态策略集
所述公式(4)为：
所述公式(5)为：
所述ln(i)和
以下将结合具体实施例对本发明做进一步地说明。
实施例1
本发明的一个实施例具体描述如下，运行能量效率知觉的无人机群三维部署方法的无人机的系统仿真采用Matlab语言，参数设定不影响一般性。该实施例验证所提模型与方法的有效性，本实施例对上述参数作以下设置：视距链路LOS和非视距链路NLOS下阴影衰落的均值分别为μLos＝1dB，μNLos＝20dB，视距链路LOS和非视距链路 NLOS下阴影衰落的方差分别为
在本实施例中，图3是不同数量的无人机覆盖总效用对比图。图 4是6架无人机的位置部署效果图。图3表示在提出的算法下不同数量的无人机总覆盖效用的变化曲线，可以了解到只要部署超过4架无人机，最终结果都能都能收敛到一个稳定的，理想的状态。但是，当部署4架时，总覆盖效用达不到通信门限0.6，故而不能执行步骤3。图4是6架无人机最大覆盖效用下的最优功率控制图。分析此图可得知，第一，无人机群的部署很好地对应了任务区域重要度的分布特性，第二，该部署很好地反映了边际效用的特性，每个无人机都专注于最大化全局效用的边际贡献。因此，会有3架高飞无人机率先覆盖大部分重要区域，其他3架无人机相应地降低高度，缩小覆盖范围以提高重要区域点的覆盖成功概率。6架无人机虽然只是只顾己身地优化自身的效用但是通过他们之间覆盖概率的相互影响，整体的覆盖效用也得以提高。总之，可以认为3架低飞无人机是对3架高飞无人机覆盖效用的补偿，从而减少能量损耗，这是符合现实情况的。
以上以用实施例说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。
