一种无人机阵列三维位置部署方法及系统

1.本发明属于无人机阵列部署技术领域，具体涉及一种无人机阵列三维位置部署方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着移动网络的发展以及互联网技术的兴起，人们对其的使用呈现爆炸式增长。随时随地地上网浏览信息，在线观看高清视频已经成为常态。这些多媒体业务对通信基础设施服务能力提出了非常高的要求。在某些特殊场合，传统的地面基站无法满足变化多样的通信需求。比如，一些演唱会或者体育赛事等临时性活动区域，由于地面用户数量的剧增，对移动网络需求的急剧增长，会导致地面通信设施拥塞及瘫痪的情况。
4.一种解决方案是在大型活动举办前提前部署更多的通信基础设施，但是这种只适用于持续时间长的大型活动，对于持续时间短的活动，这种方案会浪费大量的人力物力；第二种方案是通过临时部署应急通信车来应对剧增的用户，但是通信车来应对剧增的用户，但是通信车会受地理位置的限制，无法部署在最优的位置而影响其通信效率。综上所述，传统的基站静态部署已经难以满足移动网络的需求，灵活机动的基站优化部署亟待发展。
5.相比于传统的地面通信系统，通过无人机搭载无线通讯基站设备形成空中移动基站，具有很多优势。首先由于无人机的强机动性，无人机可以快速飞到目标区域上空为其提供通信覆盖，尤其在地面无法到达的区域，无人机则可以快速部署并提供服务；其次无人机在空中具有较好的视野，比起地面通信设施，无人机对地面通信衰减较低，能提供大范围且高质量的覆盖；最后无人机具有较强的可操作性，能够根据环境变化、用户位置或者通信需求变化，实时调整其位置和通信策略，从而提供灵活高效的通信服务。
6.鉴于无人机在通信领域的这些应用优势，用无人机来代替传统的静态基站，但是无人机的有限续航能力是无人机应用于通信领域的最大限制，提升无人机的能量效率和服务续航对于无人机的通信覆盖具有很大的意义。首先，无人通信不仅要考虑通信信道的特性，还要考虑无人机本身的飞行特性；其次，无人机通信涉及多方面的因素，包括发射功率控制、飞行动力机功耗、飞行轨迹规划、部署和移动策略等方面，如何结合这么多因素综合考虑无人机的通信策略和移动策略有重要意义；最后，多无人机协同能够在一定程度上提升系统的通信覆盖能力，且也是突破单个无人机有限续航的有效方法。但是多无人机之间的协同位置放置是首要考虑解决的问题。


技术实现要素：

7.本发明为了解决上述问题，提出了一种无人机阵列三维位置部署方法及系统，本发明最大化所有无人机的覆盖效用，最小化所有无人机的能量消耗。
8.根据一些实施例，本发明采用如下技术方案：
9.一种无人机阵列三维位置部署方法，包括以下步骤：
10.构建最大化无人机的总覆盖效用和最小化所有无人机的能耗的多目标优化函数，以及其约束条件；
11.根据地面用户的数量和位置，对地面用户进行聚类，形成分簇；
12.基于分簇结果，对无人机的数量、位置和速度进行初始化；
13.在约束条件下对多目标优化函数进行迭代求解，直至找到最优解，根据最优解部署各无人机的三维位置。
14.作为可选择的实施方式，所述多目标优化函数为：
[0015][0016]
f1为第一个目标，即最大化所有无人机服务的用户数量，f2为第二个目标，即最小化无人机的能量消耗以延长整个网络的寿命；
[0017][0018][0019][0020][0021][0022]
其中，决策变量为其中，决策变量为其中，决策变量为分别表示构成无人机阵列所需的无人机数量、每个无人机的三维位置以及每个无人机的飞行速度，n表示地面用户的个数；l
k,n
是第k个无人机覆盖第n个用户的标志，l
k,n
＝1表示与第k个无人机覆盖第n个用户，n表示地面用户的个数；l
k,n
是第k个无人机覆盖第n个用户的标志，l
k,n
＝1表示与第k个无人机覆盖第n个用户；μ∈[0,1]，μ＝1表示无人机处于悬停状态，为构成无人机阵列的时间，表示无人机是否存在高度变化带来的能量消耗,是无人机飞行的水平距离，通过无人机的三维位置计算出来，表示水平位置引起的能量消耗，e
vert
是垂直方向引起的能量消耗，表示无人机飞行消耗的功率，表示无人机盘旋所消耗的功率，表示无人机的飞行时间。
[0023]
作为可选择的实施方式，所述约束条件包括各无人机需要在给定的目标区域内移
动，无人机的速度不能超过无人机额定功率所对应的速度值，无人机的悬停/飞行时间不能超过最大的时间，无人机之间的距离需要满足无碰撞的安全距离，每个用户设备只能和一个无人机建立通信，以及各无人机的连接用户数量最大限制约束。
[0024]
作为可选择的实施方式，对地面用户进行聚类，形成分簇的具体过程包括：利用基于角色确定算法对地面用户进行聚类，每个用户被初始化各自的角色，即是否作为簇心，每个用户会向其他用户广播他们的角色信息，当某个用户收到其他用户的角色信息时，就会获得一个簇分布，该用户会广播自己的信息且接收其他用户的信息，并根据欧式距离加入最近的簇，并计算随机数，在随机数基础上进行衰减，直到到达设定阈值后，各用户按照一定的概率改变当前角色，不断优化、更新簇。
[0025]
作为可选择的实施方式，基于分簇结果，对无人机的数量、位置和速度进行初始化的具体过程包括：根据分簇结果中，每个簇的簇重要度初始化无人机的数量；根据选中的簇的簇心位置与簇内用户的距离，利用正态分布概率函数对无人机的位置进行初始化；鉴于每个无人机到达最优位置的时间不同，根据最后一个无人机的到达时间建立其他无人机的能量模型，初始化无人机的速度。
[0026]
作为可选择的实施方式，在约束条件下对多目标优化函数进行迭代求解的具体过程包括：利用多目标灰狼优化算法进行求解，在猎物搜索时，根据适应度函数值选出排名前三个最优解，作为领导层的灰狼，带领其他灰狼进行捕猎，且灰狼接近猎物的方式采用正余弦优化算法，对于每个搜索代理的位置更新，即其他灰狼的位置由三位领导者的位置决定，并应用莱维飞行策略更新位置。
[0027]
作为进一步的限定，在迭代的过程中，获得的非支配解和其他成员进行比较，更新存档，再根据轮盘赌法重新选择群体中的领导者。
[0028]
一种无人机阵列三维位置部署系统，包括：
[0029]
多目标优化函数构建模块，被配置为构建最大化无人机的总覆盖效用和最小化所有无人机的能耗的多目标优化函数，以及其约束条件；
[0030]
用户分簇模块，被配置为根据地面用户的数量和位置，对地面用户进行聚类，形成分簇；
[0031]
初始化模块，被配置为基于分簇结果，对无人机的数量、位置和速度进行初始化；
[0032]
迭代求解模块，被配置为在约束条件下对多目标优化函数进行迭代求解，直至找到最优解，根据最优解部署各无人机的三维位置。
[0033]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
[0034]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
[0035]
与现有技术相比，本发明的有益效果为：
[0036]
本发明可以解决多目标问题，即最大化所有无人机的覆盖效用，最小化所有无人机的能量消耗。
[0037]
本发明在建立优化目标时，考虑了多种约束条件，使得最优解能够符合实际应用，更符合应用要求。
[0038]
本发明在求解时，利用正余弦优化算法、莱维飞行策略对多目标灰狼优化算法进
行改进，显著提升寻优的准确率。
[0039]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0040]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0041]
图1为本实施例的部署原则示意图；
[0042]
图2为本实施例的流程示意图。
具体实施方式
[0043]
下面结合附图与实施例对本发明作进一步说明。
[0044]
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0045]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0046]
如图1所示，本发明考虑的是对于某一需要固定覆盖的区域，找到最佳数量的无人机进行位置部署，保证覆盖效用最大化(覆盖尽可能多的用户)的同时消耗最少的能量。
[0047]
给定一个目标区域，在该区域中存在着需要进行应急任务处理且连接不到基站的用户，利用无人机作为移动基站，在目标区域上方进行悬停缓解这种状况。然而对于单无人机系统来说，无人机需要在目标区域上方飞行以链接不同的用户，并且由于无人机有限的电量以及有限的覆盖范围，会降低无人机基站的服务质量。因此，采用多无人机阵列，通过多无人机之间的协作构成无人机网络，多个无人机同时与不同的地面用户进行链接，提高无人机网络的服务质量。
[0048]
本发明需要在无人机的覆盖效用和能耗之间存在权衡。因此，本发明要确定无人机阵列的节能部署，联合优化无人机的数量、3d位置和速度，以提供无线覆盖。在多无人机辅助的网络中建立了覆盖效用和能量多目标优化问题(cuemop)，以同时最大化无人机的总覆盖效用和最小化所有无人机的运动和悬停能耗。鉴于所提出的cuemop问题的复杂性和np-hard特性，基于levy flight、sine和cosine(lsc)方法的思想，提出了一种改进的多目标灰狼优化算法(lscmogwo)。
[0049]
如图2所示，基于多目标优化的高能效无人机阵列三维位置部署方法，包括以下步骤：
[0050]
步骤一：初始化地面用户的数量、位置，且不均匀分布在一固定区域。我们建模覆盖效用和能量多目标优化问题(cuemop)，以同时最大化无人机的总覆盖效用和最小化所有无人机的运动和悬停能耗。
[0051]
步骤二：设计角色决定(rd)算法对地面用户进行聚类，地面设备会被分成若干个
簇c，且每个用户只属于一个簇。得到分簇的结果，包括簇的数量，簇心的位置，簇内所含地面用户的数量。
[0052]
步骤三：基于rd算法的结果，利用lscmogwo算法进行无人机阵列的部署。首先利用基于角色确定(rd)算法的正态分布解初始化对无人机的数量、位置和速度进行初始化。提出簇重要度的概念，根据每个簇的簇重要度初始化无人机的数量；根据选中的簇的簇心位置与簇内用户的距离，利用正态分布概率函数对无人机的位置进行初始化；鉴于每个无人机到达最优位置的时间不同，根据最后一个无人机的到达时间建立其他无人机的能量模型，初始化无人机的速度。
[0053]
步骤四：初始化之后是利用lsc解更新算子进行解的更新。猎物搜索时，根据适应度函数值选出排名前三个最优解，作为领导层的灰狼，带领其他灰狼进行捕猎，与传统mogwo算法不同的是，接近猎物的方式我们采用sca算法的思想，以避免陷入局部最优。对于每个搜索代理的位置更新，即其他灰狼的位置由三位领导者的位置决定，但是自己本身也要有开发和探索的能力，避免陷入局部最优的情况，所以我们应用莱维飞行策略更新位置。
[0054]
步骤五：在迭代的过程中，获得的非支配解和档案中的成员进行比较，更新存档。之后根据轮盘赌法重新选择群体中的领导者。在多目标搜索空间中，由于帕累托最优的概念，解不能轻易地被比较。所以领导选择机制被用来解决这个问题。最终得到的存档即为最终解。
[0055]
其中，步骤一种的多目标优化函数为：
[0056][0057]
f1为第一个目标，即最大化所有无人机服务的用户数量，f2为第二个目标，即最小化无人机的能量消耗以延长整个网络的寿命；
[0058][0059][0060][0061][0062][0063]
其中，决策变量为其中，决策变量为其中，决策变量为分别表示构成无人机阵列所需的无人机数量、每个无人机的三维位置以及每个无人机的飞行速度，n表示地面用户的个数；l
k,n
是第k个无人机覆盖第n个用户的标志，l
k,n
＝1表示与第k个无人机覆盖第n个用户，n表示地面用户的个数；l
k,n
是第k个无人机覆盖
第n个用户的标志，l
k,n
＝1表示与第k个无人机覆盖第n个用户；μ∈[0,1]，μ＝1表示无人机处于悬停状态，为构成无人机阵列的时间，表示无人机是否存在高度变化带来的能量消耗,是无人机飞行的水平距离，通过无人机的三维位置计算出来，表示水平位置引起的能量消耗，e
vert
是垂直方向引起的能量消耗，表示无人机飞行消耗的功率，表示无人机盘旋所消耗的功率，表示无人机的飞行时间。
[0064]
t
perf
是从无人机初始化位置开始到最后一个无人机到达目标位置的时间，如果有无人机提前到达目标位置，就要在原地悬停等候。本实施例忽略了无人机在垂直方向上的飞行时间，但是上下移动时所消耗的能量是不能被忽略的。
[0065]
优化目标成为多目标优化问题(即cuemop)，即找到最大覆盖率的驻停点同时最小化运动过程中的能量。
[0066][0067][0068][0069]
0≤vk≤argp
rated
(v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0070][0071][0072][0073]dk,k
′
(t)《r
opt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0074]
其中约束(1)-(3)表示无人机要在给定的目标区域内移动；约束(4)表示无人机的速度不能超过无人机额定功率所对应的速度值，这个值可以通过功率曲线得知；约束(5)表示无人机的时间不能超过最大的时间；约束(6)表明每个设备最多与一个无人机建立连接，表示最大的横坐标边界，表示最小的横坐标边界，v
me
表示无人机飞行功率最小时所对应的速度；约束(7)表示一个无人机可以连接的用户数量是有限的，ξ
k,n
是分配给第n个用户的数据速率，bk是无人机k可用的数据速率；约束(8)表达了无人机间的无碰撞的安全距离。
[0075]
步骤二中，每个用户被初始化各自的角色，即是否作为簇心。然后每个用户会向其他用户广播他们的角色信息。当一个用户(用户i)收到其他用户的角色信息时，就会获得一个簇分布ρ，这时该用户会广播自己的信息且接收其他用户的信息。之后根据欧式距离加入最近的簇，并计算r
ρ
(i)(i＝1,2,
…
,n(ρ))：
[0076][0077]rρ
(i)表示最低簇内距与簇外距的比值，m
ji
表示第i个簇心与第j个簇心的距离，ei表示第i个簇内所有地面用户与簇心的平均距离，ej表示第j个簇内所有地面用户与簇心的平均距离。
[0078]
每个移动用户会产生一个遵循指数分布的随机数，且它们的均值是一个正数。每个用户在各自生成的随机数基础上进行衰减，到达某一阈值后，用户会按照一定的概率p
ff
′
改变当前的角色，依概率p
ρρ
′
改变角色，即从非簇心变成簇心或者簇心变成非簇心。依概率1-p
ρρ
′
保持当前的角色状态。如果用户保持角色，它将会重新生成一个遵循指数分布的随机数并衰减。若用户改变了当前的角色状态，就会产生一个新的簇分布ρ
′
。该用户会向其他的用户广播此新的簇分布并产生新的随机数重新开始衰减过程。当其他的用户接收到新的簇分布ρ
′
，它们会各自计算r
ρ
′
(i)(i＝1,2,
…
,n(ρ
′
)，随即开始它们的衰减过程。当一个用户的衰减过程结束，转变角色的概率就会被重新计算：
[0079][0080]
ρρ
′
表示簇分布ρ转换到ρ
′
的概率，β是一个正实数，n(ρ)表示簇分布ρ下的簇的个数，r
ρ
(i)表示最低簇内距与簇外距的比值。
[0081]
设表示所有可行的ρ的集合，为了获得最优的簇分布，就需要最大化fit(ρ)，即
[0082][0083]
步骤三中，利用基于角色确定(rd)算法的正态分布解初始化对无人机的数量、位置和速度进行初始化。在决策变量中包含所用无人机的数量和每个无人机的位置，首先初始化候选无人机的数量等于簇的个数n
cluster
，定义无人机的状态为ui＝1表示无人机被需要，否则无人机不被考虑。
[0084]
这里再定义一个簇重要度其与簇内用户的个数成正比，即簇内的所含设备越多，该簇的重要度越高。则第i个无人机被需要的概率由簇的重要度、簇之间的距离决定，当重要度越大，与第j个簇的距离越小，被需要的概率越大。通过上述操作我们可以得知被需要的无人机的个数和编号，此编号同时也对应着簇的编号，通过rd算法得知了每个簇心的位置，所以通过簇心的位置来初始化被需要的无人机的水平坐标，我们设想以此簇心为圆心，每个设备与簇心的距离为半径，会有若干个同心圆，那么无人机落在不同区域的位置的概率我们采用正态分布来计算：
[0085]
将当前簇心位置作为均值，σ为方差，表示簇内第k个用户与第i个簇的距离，表示第i个簇所含地面用户的个数。
[0086]
方差为该簇内用户与簇心的平均距离。那么第i个无人机的水平位置
[0087][0088]
根据这个概率密度公式，可以计算无人机落在某个区域的概率，进而可以得出无人机的水平位置。给出最佳仰角θ
opt
和初始最佳覆盖半径r
ini
，可以得出平均路径损失ξ
k,n
和初始高度h
ini
＝r
ini
tan(θ
opt
)。由于无人机的速度影响无人机的能量，且无人机从起始点到初始化的位置的距离是可以得知的，我们利用水平移动的能量公式来初始化每个无人机的位置。由于无人机到达目标位置的时间是不一样的，我们先假设所有无人机只有飞行所消耗的能量，得出导数为0所对应的速度值。根据每个无人机的飞行距离算出飞行时间，将最大的飞行时间设为总时间，其他的无人机会悬停，再根据加上悬停的能量消耗公式，算出各自无人机的速度。
[0089]
步骤四中，初始化后利用lsc解更新算子进行解的更新。根据适应度函数值选出排名前三个最优解，作为领导层的灰狼，带领其他灰狼进行捕猎，接近猎物的方式我们采用sca算法的思想，以避免陷入局部最优，公式如下：
[0090]
其中i＝{1,2,3},j＝{α,β,δ}
[0091]
其中，分别表示alpha狼、beta狼、delta狼的位置；表示alpha狼、beta狼、delta狼的前进方向和步长；alpha狼、beta狼、delta狼的前进方向和步长；r
i4
是[0,1]间的随机数。
[0092]
然后，对于每个搜索代理的位置更新，即其他灰狼的位置由三位领导者的位置决定，但是自己本身也要有开发和探索的能力，避免陷入局部最优的情况，所以我们应用莱维飞行策略更新位置，即：
[0093][0094]
其中r5是[0,1]间的随机数；为除alpha狼、beta狼、delta狼之外的普通灰狼在第(t 1)次迭代时的位置。通过该算法，无人机阵列可以部署在最佳位置。
[0095]
将目标函数作为适应度函数，即f＝(-f1,f2)，根据适应度函数值选出排名前三个最优解，作为领导层的灰狼，带领其他灰狼进行捕猎，接近猎物的方式我们采用sca算法的思想，以避免陷入局部最优；其他灰狼的位置由三位领导者的位置决定，但是自己本身也要有开发和探索的能力，避免陷入局部最优的情况，所以我们应用莱维飞行策略更新位置。在迭代的过程中，获得的非支配解和档案中的成员进行比较，更新存档。之后根据轮盘赌法重新选择群体中的领导者。在多目标搜索空间中，由于帕累托最优的概念，解不能轻易地被比
较。所以领导选择机制被用来解决这个问题。正如上面所提出的，已经有一个由最佳非支配解构成的存档。领导选择机制要选择搜索空间中最拥挤的段并且提供非支配解中的一个作为alpha,beta,delta狼。直至迭代结束，最终获得的档案即为解。
[0096]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0097]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0098]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0099]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0100]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。