一种基于三维轨迹功率优化的无人机通信抗干扰方法转让专利
申请号 : CN202110609006.9
文献号 : CN113490176B
文献日 : 2022-05-13
发明人 : 王克浩 , 卢永光
申请人 : 武汉理工大学
摘要 :
权利要求 :
1.一种基于三维轨迹功率优化的无人机通信抗干扰方法,其特征在于,包括以下步骤:步骤1:在三维笛卡尔坐标系中,引入无人机任务起点三维坐标、无人机任务终点三维坐标、地面基站三维坐标、干扰源参数数据集、无人机参数数据集、无人机三维轨迹坐标点集合、无人机发射功率点集合、信道参数数据集,根据无人机轨迹点三维坐标与地面基站三维坐标构建无人机地面基站信道模型,根据干扰源三维坐标与地面基站三维坐标构建干扰源地面基站信道模型;
步骤2,引入任务场景数据集,通过无人机飞行轨迹相关的约束条件、无人机发射功率相关的约束条件、无人机最低的任务吞吐量需求约束条件构建无人机约束条件,计算平均吞吐量、平均干扰面积指标,通过平均吞吐量、平均干扰面积指标的加权差构建原始目标函数,以原始目标函数最大化为优化目标,结合无人机约束条件,将步骤1中所述的无人机三维飞行轨迹集合和无人机发射功率集合作为优化变量求解,以构建原始优化问题数学模型,在原始优化问题中通过引入松弛变量及其相关的约束条件,以构建简化的优化问题数学模型;
步骤3,将简化的优化问题数学模型根据块坐标下降算法解耦为飞行轨迹优化目标子问题以及发射功率优化目标子问题;将飞行轨迹优化目标子问题通过松弛变量方法、连续凸逼近算法原理转变为飞行轨迹优化标准凸问题;
步骤4,引入算法收敛精度参数,通过结合块坐标下降算法和连续凸逼近算法交替迭代地求解优化目标变量;所述优化目标变量包括无人机飞行轨迹点集合、无人机发射功率集合。
2.根据权利要求1所述的基于三维轨迹功率优化的无人机通信抗干扰方法,其特征在于,
T
步骤1所述无人机任务起点三维坐标,定义为:qstart=[xs,ys,zs];
其中,xs,ys,zs分别表示在三维笛卡尔坐标系中任务起点的横坐标、在三维笛卡尔坐标系中任务起点的纵坐标、在三维笛卡尔坐标系中任务起点的高度;
T
步骤1所述无人机任务终点三维坐标,定义为:qend=[xe,ye,ze];
其中,xe,ye,ze分别表示在三维笛卡尔坐标系中任务起点的横坐标、在三维笛卡尔坐标系中任务起点的纵坐标、在三维笛卡尔坐标系中任务起点的高度;
T
步骤1所述地面基站三维坐标,定义为:qB=[xB,yB,zB];
其中,xB,yB,zB分别表示在三维笛卡尔坐标系中地面基站的横坐标、在三维笛卡尔坐标系中地面基站的纵坐标、在三维笛卡尔坐标系中地面基站的高度;
步骤1所述干扰源参数数据集,定义为:J={qJ,PJ};
T
其中,qJ=[xJ,yJ,zJ]为干扰源三维坐标,xJ,yJ,zJ分别表示在三维笛卡尔坐标系中干扰源的横坐标、在三维笛卡尔坐标系中干扰源的纵坐标、在三维笛卡尔坐标系中干扰源的高度,PJ为干扰源发射功率;
步骤1所述无人机参数数据集,定义为:U={Vmax,Ppeak,Pave,T,Δt,Hmin,Hmax};
其中,Vmax表示无人机最大飞行速度,Ppeak表示无人机峰值发射功率,Pave表示无人机平均发射功率,T表示无人机任务时间,Δt表示离散化时间间隔,Hmin为无人机最低飞行高度,Hmax为无人机最高飞行高度;
将连续的时间离散为N个相等时间间隔的时隙,所以时隙总数N=T/Δt;
步骤1所述无人机轨迹点三维坐标集合,即需要求解的优化变量;表示为:Q={q[n],n=1,...,N}T
q[n]=[x[n],y[n],z[n]]其中,n表示第n个时隙,x[n],y[n],z[n]分别表示在第n个时隙无人机自身在三维笛卡尔坐标系中的横坐标、第n个时隙无人机自身在三维笛卡尔坐标系中的纵坐标、第n个时隙无人机自身在三维笛卡尔坐标系中的飞行高度;
步骤1所述无人机自身的发射功率集合,也是需要求解的优化变量;表示为P={p[n],n=1,...,N}其中,p[n]表示无人机在第n个时隙的发射功率;
步骤1所述信道参数数据集,定义为:C={B,β0,β1,k,ε,N0}其中,B表示信道带宽,β0表示无人机与地面基站在单位距离上的信道功率增益,β1表示无人机与其他受到无人机干扰的地面设备在单位距离上的信道功率增益,k表示干扰源与地面基站的非视距信道路径损耗指数,ε表示干扰源与地面基站之间非视距信道条件附加的衰减因子,N0是加性高斯白噪声信道的噪声功率谱密度;
步骤1所述无人机地面基站链路信道模型为视距条件信道,定义为:‑2
gu,b[n]=β0||q[n]‑qB||其中,gu,b[n]表示在第n个时隙,无人机地面基站链路的信道增益;
步骤1所述干扰源地面基站链路信道模型为非视距条件信道,定义为:‑k
gj,b=β0||qJ‑qB|| ε其中,gj,b表示干扰源与地面基站链路的信道增益。
3.根据权利要求2所述的基于三维轨迹功率优化的无人机通信抗干扰方法,其特征在于,
步骤2所述任务场景需求数据集,定义为D={Pc,Rmin,λ}其中,Pc表示受到无人机干扰的地面设备的抗干扰功率门限,Rmin表示无人机最低的平均任务吞吐量需求,λ为权重因子,用来衡量干扰面积在目标函数中所占比重;
步骤2所述无人机飞行轨迹相关的约束条件,定义为:||q[1]‑qstart||≤VmaxΔtq[N]=qend
其中,q[1]表示第一个时隙无人机的三维坐标向量,qstart为任务起点三维坐标向量,q[N]为最后一个时隙无人机的三维坐标向量,N为步骤1所述的时隙总数,qend为任务终点三维坐标向量,q[n]为第n个时隙(n=1,...,N)无人机的三维坐标向量,Vmax为无人机最大飞行速度,Δt为每个时隙的时间跨度,z[n]为无人机在第n个时隙的飞行高度,Hmin为无人机最低飞行高度,Hmax为无人机最高飞行高度;
步骤2所述无人机发射功率相关的约束条件,定义为:其中,p[n]为第n个时隙(n=1,...,N)无人机的发射功率,Ppeak为无人机峰值发射功率,N为时隙总数,Pave为在整个任务时间上无人机的平均发射功率;
步骤2所述无人机最低的平均任务吞吐量需求约束条件,根据香农信道容量公式,定义为:
其中,N为步骤1所述的时隙总数,B为信道带宽,p[n]为第n个时隙(n=1,...,N)无人机的发射功率,gu,b[n]为步骤1所述,第n个时隙无人机地面基站链路的信道增益,PJ为干扰源发射功率,gj,b为步骤1所述,干扰源与地面基站链路信道增益,N0为加性高斯白噪声信道的噪声功率谱密度,Rmin为最低的平均任务吞吐量需求;
步骤2所述无人机平均吞吐量指标,定义为:其中,N为步骤1所述的时隙总数,B为信道带宽,p[n]为第n个时隙(n=1,...,N)无人机的发射功率,gu,b[n]为步骤1所述,第n个时隙无人机地面基站链路的信道增益,PJ为干扰源发射功率,gj,b为步骤1所述干扰源地面基站链路信道增益,N0为加性高斯白噪声信道的噪声功率谱密度;
步骤2所述无人机平均干扰面积指标,由于考虑无人机搭载向下的各向同性天线,所以干扰面积指标可以定义为:
其中,N为步骤1所述的时隙总数,β1是无人机与受到无人机干扰的现有地面设备链路在单位距离上的信道功率增益,Pc为这些地面设备的抗干扰功率门限,p[n]为第n个时隙(n=
1,...,N)无人机的发射功率,z[n]为第n个时隙无人机的飞行高度;事实上,干扰面积大小不能取负值,所以在每个时隙通过一个取最大值的运算来保证非负性,但这样也使得干扰面积指标并不是一个连续的函数;
步骤2所述原始优化目标函数,定义为:其中,λ为权重系数,用来衡量干扰面积的影响;可见,目标函数中含有非连续项,为了便于后续处理,引入松弛变量来简化目标函数;
步骤2所述引入松弛变量后的优化目标函数变为:其中V={V[1],...,V[N]},为引入的松弛变量;
步骤2所述与引入松弛变量相关的约束条件为:步骤2所述简化后的优化模型构建为:优化目标函数为引入松弛变量后的优化目标函数,优化变量为无人机三维飞行轨迹Q,无人机发射功率P,松弛变量V,约束条件为步骤2 所述的无人机飞行轨迹约束,发射功率约束,最小平均任务吞吐量约束以及松弛变量约束条件。
4.根据权利要求3所述的基于三维轨迹功率优化的无人机通信抗干扰方法,其特征在于,
步骤3所述飞行轨迹优化目标子问题包括:完整的经过松弛变量处理后的目标函数模型、步骤1中所述的飞行轨迹集合和步骤2所述松弛变量V作为优化变量、步骤2所述的无人机飞行轨迹约束条件,无人机最低的平均任务吞吐量需求和引入松弛变量附加的两个约束条件作为总的约束条件;
步骤3所述发射功率优化目标子问题包括:完整的经过松弛变量处理后的优化目标函数模型、步骤1中所述的无人机发射功率集合和步骤2所述松弛变量V作为优化变量、步骤2所述的无人机功率约束条件,无人机最低的平均任务吞吐量需求和引入松弛变量附加的两个约束条件作为总的约束条件,此问题为标准凸问题的形式;
步骤3所述通过松弛变量方法、连续凸逼近算法原理转变为飞行轨迹优化标准凸问题,具体为:
为了便于使用连续凸逼近算法,需要首先处理步骤2所述的无人机最低平均任务吞吐量需求约束条件和步骤2所述的松弛变量V相关的两个约束条件,因为这三个约束条件中包含吞吐量表达式,而吞吐量表达式中包含步骤1所述的无人机和基站之间的距离表达式,这个表达式含有多个变量且位于分子项,不利于使用连续凸逼近算法,因此通过再引入一个松弛变量来简化这三个约束条件;然后再使用连续凸逼近算法将飞行轨迹优化子问题转化为飞行轨迹优化标准凸问题;
步骤3所述飞行轨迹优化标准凸问题,具体为:||q[1]‑qstart||≤VmaxΔtq[N]=qend
其中,t={t[1],...,t[N]}为新引入的松弛变量,tfea={tfea[1],...,tfea[N]}为使用连续凸逼近算法需要的,和松弛变量t相关的泰勒展开点,zfea={zfea[1],...,zfea[N]}为使用连续凸逼近算法需要的,和无人机飞行高度相关的泰勒展开点,第四个约束条件为和松弛变量t相关的约束条件;其余符号定义如下:Q为步骤1所述无人机飞行轨迹点集合,V为步骤2所述引入的松弛变量,N为步骤1所述时隙总数,B为信道带宽,p[n]为无人机在第n个时隙的发射功率,λ为权重系数,z[n]为无人机在第n个时隙的飞行高度,相应地,Hmin表示最低飞行高度,Hmax表示最高飞行高度;β1表示无人机到其他受到无人机干扰的地面设备在单位距离上的信道功率增益,Pc为受到无人机干扰的地面设备的抗干扰功率门限,Rmin为无人机的最低平均任务吞吐量,qB为步骤1所述地面基站三维坐标,q[n]为步骤1所述无人机在第n个时隙的三维轨迹坐标,相应地,q[1]为无人机在第一个时隙的三维轨迹坐标,q[N]为无人机在第N个时隙的三维轨迹坐标,qstart为步骤1所述无人机任务起点坐标,qend为步骤1所述无人机任务终点坐标,Vmax为无人机最大飞行速度,Δt为每个时隙的时间长度;为了便于表达,上述问题中γ0=β0/(PJgj,b+N0B),其中,β0为无人机与地面基站在单位距离上地信道功率增益,PJ为干扰源发射功率,gj,b为步骤1所述干扰源与地面基站之间的链路增益,N0是加性高斯白噪声信道的噪声功率谱密度,B为信道带宽。
5.根据权利要求4所述的基于三维轨迹功率优化的无人机通信抗干扰方法,其特征在于,
所述步骤4所述通过块坐标下降算法和连续凸逼近算法交替迭代地求解优化目标变量,具体为:
首先算法的整体结构是块坐标下降算法的结构,也就是先在固定的无人机发射功率集合下,使用CVX解决步骤3所述的飞行轨迹优化标准凸问题,更新步骤3所述松弛变量t和无人机飞行轨迹集合,然后再在更新后的飞行轨迹下,利用CVX解决无人机发射功率优化子问题,更新无人机发射功率集合;最后计算步骤2所述原始优化目标函数值,直到此目标函数值的相对增量小于算法收敛精度参数,算法终止,否则进行下一次迭代;
由于在飞行轨迹子问题中使用了连续凸逼近算法,所以在上述迭代过程中,在解决飞行轨迹优化标准凸问题之前还需要更新连续凸逼近算法的泰勒展开点,更新方式为tfea=k‑1 k‑1 k‑1 k‑1
t ,zfea=z ,其中t ,z 分别为上一次迭代的松弛变量t取值和无人机飞行高度向量取值。
说明书 :
一种基于三维轨迹功率优化的无人机通信抗干扰方法
技术领域
背景技术
地区、热点地区、灾后地区提供额外的数据容量。另一方面,无人机另一个重要用途是作为
空中用户接入现有网络,执行数据收集,监控等任务。无人机作为用户接入现有地面网络具
有三个显著的优势:第一,无人机和地面基站之间的信道特性以视距条件(LoS)为主,这可
以提供更大的信道容量,更高速率的数据传输;第二,无人机的移动性高度可控,可以通过
合理的轨迹设计来更快更有效的进行数据传输;第三,无人机灵活性高,可以面向实际的通
信场景,按需部署。事实上,在工业界也有很多无人机用于无线通信领域的尝试,比如谷歌
的Project Wing计划就是将无人机接入现有的蜂窝网。
不与无人机通信的地面设备干扰。常见的抗干扰措施有扩频通信、动态频谱分配或者使用
定向天线等技术。然而目前缺乏专门用于无人机通信的频谱,多数无人机仍和其他的IoT设
备共享频谱,频谱资源较为紧张,另外受限于承载能力和能耗需求,无人机也不宜搭载较多
的硬件设备来控制天线的转动。在这样的情况下,无人机的运动轨迹和发射功率是两个较
为方便控制的抗干扰措施,并且不需要额外的硬件设备,因此,可以通过合理的轨迹和功率
设计来增强抗干扰通信能力。目前,有许多关于轨迹和功率优化的研究来提供稳健的、节能
的抗干扰通信。然而,这些研究都忽略了无人机对其他现有的、不与无人机进行通信的地面
设备的影响。比如,要想提高无人机向地面基站传输信息这一链路的抗干扰能力,就需要无
人机降低飞行高度、靠近基站,增大发射功率。然而这些措施无疑会影响到其他的现有地面
设备,给他们带来不必要的干扰。并且在大多数情况下,无人机只知道和自己通信的地面基
站的位置而不知道飞行路径上其他地面设备的位置,因此具体减少无人机对某个特定的地
面设备的干扰也不现实。
地面设备的干扰之间的协调。
发明内容
曾考虑到的无人机抗干扰通信能力和无人机对其他现存的不与无人机通信的地面设备的
干扰之间的协调问题。其中,无人机的抗干扰通信能力使用平均吞吐量来衡量;由于不明确
不与无人机通信的地面设备的位置分布,本发明用平均干扰面积大小来衡量无人机对这些
地面设备的干扰程度(干扰面积越小,受影响的地面设备的数目就越少),所谓的干扰面积,
就是地面设备接收到来自于无人机的干扰功率超过自身抗干扰功率门限的区域大小,所
以,本发明也相当于考虑平均吞吐量和平均干扰面积之间的协调问题。
标点集合、无人机发射功率点集合、信道参数数据集,根据无人机轨迹点三维坐标与地面基
站三维坐标构建无人机地面基站信道模型,根据干扰源三维坐标与地面基站三维坐标构建
干扰源地面基站信道模型;
平均吞吐量、平均干扰面积指标,通过平均吞吐量、平均干扰面积指标的加权差构建原始目
标函数,以原始目标函数最大化为优化目标,结合无人机约束条件,将步骤1中所述的无人
机三维飞行轨迹集合和无人机发射功率集合作为优化变量求解,以构建原始优化问题数学
模型,在原始优化问题中通过引入松弛变量及其相关的约束条件,以构建简化的优化问题
数学模型;
连续凸逼近算法原理转变为飞行轨迹优化标准凸问题;
率集合;
源的高度,PJ为干扰源发射功率;
高度,Hmax为无人机最高飞行高度。
时隙无人机自身在三维笛卡尔坐标系中的飞行高度;
源与地面基站的非视距信道路径损耗指数,ε表示干扰源与地面基站之间非视距信道条件
附加的衰减因子,N0是加性高斯白噪声信道的噪声功率谱密度。
点三维坐标向量,q[n]为第n个时隙(n=1,...,N)无人机的三维坐标向量,Vmax为无人机最
大飞行速度,Δt为每个时隙的时间跨度,z[n]为无人机在第n个时隙的飞行高度,Hmin为无
人机最低飞行高度,Hmax为无人机最高飞行高度。
扰源发射功率,gj,b为步骤1所述,干扰源与地面基站链路信道增益,N0为加性高斯白噪声信
道的噪声功率谱密度,Rmin为最低的平均任务吞吐量需求。
扰源发射功率,gj,b为步骤1所述干扰源地面基站链路信道增益,N0为加性高斯白噪声信道
的噪声功率谱密度。
隙(n=1,...,N)无人机的发射功率,z[n]为第n个时隙无人机的飞行高度。事实上,干扰面
积大小不能取负值,所以在每个时隙通过一个取最大值的运算来保证非负性,但这样也使
得干扰面积指标并不是一个连续的函数;
2所述的无人机飞行轨迹约束,发射功率约束,最小平均任务吞吐量约束以及松弛变量约束
条件。
均任务吞吐量需求和引入松弛变量附加的两个约束条件作为总的约束条件;
低的平均任务吞吐量需求和引入松弛变量附加的两个约束条件作为总的约束条件,此问题
为标准凸问题的形式;
件中包含吞吐量表达式,而吞吐量表达式中包含步骤1所述的无人机和基站之间的距离表
达式,这个表达式含有多个变量且位于分子项,不利于使用连续凸逼近算法,因此通过再引
入一个松弛变量来简化这三个约束条件。然后再使用连续凸逼近算法将飞行轨迹优化子问
题转化为飞行轨迹优化标准凸问题。
为使用连续凸逼近算法需要的,和无人机飞行高度相关的泰勒展开点,第四个约束条件为
和松弛变量t相关的约束条件。其余符号定义如下:Q为步骤1所述无人机飞行轨迹点集合,V
为步骤2所述引入的松弛变量,N为步骤1所述时隙总数,B为信道带宽,p[n]为无人机在第n
个时隙的发射功率,λ为权重系数,z[n]为无人机在第n个时隙的飞行高度,相应地,Hmin表示
最低飞行高度,Hmax表示最高飞行高度。β1表示无人机到其他受到无人机干扰的地面设备在
单位距离上的信道功率增益,Pc为受到无人机干扰的地面设备的抗干扰功率门限,Rmin为无
人机的最低平均任务吞吐量,qB为步骤1所述地面基站三维坐标,q[n]为步骤1所述无人机
在第n个时隙的三维轨迹坐标,相应地,q[1]为无人机在第一个时隙的三维轨迹坐标,q[N]
为无人机在第N个时隙的三维轨迹坐标,qstart为步骤1所述无人机任务起点坐标,qend为步骤
1所述无人机任务终点坐标,Vmax为无人机最大飞行速度,Δt为每个时隙的时间长度。为了
便于表达,上述问题中γ0=β0/(PJgj,b+N0B),其中,β0为无人机与地面基站在单位距离上地
信道功率增益,PJ为干扰源发射功率,gj,b为步骤1所述地干扰源与地面基站之间的链路增
益,N0是加性高斯白噪声信道的噪声功率谱密度,B为信道带宽;
和无人机飞行轨迹集合,然后再在更新后的飞行轨迹下,利用CVX解决无人机发射功率优化
子问题,更新无人机发射功率集合;最后计算步骤2所述原始优化目标函数值,直到此目标
函数值的相对增量小于算法收敛精度参数,算法终止,否则进行下一次迭代;
k‑1 k‑1 k‑1 k‑1
tfea=t ,zfea=z ,其中t ,z 分别为上一次迭代的松弛变量t取值和无人机飞行高度
向量取值。
的衡量指标,给出了合理地数学表达形式。
求解上述两个子问题得到无人机飞行轨迹和发射功率,采用的算法具有多项式时间复杂
度,并且可以在数学意义上严格证明其收敛性。
附图说明
具体实施方式
限定本发明。
题。同时,考虑无人机的通用性(即不是为某一通信需求专门设计的无人机),本发明假设无
人机搭载的是向下的各向同性的天线。在该场景下,无人机从一个任务起始地点搜集数据,
然后需要将这些数据在有限的任务时间内传递给一个特定的地面基站,然后在飞到下一个
任务地点。然而,由于广播信道特性的影响,无人机‑基站这一通信链路特别容易受到恶意
干扰,因此本发明还考虑了存在一个地面干扰源来干扰无人机与基站通信链路。在众多的
抗干扰措施中,无人机的飞行轨迹和发射功率是高度可控的,因此可以通过合理地设计飞
行轨迹和发射功率来提高无人机的抗干扰能力。直观上来说,无人机需要尽可能地降低飞
行高度、靠近基站,增大发射功率才能提高抗干扰能力。然而,由于视距信道特性,这些手段
也严重影响了其他现有的、不与无人机有通信需求的地面设备,给这些设备带来了不必要
的干扰,严重时甚至影响它们的正常工作。因此无人机在提升自身抗干扰能力的同时必须
考虑对其他不与无人机通信的地面用户的干扰。同时,无人机往往并不会知道这些用户的
具体的位置分布,往往只知道和自己相通信的地面基站的位置信息,在这种情况下,无人机
对地面用户的平均干扰面积是一个良好的衡量指标(图1的实心圆区域),在这个干扰面积
之内,地面用户接受到来自于无人机的干扰功率超过了它们自身的抗干扰门限。此外,本发
明用平均吞吐量这一指标来衡量无人机的抗干扰通信能力。因此,问题转化为通过联合无
人机三维飞行轨迹和发射功率优化来最大化有效的抗干扰通信能力,也就是考虑无人机平
均吞吐量和平均干扰面积之间的均衡。
标点集合、无人机发射功率点集合、信道参数数据集,根据无人机轨迹点三维坐标与地面基
站三维坐标构建无人机地面基站信道模型,根据干扰源三维坐标与地面基站三维坐标构建
干扰源地面基站信道模型;
无人机任务起点三维坐标设定为(0,0,100);
无人机任务终点三维坐标设定为(1000,0,100);
地面基站三维坐标设定为(500,300,10);
源的高度,PJ为干扰源发射功率。在本实施例实验中,干扰源三维坐标设定为(500,350,
10),干扰源发射功率为2W;
高度,Hmax为无人机最高飞行高度。在本实施例实验中,无人机最大飞行速度设定为5m/s,无
人机峰值发射功率为2W,无人机平均发射功率为1W,任务时间为300s,离散化时间间隔为
0.5s,最低飞行高度为50m,最大飞行高度为200m;
时隙无人机自身在三维笛卡尔坐标系中的飞行高度;
干扰源与地面基站的非视距信道路径损耗指数,ε表示干扰源与地面基站之间非视距信道
条件附加的衰减因子,N0是加性高斯白噪声信道的噪声功率谱密度。需要注意的是,因为受
到无人机干扰的地面设备不与无人机相互通信,因此这些设备的天线往往具有一定的下倾
角,并且多数现有的IoT设备的天线增益并不大,所以通常有β1≤β0,并且非视距传播的路径
损耗指数也较大,因此有k≥2。基于上述事实,在本实施例实验中,信道带宽设定为0.1MHz,
无人机与地面基站在单位距离上的信道增益设定为‑30dB,无人机与其他受到无人机干扰
的地面设备在单位距离上的信道增益为‑40dB,干扰源与地面基站的非视距路径损耗指数
设定为3,非视距条件附加的衰减因子设定为‑30dB,加性高斯白噪声信道的噪声功率谱密
度为‑169dBm/Hz;
求约束条件构建无人机约束条件,计算平均吞吐量、平均干扰面积指标,通过平均吞吐量、
平均干扰面积指标加权构建原始目标函数,以原始目标函数最大化为优化目标,结合无人
机约束条件,将步骤1中所述的无人机飞行轨迹集合和发射功率集合作为优化变量求解,以
构建原始优化问题数学模型,在原始优化问题数学模型中引入松弛变量及其约束条件,以
构建简化的优化问题数学模型;
机最低的平均任务吞吐量需求,λ为权重因子,用来衡量干扰面积在目标函数中所占比重。
这三个参数与任务场景息息相关,本发明在后续的实验附图中比较了不同设定值下本发明
的有效性,以此来说明本发明可以适应多种任务场景,具体的设定值在附图图例中注明;
点三维坐标向量,q[n]为第n个时隙(n=1,...,N)无人机的三维坐标向量,Vmax为无人机最
大飞行速度,Δt为每个时隙的时间跨度,z[n]为无人机在第n个时隙的飞行高度,Hmin为无
人机最低飞行高度,Hmax为无人机最高飞行高度。
到飞行速度的限制。最后,由于每个地区都有飞行器管制,所以无人机的飞行高度不能任意
高,并且为了安全性(比如避免碰撞),其飞行高度也不能太低,所以设定了最低飞行高度和
最高飞行高度约束。
这可以转化为平均发射功率约束。
扰源发射功率,gj,b为干扰源地面基站链路信道增益,N0为加性高斯白噪声信道的噪声功率
谱密度,Rmin为最低的平均任务吞吐量需求。
扰源发射功率,gj,b为步骤1所述,干扰源地面基站链路信道增益,N0为加性高斯白噪声信道
的噪声功率谱密度。
来自于无人机的干扰功率是最大的,其次,根据已知的地面用户的抗干扰功率门限Pc,本发
明可以得到无人机飞行高度z[n],发射功率p[n]和干扰面积半径r[n]之间的关系:
半径表达式:
隙(n=1,...,N)无人机的发射功率,z[n]为第n个时隙无人机的飞行高度。事实上,干扰面
积大小不能取负值,所以在每个时隙通过一个取最大值的运算来保证非负性,但这样也使
得干扰面积指标并不是一个连续的函数;
为了保证无人机优先完成通信任务需求,添加此约束条件是必要的。证明过程如下:
和S2。因为在不同的权重参数下,有相同的约束条件(这里指约束条件的参数设置相同,表
达方程形式相同),所以在λ2下得到的最优解也是λ1的一个可行解但不一定是最优解,反之
亦然。因此本发明可以得到下列不等式组:
约束,证明完毕。
骤2所述的无人机飞行轨迹约束,发射功率约束,最小平均任务吞吐量约束以及与松弛变量
有关的约束条件。
准凸问题来求解。
连续凸逼近算法原理转变为飞行轨迹优化标准凸问题;
的平均任务吞吐量需求和引入松弛变量V附加的两个约束条件作为约束条件;
平均任务吞吐量需求和引入松弛变量V附加的两个约束条件作为约束条件。此问题为标准
凸问题的形式;
述的无人机和基站之间的距离表达式,这个表达式含有多个变量且位于分子项,不利于使
用连续凸逼近算法,因此通过再引入一个松弛变量来简化这三个约束条件,引入松弛变量
后飞行轨迹优化子问题改写为:
引入的松弛变量,N为步骤1所述时隙总数,B为信道带宽,p[n]为无人机在第n个时隙的发射
功率,λ为权重系数。z[n]为无人机在第n个时隙的飞行高度,相应地,Hmin表示最低飞行高
度,Hmax表示最高飞行高度。β1表示无人机到其他受到无人机干扰的地面设备在单位距离上
的信道功率增益,Pc为受到无人机干扰的地面设备的抗干扰功率门限,Rmin为无人机的最低
平均任务吞吐量,qB为步骤1所述地面基站三维坐标,q[n]为步骤1所述无人机在第n个时隙
的三维轨迹坐标,相应地,q[1]为无人机在第一个时隙的三维轨迹坐标,q[N]为无人机在第
N个时隙的三维轨迹坐标,qstart为步骤1所述无人机任务起点坐标,qend为步骤1所述无人机
任务终点坐标,Vmax为无人机最大飞行速度,Δt为每个时隙的时间长度。为了便于表达,上
述问题中γ0=β0/(PJgj,b+N0B),其中,β0为无人机与地面基站在单位距离上地信道功率增
益,PJ为干扰源发射功率,gj,b为步骤1所述干扰源与地面基站之间的链路增益,N0是加性高
斯白噪声信道的噪声功率谱密度,B为信道带宽;
但此时,轨迹优化子问题仍然是非凸的,这是因为与松弛变量V相关的两个约束条件和最低
平均任务吞吐量需求是非凸的。在这里,本发明利用连续凸逼近算法原理来最大化改写后
飞行轨迹优化子问题的下界来得到一个良好的次优解。由于凸函数的一阶泰勒展开式可以
提供一个全局的下界估计值,所以本发明首先选定一个初始的展开点(tfea,zfea),然后将
2
和z[n]在给定的可行点进行一阶泰勒展开来处理与松弛变量V相关的两个
约束条件和最低平均任务吞吐量需求这三个非凸的约束条件,可以得到:
行高度相关的泰勒展开点。
步骤2所述原始优化问题的良好次优解。
轨迹Q、无人机发射功率P;
和无人机飞行轨迹集合,然后再在固定的更新后的飞行轨迹下,利用CVX解决无人机发射功
率优化子问题,更新无人机发射功率;最后计算步骤2所述原始优化目标函数值,直到目标
函数值的相对增量小于算法收敛精度参数η,算法终止,否则进行下一次迭代;
k‑1 k‑1 k‑1 k‑1
tfea=t ,zfea=z ,其中t ,z 分别为上一次迭代的松弛变量t取值和无人机飞行高度
向量取值。
因此本发明在初始化算法的时候需要慎重考虑。由于此约束条件只包含平均吞吐量的约
束,因此本发明可以用只考虑最大化平均吞吐量不考虑干扰面积对应的最优解集来初始化
方案。因此,初始化方案需要解决的问题可以是:
为无人机峰值发射功率,Pave为无人机平均发射功。z[n]为无人机在第n个时隙的飞行高度,
相应地,Hmin表示最低飞行高度,Hmax表示最高飞行高度。gu,b[n]为步骤1所述,无人机与地面
基站在第n个时隙的信道增益,β1表示无人机到其他受到无人机干扰的地面设备在单位距
离上的信道功率增益,qB为步骤1所述地面基站三维坐标,q[n]为步骤1所述无人机在第n个
时隙的三维轨迹坐标,相应地,q[1]为无人机在第一个时隙的三维轨迹坐标,q[N]为无人机
在第N个时隙的三维轨迹坐标,qstart为步骤1所述无人机任务起点坐标,qend为步骤1所述无
人机任务终点坐标,Vmax为无人机最大飞行速度,Δt为每个时隙的时间长度,PJ为干扰源发
射功率,gj,b为步骤1所述干扰源与地面基站之间的链路增益,N0是加性高斯白噪声信道的
噪声功率谱密度。
题可以完全使用与本发明步骤3,步骤4相似的过程来求解。
在第k次迭代的目标函数值的下界。下面依次解释每个等号和不等号成立的原因:第一个和
最后一个等式成立的原因是两个优化问题有相同的最优解;第二个等式成立的原因是泰勒
k‑1 k‑1
展开点选择的是(tfea,zfea)=(t ,z ),只有在泰勒展开点处,目标函数的下界等于目标
函数本身;第一个和第二个不等号成立的原因是在每次迭代中目标函数值的下界是增加
的;最后一个不等式成立的原因是本发明仅最大化了步骤2所述简化后的优化问题的下界。
所以步骤2所述原始的优化问题的目标函数值是非递减的,又因为优化变量(Q,P)的取值范
围是有限的,所以步骤2所述原始的优化问题的目标函数值有上界。所以,步骤2所述原始的
3.5
优化问题的目标函数值非递减且有上界,故收敛。另外算法的时间复杂度为O(I(N) ),为
多项式复杂度,其中I表示迭代次数,N为步骤1所述的时隙总数。具体实施时,以上算法可采
用软件方式提供自动运行。
本发明的有效性。由于本发明考虑了相关研究中未曾考虑过的问题,并没有现有的发明案
例可供对比,因此对比方案选择只采用发射功率优化、只采用三维飞行轨迹优化和只最大
化平均吞吐量三组。几个方案的详情及其在附图中的符号索引如下:
16GB2400MHz DDR4内存主机上配置的。
限次的迭代之后都可以达到收敛,这说明了算法的可用性和对比方案选择的合理性。此外,
对比EC‑OPT、EC‑OT和EC‑OP三个方案,可以一定程度上说明本发明所提出的联合优化发射
功率和飞行轨迹的方案更加有效,因为它的目标函数值更大,最后,MC方案给出了Rmin的上
界。
论。第一:本发明提供的算法可以根据不同的场景需求灵活的调整飞行轨迹。第二:相较于
EC‑OT方案,由于EC‑OPT联合了功率的优化,其轨迹的调整尤其是飞行高度,不会太剧烈,整
体的飞行距离也较短,这有助于减少能耗。第三:因为本实例设置了基站位置在任务起点和
任务终点的中线上,所以轨迹是对称的。第四:本发明发现当λ较小时,无人机的轨迹接近MC
方案,这是因为此时目标函数中干扰面积的影响较小,提高无人机平均吞吐量带来的收益
更大。第五:对于水平轨迹来说,各个方案在各个场景之下结果都是类似的,都只需要沿直
线飞行到(xB,yB)点盘旋,这是因为水平坐标只影响平均吞吐量不影响平均干扰面积。但是
由于最大飞行速度Vmax是一个定值,所以相同时间点,不同方案和不同场景下的水平坐标是
不同的,因为高度的变化需要消耗一部分速度分量。这里说明了采用三维轨迹优化而不是
二维、一维优化的必要性。为了进一步说明飞行高度随时间变化的情况,本发明绘制了图5。
“M”型的轨迹出现在EC‑OPT和EC‑OT方案上,这表明,当无人机距离基站较远时,无人机应当
首先控制干扰面积而不是一味的增大吞吐量,也就是提高飞行高度而不是降低高度。此外,
对于EC‑OPT来说,当地面用户的抗干扰能力变强(Pc变大)时,“M”型轨迹的峰变小,因为此
时干扰面积也相应的变小,因此只需要较低的飞行高度来控制干扰面积即可,这也可以同
时增大吞吐量;当最低的任务量要求变高时(Rmin变大),无人机在靠近盘旋点的时候高度下
降的要快一些,因为需要优先保证最基本的任务吞吐量。对于EC‑OT,本发明有理由相信,当
λ很大或者Pc很小时,其高度将会变成“∩”型,即尽可能地保持最大飞行高度,而这会降低
平均吞吐量,因此可以预测单独地控制轨迹效果不如本发明提出地联合控制轨迹和功率。
轨迹。
发射功率。可以发现,发射功率有“M”型和“∩”两种。首先来说明“M”型的功率变化,结合图
5,本发明发现,图6中两个“M”型功率峰的位置和图5中的相同任务场景下出现的位置一致。
这是因为,观察步骤2所述的原始优化问题目标函数,EC‑OPT可以通过调节某一时刻的发射
功率使得发射功率和飞行高度维持 因此才出现了这两个峰。但是当Rmin变大
时,仅仅维持等式是不能满足最低吞吐量的要求的,此时需要进一步的提高发射功率,这就
是为什么图6中“o”线的峰消失,功率变为“∩”型的原因。对于“∩”型发射功率,其最大值都
出现在盘旋点时刻,这是因为此时最靠近基站,增大发射功率有助于吞吐量的提高,并且此
时吞吐量提高带来的收益大于干扰面积的增加带来的损失。其次,对比相同任务场景下的
EC‑OPT和EC‑OP方案,发现EC‑OP具有更大的发射功率,因为它并没有轨迹的调节。最后,对
于不同的任务场景:λ越小,EC‑OPT越接近MC,发射功率也越大;Pc越大,发射功率越大;Rmin
越大所需的发射功率也会相应的变大。
一步的说明,在图6中“M”型发射功率的两个任务场景可以在峰的持续时间内维持
所以在图7中这些时刻的干扰面积为0,同时,由于在高度的上升阶段功率也
上升,在功率的下降阶段高度也下降,所以在图8中,吞吐量总体上呈现出“∩”型。相应的,
图6中“o”线的Rmin变大,维持 会降低吞吐量从而不满足Rmin约束,所以此时“M”
型功率峰消失,功率与高度的关系变为 图7中相应时刻的干扰面积也不为0。
另外,在相同任务场景下,EC‑OPT比EC‑OT和EC‑OP有更小的干扰面积,最大吞吐量的持续时
间也较长,可以得到EC‑OPT更加有效;MC方案虽然具有最高的吞吐量,但也有最大的干扰面
积(按照Pc=‑60dBm计算得到),因此单纯的最大化无人机抗干扰能力不考虑无人机所带来
的干扰面积是不合理的;当EC‑OPT的λ变小时,虽然其干扰面积也增大,但是干扰面积对整
个目标函数的影响变小,所以此时增大吞吐量可带来更大的收益。
的目标函数值都有所减少,也暗示着能够实现的平均吞吐量减小,这说明要想实现有效的
抗干扰通信,需要付出一定的吞吐量代价。第二:和EC‑OP、EC‑OT相比,本发明提出的EC‑OPT
方案在相同的任务场景下是最有效的。第三:对于EC‑OPT方案来说,目标函数值随着权重系
数的λ的增大而减少,特别的,当Rmin较小时,目标函数会收敛。这是因为,随着λ的增大,平均
干扰面积可以被控制到接近0。但是当Rmin变大时,为了保证任务吞吐量的优先性,需要较大
的发射功率,所以平均干扰面积不会被控制到0,因此此时的收敛性被破坏,目标函数值会
一直减小下去。这说明了本发明考虑的最低平均任务吞吐量约束条件的必要性,合理性。
方案比EC‑OP和EC‑OT都有效,特别是当Pc变小时,EC‑OPT方案的目标函数值减小的速度要
更慢。第二:对比EC‑OP和EC‑OT本发明发现,当Pc较小时优化轨迹带来的收益更大,当Pc较大
时优化功率带来的收益更大,因此本发明提出的EC‑OPT可以综合两种方案的优点,有更加
广泛的适用范围。第三:随着Pc的减小,目标函数值减小,特别的当Rmin较大时,目标函数值
会被明显的拉低,这也说明此时无人机干扰面积带来的影响很大,这也暗示着综合考虑无
人机抗干扰吞吐量和干扰面积两个指标的必要性。
的其他实施方式,同样属于本发明保护的范围。