一种蜂窝和无人机一体化网络的选择方法及装置制造方法及图纸

本发明专利技术提供了一种蜂窝和无人机一体化网络的选择方法及装置，方法包括：获取动态网络模型和动态用户模型；其中，动态网络模型至少包括：无人机网络的位置模型、蜂窝网络的容量模型以及无人机网络的容量模型，动态用户模型至少包括：用户的位置模型、传输速率模型；根据无人机网络的位置模型和用户的位置模型生成用户可接入网络集合；根据蜂窝网络的容量模型、无人机网络的容量模型、用户可接入网络集合以及传输速率模型生成随机事件向量；根据随机事件向量生成动作向量；根据动作向量和随机事件向量获得每个用户的个体效益；构建第一选择模型；根据第一选择模型获得动作概率的数值，以根据动作概率的数值确定用户选择接入的网络。

A Selection Method and Device of Honeycomb and UAV Integrated Network

The present invention provides a method and device for selecting integrated cellular and UAV networks, including acquiring dynamic network model and dynamic user model, in which the dynamic network model includes at least the location model of UAV network, the capacity model of cellular network and the capacity model of UAV network, and the dynamic user model includes at least the location model and transmission model of users. Transmission rate model; User access network set is generated according to UAV network location model and user location model; Random event vectors are generated according to cellular network capacity model, UAV network capacity model, user access network set and transmission rate model; Action vectors are generated according to random event vectors; Action vectors are obtained according to action vectors and random event vectors. Individual benefit of each user is obtained; the first selection model is constructed; and the action probability is obtained according to the first selection model, so that the network that users choose to access is determined according to the action probability.

【技术实现步骤摘要】
一种蜂窝和无人机一体化网络的选择方法及装置
本专利技术属于网络选择
，更具体地，涉及一种蜂窝和无人机一体化网络的选择方法及装置。
技术介绍
为了提供更好的网络数据服务，避免蜂窝网络出现拥塞现象，可以采用借助配备了收发机的低空无人机来卸载拥塞的蜂窝网络上的业务的方案。针对蜂窝和无人机一体化网络，为了充分地利用无人机资源，一个重要的挑战是如何进行高效公平的网络选择。一种解决网络选择问题的方法是基于博弈论的方法。在基于博弈论的方法中，首先将网络选择问题构建为一个博弈，然后通过集中式/分布式的方法实现均衡。例如，Man等人在用户移动信息不完整的条件下，将网络选择问题构建为一个贝叶斯博弈。然后他们提出了一种具有良好收敛性的分布式方法来实现贝叶斯纳什均衡。现有的基于博弈论的方法考虑了用户间的相互影响和竞争，然而，他们中绝大多数是在准静态或可预测的网络状态条件下研究网络选择问题。而蜂窝和无人机一体化网络具有高动态性并且网络状态难以预测，导致现有的基于博弈论的方法无法解决蜂窝和无人机一体化网络的选择问题。
技术实现思路
本专利技术提供一种蜂窝和无人机一体化网络的选择方法及装置，旨在解决由于蜂窝和无人机一体化网络具有高动态性并且网络状态难以预测，导致现有的基于博弈论的方法无法解决蜂窝和无人机一体化网络的选择问题。第一方面，本专利技术提供一种蜂窝和无人机一体化网络的选择方法，包括：获取动态网络模型和动态用户模型；其中，动态网络模型至少包括：无人机网络的位置模型、蜂窝网络的容量模型以及无人机网络的容量模型，动态用户模型至少包括：用户的位置模型、传输速率模型；根据无人机网络的位置模型和用户的位置模型生成用户可接入网络集合；根据蜂窝网络的容量模型、无人机网络的容量模型、用户可接入网络集合以及传输速率模型生成随机事件向量，其中，用户可接入网络集合包括无人机网络和/或蜂窝网络；根据随机事件向量生成动作向量，动作向量用于表示用户选择接入无人机网络和/或蜂窝网络；根据动作向量和随机事件向量获得每个用户的个体效益；构建第一选择模型；其中，第一选择模型包括：第一目标函数和第一约束，第一目标函数为以个体效益的时间平均值为自变量的比例公平函数，第一约束至少包括：第一粗相关均衡约束、第一最小个体时间平均效益约束以及第一动作概率约束，第一粗相关均衡约束用于对个体效益的时间平均值和第一辅助变量进行约束，第一最小个体时间平均效益约束用于对个体效益的时间平均值进行约束，第一动作概率约束用于对在随机事件向量的条件下的动作概率进行约束；个体效益的时间平均值根据个体效益、随机事件概率和在随机事件向量的条件下的动作概率获得，在随机事件向量的条件下的动作概率为用户在随机事件向量发生的条件下执行动作向量的概率；随机事件的概率为随机事件发生的概率；根据第一选择模型获得动作概率的数值，以根据动作概率的数值确定用户选择接入的网络。在本专利技术提供的网络选择方法中，获取动态网络模型和动态用户模型，基于获取动态网络模型和动态用户模型生成随机事件向量，根据随机事件向量和动作向量构建第一选择模型，根据第一选择模型获得动作概率的数值，以根据动作概率的数值确定用户选择接入的网络。解决了由于蜂窝和无人机一体化网络具有高动态性并且网络状态难以预测，导致现有的基于博弈论的方法无法解决蜂窝和无人机一体化网络的选择问题。第二方面，本专利技术提供一种蜂窝和无人机一体化网络的选择装置，包括：收发机，用于获取无人机网络的容量信息、蜂窝网络的容量信息、用户可接入网络集合信息以及传输速率信息，以及向用户发送动作向量信息，以使用户根据动作向量信息确定接入网络；处理器，根据无人机网络的容量信息、蜂窝网络的容量信息、用户可接入网络集合信息、传输速率信息以及第四选择模型生成动作向量信息；其中，第四选择模型为总违反量的漂移与收益的差值小于等于惩罚上界量；总违反量的漂移根据总违反量的当前时隙的数值和总违反量的后一时隙的数值获得；总违反量的当前时隙的数值根据当前时隙第一虚拟量、当前时隙第二虚拟量以及当前时隙第三虚拟量获得；第一虚拟队列中当前时隙第一虚拟量根据第二粗相关均衡约束的前一时隙违反量和第一虚拟队列中前一时隙第一虚拟量生成，第二虚拟队列的当前时隙第二虚拟量根据第三辅助变量约束的前一时隙违反量和第二虚拟队列中前一时隙第二虚拟量生成，第三虚拟队列的当前时隙第三虚拟量根据第二最小个体时间平均效益约束的前一时隙违反量和第三虚拟队列中前一时隙第三虚拟量生成，其中，初始时隙第一虚拟量、初始时隙第二虚拟量以及初始时隙第三虚拟量均为零；其中，第三选择模型包括第三目标函数和第三约束，第三目标函数为以第三辅助变量为自变量的比例公平函数的时间平均期望，第三约束至少包括第二粗相关均衡约束、第二最小个体时间平均效益约束、第二辅助变量约束以及第三辅助变量约束，第二粗相关均衡约束用于对个体效益的时间平均期望和第二辅助变量的时间平均期望进行约束，第二最小个体时间平均效益约束用于对个体效益的时间平均期望进行约束，第二辅助变量约束用于对第二辅助变量进行约束，第三辅助变量约束用于对第三辅助变量的时间平均期望与个体效益的时间平均期望进行约束；其中，第一选择模型包括：第一目标函数和第一约束，第一目标函数为以个体效益的时间平均值为自变量的比例公平函数，第一约束至少包括：第一粗相关均衡约束、第一最小个体时间平均效益约束以及第一动作概率约束，第一粗相关均衡约束用于对个体效益的时间平均值和第一辅助变量进行约束，第一最小个体时间平均效益约束用于对个体效益的时间平均值进行约束，第一动作概率约束对约束用于对在随机事件向量的条件下的动作概率进行约束；个体效益的时间平均值根据个体效益、随机事件概率和在随机事件向量的条件下的动作概率动获得，在随机事件向量的条件下的动作概率为用户在随机事件向量发生的条件下执行动作向量的概率；每个用户的个体效益根据动作向量和随机事件向量获得；动作向量根据随机事件向量生成，随机事件向量根据蜂窝网络的容量模型、无人机网络的容量模型、用户可接入网络集合以及传输速率模型生成，用户可接入网络集合根据无人机网络的位置模型和用户的位置模型生成。本专利技术提供的网络选择方法及装置，网络选择方法获取动态网络模型和动态用户模型，基于获取动态网络模型和动态用户模型生成随机事件向量，根据随机事件向量和动作向量构建第一选择模型，根据第一选择模型获得动作概率的数值，以根据动作概率的数值确定用户选择接入的网络。本专利技术构建了动态网络模型和动态用户模型，仿真了无人机和用户连接的高动态性，网络容量的波动性，和用户业务的时变性等特性。将网络选择问题构建为一个重复随机博弈问题，很好地仿真了用户间的相互竞争与相互影响。这种方法可以最大化总的用户效益，同时保证用户间的公平性。解决了由于蜂窝和无人机一体化网络具有高动态性并且网络状态难以预测，导致现有的基于博弈论的方法无法解决蜂窝和无人机一体化网络的选择问题的问题。附图说明图1为本专利技术提供的网络选择方法所基于网络的场景图；图2为本专利技术根据一示例性实施例示出的网络选择方法的流程图；图3为根据图2所示实施例示出的网络选择方法所服从的重复随机博弈结构的示意图；图4为本专利技术根据一示例性实施例示出的蜂窝和无人机一体化网络的选择装置的结构示意图；图5为本发本文档来自技高网...

【技术保护点】
1.一种蜂窝和无人机一体化网络的选择方法，其特征在于，包括：获取动态网络模型和动态用户模型；其中，所述动态网络模型至少包括：无人机网络的位置模型、蜂窝网络的容量模型以及无人机网络的容量模型，所述动态用户模型至少包括：用户的位置模型、传输速率模型；根据所述无人机网络的位置模型和所述用户的位置模型生成用户可接入网络集合；根据所述蜂窝网络的容量模型、所述无人机网络的容量模型、所述用户可接入网络集合以及所述传输速率模型生成随机事件向量；其中，所述用户可接入网络集合包括所述无人机网络和/或所述蜂窝网络；根据所述随机事件向量生成动作向量；其中，所述动作向量用于表示所述用户选择接入所述无人机网络和/或所述蜂窝网络；根据所述动作向量和所述随机事件向量获得每个用户的个体效益；构建第一选择模型；其中，所述第一选择模型包括：第一目标函数和第一约束，所述第一目标函数为以所述个体效益的时间平均值为自变量的比例公平函数，所述第一约束至少包括：第一粗相关均衡约束、第一最小个体时间平均效益约束以及第一动作概率约束，所述第一粗相关均衡约束用于对所述个体效益的时间平均值和第一辅助变量进行约束，所述第一最小个体时间平均效益约束用于对所述个体效益的时间平均值进行约束，所述第一动作概率约束用于对在随机事件向量的条件下的动作概率进行约束；所述个体效益的时间平均值根据所述个体效益、随机事件概率和在随机事件向量的条件下的动作概率获得，所述在随机事件向量的条件下的动作概率为所述用户在随机事件向量发生的条件下执行所述动作向量的概率；所述随机事件概率为随机事件向量发生的概率；根据所述第一选择模型获得所述动作概率的数值，以根据所述动作概率的数值确定用户选择接入的网络。...

【技术特征摘要】
1.一种蜂窝和无人机一体化网络的选择方法，其特征在于，包括：获取动态网络模型和动态用户模型；其中，所述动态网络模型至少包括：无人机网络的位置模型、蜂窝网络的容量模型以及无人机网络的容量模型，所述动态用户模型至少包括：用户的位置模型、传输速率模型；根据所述无人机网络的位置模型和所述用户的位置模型生成用户可接入网络集合；根据所述蜂窝网络的容量模型、所述无人机网络的容量模型、所述用户可接入网络集合以及所述传输速率模型生成随机事件向量；其中，所述用户可接入网络集合包括所述无人机网络和/或所述蜂窝网络；根据所述随机事件向量生成动作向量；其中，所述动作向量用于表示所述用户选择接入所述无人机网络和/或所述蜂窝网络；根据所述动作向量和所述随机事件向量获得每个用户的个体效益；构建第一选择模型；其中，所述第一选择模型包括：第一目标函数和第一约束，所述第一目标函数为以所述个体效益的时间平均值为自变量的比例公平函数，所述第一约束至少包括：第一粗相关均衡约束、第一最小个体时间平均效益约束以及第一动作概率约束，所述第一粗相关均衡约束用于对所述个体效益的时间平均值和第一辅助变量进行约束，所述第一最小个体时间平均效益约束用于对所述个体效益的时间平均值进行约束，所述第一动作概率约束用于对在随机事件向量的条件下的动作概率进行约束；所述个体效益的时间平均值根据所述个体效益、随机事件概率和在随机事件向量的条件下的动作概率获得，所述在随机事件向量的条件下的动作概率为所述用户在随机事件向量发生的条件下执行所述动作向量的概率；所述随机事件概率为随机事件向量发生的概率；根据所述第一选择模型获得所述动作概率的数值，以根据所述动作概率的数值确定用户选择接入的网络。2.根据权利要求1所述的方法，其特征在于，在所述根据所述动作向量和所述随机事件向量获得每个用户的个体效益之后，还包括：构建第二选择模型，其中，所述第二选择模型包括第二目标函数和第二约束，所述第二目标函数为以所述个体效益的时间平均期望为自变量的比例公平函数，所述第二约束至少包括第二粗相关均衡约束、第二最小个体时间平均效益约束以及第二辅助变量约束，所述第二粗相关均衡约束用于对所述个体效益的时间平均期望和所述第二辅助变量的时间平均期望进行约束，所述第二最小个体时间平均效益约束对所述个体效益的时间平均期望进行约束，所述第二辅助变量约束用于对所述第二辅助变量进行约束；根据所述第二选择模型获得所述动作向量的数值，以根据所述动作向量的数值确定用户选择接入的网络。3.根据权利要求2所述的方法，其特征在于，在所述根据所述动作向量和所述随机事件向量获得每个用户的个体效益之后，还包括：根据第二选择模型构建第三选择模型；其中，所述第三选择模型包括第三目标函数和第三约束，所述第三目标函数为以第三辅助变量为自变量的比例公平函数的时间平均期望，所述第三约束至少包括第二粗相关均衡约束、第二最小个体时间平均效益约束、第二辅助变量约束以及第三辅助变量约束，所述第二辅助变量约束用于对所述第二辅助变量进行约束，所述第三辅助变量约束用于对所述第三辅助变量的时间平均期望与所述个体效益的时间平均期望进行约束；根据所述第三选择模型获得所述动作向量的数值，以根据所述动作向量的数值确定用户选择接入的网络。4.根据权利要求3所述的方法，其特征在于，在所述构建第三选择模型之后，还包括：构建第四选择模型；根据所述第四选择模型获得所述动作向量的数值，以根据所述动作向量的数值确定用户选择接入的网络；其中，所述第四选择模型为总违反量的漂移与收益的差值小于等于惩罚上界量；所述总违反量的漂移根据所述总违反量的当前时隙的数值和所述总违反量的后一时隙的数值获得；所述总违反量的当前时隙的数值根据当前时隙第一虚拟量、当前时隙第二虚拟量以及当前时隙第三虚拟量获得；所述第一虚拟队列中当前时隙第一虚拟量根据所述第二粗相关均衡约束的前一时隙违反量和第一虚拟队列中前一时隙第一虚拟量生成，所述第二虚拟队列的当前时隙第二虚拟量根据所述第三辅助变量约束的前一时隙违反量和第二虚拟队列中前一时隙第二虚拟量生成，所述第三虚拟队列的当前时隙第三虚拟量根据所述第二最小个体时间平均效益约束的前一时隙违反量和第三虚拟队列中前一时隙第三虚拟量生成，其中，初始时隙第一虚拟量、初始时隙第二虚拟量以及初始时隙第三虚拟量均为零；所述收益包括：以第三辅助变量为自变量的比例公平函数和惩罚系数；所述惩罚上界量包括：常数项、第一惩罚上界项、第二惩罚上界项以及第三惩罚上界项，所述第一惩罚上界项包括所述第三辅助变量和所述第二虚拟量，所述第二惩罚上界项包括所述第二辅助变量和所述第一虚拟量，第三惩罚上界项包括所述个体效益、所述第一虚拟量、所述第二虚拟量以及所述第三虚拟量。5.根据权利要求4所述的方法，其特征在于，所述根据所述第四选择模型获得所述动作向量的数值，以根据所述动作向量的数值确定用户选择接入的网络，具体包括：获取所述当前时隙第一虚拟量、所述当前时隙第二虚拟量、所述当前时隙第三虚拟量以及所述当前时隙的随机事件向量；根据所述当前时隙第二虚拟量以及所述第一惩罚上界项获得所述第三辅助变量的数值；根据所述当前时隙的随机事件向量、所述当前时隙第一虚拟量以及所述第二惩罚上界项获得所述第二辅助变量的数值；根据所述当前时隙的随机事件向量、所述当前时隙第一虚拟量、所述当前时隙第二虚拟量、所述当前时隙第三虚拟量以及所述第三惩罚上界项获得所述动作向量的数值，以根据所述动作向量的数值确定用户选择接入的网络；所述根据所述当前时隙的随机事件向量、所述当前时隙第一虚拟量、所述当前时隙第二虚拟量、所述当前时隙第三虚拟量以及所述第三惩罚上界项获得所述动作向量的数值，具体包括：构建建议矩阵约束和第一动作向量约束，其中，所述建议矩阵表示建议用户接入所述无人机网络和/或所述蜂窝网络，所述建议矩阵约束用于对所述建议矩阵进行约束；利用所述个体效益与所述传输速率之间映射表和所述建议矩阵与所述动作向量的映射关系对所述第三惩罚上界项进行处理，生成第四惩...

【专利技术属性】
技术研发人员：曹先彬，杜文博，席星，杨朋，肖振宇，吴大鹏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11