【技术实现步骤摘要】
本专利技术涉及无人机停泊研究，具体地，涉及一种自适应无人机停泊点数量的部署方法。
技术介绍
1、基于无人机(unmanned aerial vehicle，无人机)的移动边缘计算(mobile edgecomputing，mec)系统部署优化算法是为了在已知静态用户场景下，针对mec系统一种或多种优化目标如总体时延，能耗或用户平均时延，无人机负载率等，使用算法计算出该优化目标下的最优无人机部署位置。随着第五代移动通信技术的蓬勃发展，mec系统的用户数量也越发庞大，这对mec系统的部署优化算法精度提出了更高的考验，如何提高无人机的部署优化精度成为了近年来的一个研究热点。
2、一般而言，无人机的部署问题需要解决两个任务：1、由于单个无人机的计算能力和存储空间有限，无人机如何选择对哪些信号覆盖范围内的用户设备提供任务卸载服务；2、在任务1的前提下如何分配数量有限的无人机的部署位置，使得mec系统的某一项或几项指标如系统整体时和延能耗等达到最优。由于任务1和任务2都是非确定性多项式(np-hard)问题，并且任务2依赖任务1的计算结果。因此，算法的核心在于如何在两个任务之间分配计算资源，平衡算法整体的优化精度。现有的部署方法大多数是在给定数量无人机停泊点数量的前提下进行的，在该种情况下得到的优化结果只是该数量下的较优部署方案。而无人机的悬停和飞行同样会消耗大量的能耗，因此mec系统整体能耗并不随着无人机数量的增加而线性减少。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的
2、为解决上述问题，本专利技术的技术方案为：
3、一种自适应无人机停泊点数量的部署方法，包括以下步骤：
4、使用随机初始化的方法初始化无人机初始位置；
5、建立以自适应无人机停泊点数量mec系统能耗为优化目标的部署模型，将mec系统能耗计算公式作为适应度函数，mec系统能耗作为适应度使用联合优化算法进行迭代；
6、执行外层acs算法，更新无人机的部署位置；
7、根据当前无人机的部署位置执行内层aff算法，得到卸载矩阵，并根据卸载矩阵计算acs中各更新策略的适应度，选择合适的更新策略进行更新；
8、计算mec系统整体适应度，若当前迭代适应度小于最小适应度，更新系统最小适应度，更新并记录最小适应度的无人机部署位置，将最小适应度的无人机部署位置加入下一轮迭代，结束迭代，输出当前无人机的部署位置和卸载矩阵。
9、优选地，所述使用随机初始化的方法初始化无人机初始位置的步骤具体包括：将无人机分为数量相同的两部分，一部分无人机初始位置根据部署区域和投影坐标约束内随机生成；为使初始化生成的无人机坐标更加均匀分散在部署区域之间，另一部分的无人机根据对立学习方法基于第一部分无人机的位置生成。
10、优选地，所述建立以自适应无人机停泊点数量mec系统能耗为优化目标的部署模型，将mec系统能耗计算公式作为适应度函数，mec系统能耗作为适应度使用联合优化算法进行迭代的步骤，具体包括：通信模型建模，根据无人机与ue间的笛卡尔坐标和无人机的悬停高度，根据空间中距离公式计算无人机和ue的直线距离：计算无人机与ue间的功率增益：根据香农定理，由ue的发射功率和功率增益与通信信道中高斯白噪声的比值，计算无人机与ue间信道的传输速率：ue上的任务传输到无人机所用的时间表示为ue整体所需发送数据的大小和信道中信息传输速率的比值：
11、优选地，所述建立以自适应无人机停泊点数量mec系统能耗为优化目标的部署模型，将mec系统能耗计算公式作为适应度函数，mec系统能耗作为适应度使用联合优化算法进行迭代的步骤，具体包括：能耗模型建模，根据ue传输任务数据所需要的时间和单位时间内ue发送数据的功率，计算ue的传输能耗为：无人机的能耗包括自身悬停时的运动能耗和任务在无人机上计算所需要的能耗，无人机的悬停能耗表示为悬停所需要的功率和悬停时间的乘积：eih＝pitih；无人机的计算能耗表示为：无人机的悬停时间为ue任务的最大传输时延表示为：tih＝maxti,j；根据每个ue上的任务是否发送到无人机上得到系统的整体发送能耗：根据每一台无人机的悬停能耗得到整体悬停能耗：根据ue的计算能耗得到系统的本地运算能耗：ue系统的整体能耗为上述各种能耗之和：按照ue上的任务是否卸载到无人机上构建卸载矩阵：整个mec系统模型表示：
12、优选地，所述执行外层acs算法，更新无人机的部署位置的步骤，具体包括：鸟巢的编码由所有无人机的位置投影的二维向量构成：其中，g代表了当前的迭代数，最大迭代数为g，代表索引为i的无人机的二维坐标，鸟巢初始化时的编码长度m0取ue数量的一半：使用公式随机初始化数量为m0的鸟巢，和分别代表无人机移动范围的上下界。
13、优选地，所述执行外层acs算法，更新无人机的部署位置的步骤，具体包括：通过莱维飞行根据每个鸟巢分别生成新的鸟巢，称之为间态鸟巢，α为步长，g为当前迭代数，i为染色体上编码的位置：levy(λ)表示服从当前迭代次数的t的随机分布，其概率分布为：
14、
15、
16、
17、优选地，所述执行外层acs算法，更新无人机的部署位置的步骤，具体包括：新鸟巢替换规则为：当三个临时鸟巢中最小适应度小于则用该临时鸟巢替代pg，当三个临时鸟巢中最小适应度大于则不进行替换；当三个临时鸟巢中最小适应度等于若临时鸟巢的长度小于pg则进行替换，否则不进行替换；当最小适应度对应多个临时鸟巢，则使用长度最小的临时鸟巢进行比较。
18、优选地，所述根据当前无人机的部署位置执行内层aff算法，得到卸载矩阵，并根据卸载矩阵计算acs中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：使用外层acs算法改进后，得到当前无人机的部署位置，将问题p0简化为问题p1：
19、
20、松弛可行解的范围，将其松弛到非整数解[0,1]，得到p2：
21、
22、优选地，所述根据当前无人机的部署位置执行内层aff算法，得到卸载矩阵，并根据卸载矩阵计算acs中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：所述二部图着色算法做如下定义：饱和边指权值为0或权值为1的连接，非饱和边指权值不为0或权值不为1的边，增广路径指所有只包含非饱和边的路径，增广环指起点终点相同的增广路径。
23、优选地，所述根据当前无人机的部署位置执行内层aff算法，得到卸载矩阵，并根据卸载矩阵计算acs中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：
24、步骤1：将无人机和地面移动设备分别组成集合，将两个集合作为二部图的两端；
25、步骤2：使用全连接的方式将无人机集合和地面移动设备相连；
26、步骤3：在连接上标注权值，即问题p2本文档来自技高网...
【技术保护点】
1.一种自适应无人机停泊点数量的部署方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述使用随机初始化的方法初始化无人机初始位置的步骤，具体包括：将无人机分为数量相同的两部分，一部分无人机初始位置根据部署区域和投影坐标约束内随机生成；为使初始化生成的无人机坐标更加均匀分散在部署区域之间，另一部分的无人机根据对立学习方法基于第一部分无人机的位置生成。
3.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述建立以自适应无人机停泊点数量MEC系统能耗为优化目标的部署模型，将MEC系统能耗计算公式作为适应度函数，MEC系统能耗作为适应度使用联合优化算法进行迭代的步骤，具体包括：通信模型建模，根据无人机与UE间的笛卡尔坐标和无人机的悬停高度，根据空间中距离公式计算无人机和UE的直线距离：
4.根据权利要求3所述的自适应无人机停泊点数量的部署方法，其特征在于，所述建立以自适应无人机停泊点数量MEC系统能耗为优化目标的部署模型，将MEC系统能耗计算公式作为适应度函数，MEC系
5.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述执行外层ACS算法，更新无人机的部署位置的步骤，具体包括：鸟巢的编码由所有无人机的位置投影的二维向量构成：其中，g代表了当前的迭代数，最大迭代数为G，代表索引为i的无人机的二维坐标，鸟巢初始化时的编码长度m0取UE数量的一半：使用公式随机初始化数量为m0的鸟巢，和分别代表无人机移动范围的上下界。
6.根据权利要求5所述的自适应无人机停泊点数量的部署方法，其特征在于，所述执行外层ACS算法，更新无人机的部署位置的步骤，具体包括：通过莱维飞行根据每个鸟巢分别生成新的鸟巢，称之为间态鸟巢，α为步长，g为当前迭代数，i为染色体上编码的位置：Levy(λ)表示服从当前迭代次数的t的随机分布，其概率分布为：
7.根据权利要求6所述的自适应无人机停泊点数量的部署方法，其特征在于，所述执行外层ACS算法，更新无人机的部署位置的步骤，具体包括：新鸟巢替换规则为：当三个临时鸟巢中最小适应度小于则用该临时鸟巢替代Pg，当三个临时鸟巢中最小适应度大于则不进行替换；当三个临时鸟巢中最小适应度等于若临时鸟巢的长度小于Pg则进行替换，否则不进行替换；当最小适应度对应多个临时鸟巢，则使用长度最小的临时鸟巢进行比较。
8.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述根据当前无人机的部署位置执行内层AFF算法，得到卸载矩阵，并根据卸载矩阵计算ACS中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：使用外层ACS算法改进后，得到当前无人机的部署位置，将问题P0简化为问题P1：
9.根据权利要求8所述的自适应无人机停泊点数量的部署方法，其特征在于，所述根据当前无人机的部署位置执行内层AFF算法，得到卸载矩阵，并根据卸载矩阵计算ACS中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：所述二部图着色算法做如下定义：饱和边指权值为0或权值为1的连接，非饱和边指权值不为0或权值不为1的边，增广路径指所有只包含非饱和边的路径，增广环指起点终点相同的增广路径。
10.根据权利要求9所述的自适应无人机停泊点数量的部署方法，其特征在于，所述根据当前无人机的部署位置执行内层AFF算法，得到卸载矩阵，并根据卸载矩阵计算ACS中各更新策略的适应度，选择合适的更新策略进行更新的步骤，具体包括：
...【技术特征摘要】
1.一种自适应无人机停泊点数量的部署方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述使用随机初始化的方法初始化无人机初始位置的步骤，具体包括：将无人机分为数量相同的两部分，一部分无人机初始位置根据部署区域和投影坐标约束内随机生成；为使初始化生成的无人机坐标更加均匀分散在部署区域之间，另一部分的无人机根据对立学习方法基于第一部分无人机的位置生成。
3.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述建立以自适应无人机停泊点数量mec系统能耗为优化目标的部署模型，将mec系统能耗计算公式作为适应度函数，mec系统能耗作为适应度使用联合优化算法进行迭代的步骤，具体包括：通信模型建模，根据无人机与ue间的笛卡尔坐标和无人机的悬停高度，根据空间中距离公式计算无人机和ue的直线距离：
4.根据权利要求3所述的自适应无人机停泊点数量的部署方法，其特征在于，所述建立以自适应无人机停泊点数量mec系统能耗为优化目标的部署模型，将mec系统能耗计算公式作为适应度函数，mec系统能耗作为适应度使用联合优化算法进行迭代的步骤，具体包括：能耗模型建模，根据ue传输任务数据所需要的时间和单位时间内ue发送数据的功率，计算ue的传输能耗为：无人机的能耗包括自身悬停时的运动能耗和任务在无人机上计算所需要的能耗，无人机的悬停能耗表示为悬停所需要的功率和悬停时间的乘积：无人机的计算能耗表示为：无人机的悬停时间为ue任务的最大传输时延表示为：
5.根据权利要求1所述的自适应无人机停泊点数量的部署方法，其特征在于，所述执行外层acs算法，更新无人机的部署位置的步骤，具体包括：鸟巢的编码由所有无人机的位置投影的二维向量构成：其中，g代表了当前的迭代数，最大迭代数为g，代表索引为i的无人机的二维坐标，鸟巢初始化时的编码长度m0取ue数量的一半：使用公式随机初始化数量为m0的鸟巢，和分别代表...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。