基于仿生算法和BP神经网络的无人机轨迹优化方法及系统技术方案

本发明专利技术公开了一种基于仿生算法和BP神经网络的无人机轨迹优化方法及系统，构建包括K个地面基站，M个低空无人机，N个高空无人机和L个地面用户的一个空地协同无线通信网络系统模型；基于损耗增益，覆盖率和用户业务量构建空地协同无线通信网络系统模型的目标优化函数；分别采用遗传算法，蚁群算法和粒子群算法对目标函数进行求解，得到最优值以及对应的解；对最优值以及对应的解进行kmeans聚类处理，得到数据集；将数据和函数值作为输入，对DNN网络进行训练，利用训练好的DNN网络实现无人机轨迹优化。显著提高网络覆盖范围，降低计算复杂度。算复杂度。算复杂度。

【技术实现步骤摘要】
基于仿生算法和BP神经网络的无人机轨迹优化方法及系统


[0001]本专利技术属于无线通信
，具体涉及一种基于仿生算法(bionic algorithms)和BP神经网络(deep neural network)的无人机轨迹优化方法及系统。

技术介绍

[0002]空基无线网络是无人机(Unmanned Aerial Vehicle,UAV)产业的重要发展方向之一，能够充分利用无人机可动态部署、配置方便、不受地形限制的特点，组建灵活机动的通信网络。将无人机作为通信基站或中继节点组建空地协同的通信网络可以增强和拓展现有移动通信系统的功能，如在业务量较大的地区可以为地面蜂窝网络提供热点支持，实现流量卸载和负载均衡；为小区边缘信号不稳定的用户提供中继服务，拓展基站的信号覆盖范围；当地面通信系统瘫痪时，利用无人机迅速搭建应急通信网络，为救灾队伍的指挥调度、人员搜救提供通信支持，保证抢险救灾任务的顺利进行。空基无线网络被认为是第五代移动通信演进系统(B5G)以及第六代移动通信系统(6G)的组成部分，具有重要的研究价值和应用前景。
[0003]相比于传统地面网络，空基网络通过动态高空覆盖，可以对大区域内的海量设备提供信息传输服务，而在广域大连接的物联网应用中，大量的设备需要在短时间内快速接入网络并将数据及时发送给空中基站，以保证收集信息的时效性，因此，如何利用技术优势，在大区域、海量连接、高动态的空基无线网络中实现移动设备的快速接入存在新的挑战。
[0004]高空无人机通信网络具有广覆盖、易部署、高机动的特点，能很好的服务于大规模物联网的应用。使用固定翼无人机在特定区域上空盘旋，可以弥补信号覆盖漏洞。而固定翼无人机的部署及轨迹优化上存在编码和解码机制耗时且计算量大的问题。
[0005]仿生学习算法是指使用深度神经网络(DNN)学习仿生算法的特征，收集它们的优点，并降低计算复杂性。将该算法应用于高空无人机的轨道优化问题，以显著提高网络覆盖率，降低计算复杂度。
[0006]使用的仿生算法包括遗传算法(GA)、粒子群算法及蚁群算法。仿生算法是指仿照生物进化规律搜索最优解的方法，其主要思想是在种群的每次迭代包含n个个体和许多解中，通过选择、交叉和变异，在搜索解空间的同时，在每一代中选出最优解。经过无数次迭代得到最终解决方案。
[0007]然而仿生算法的计算复杂度很高，很难达到时延敏感通信服务的实时性要求。因此为进一步减少计算量，将深度神经网络用于近似仿生算法。在这一过程中使用聚类算法、反向传播算法和随机梯度下降算法设计特定的神经网络架构，通过广泛模拟，不断训练神经网络，并设计测试数据评估所设计的神经网络性能。最终提出的仿生学习算法很好地平衡了网络性能和计算复杂度。

技术实现思路

[0008]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于仿生算法和BP神经网络的无人机轨迹优化方法及系统，用于解决传统优化算法无法充分考虑复杂环境下的多个优化目标，无法对无人机轨迹进行全局优化；基于仿生算法的优化方法计算复杂度高且收敛速度较慢，无法满足实时性和效率要求的技术问题，通过将仿生算法与深度神经网络相结合，以提高网络覆盖范围，同时降低计算复杂度。
[0009]本专利技术采用以下技术方案：
[0010]基于仿生算法和BP神经网络的无人机轨迹优化方法，包括以下步骤：
[0011]S1、构建包括K个地面基站，M个低空无人机，N个高空无人机和L个地面用户的一个空地协同无线通信网络系统模型；
[0012]S2、基于损耗增益，覆盖率和用户业务量构建步骤S1得到的空地协同无线通信网络系统模型的目标优化函数；
[0013]S3、分别采用遗传算法，蚁群算法和粒子群算法对步骤S2构建的目标函数进行求解，得到最优评价值以及对应的解；
[0014]S4、对步骤S3得到的最优评价值以及对应的解进行kmeans聚类处理，得到数据集；
[0015]S5、将步骤S4得到的数据集和函数值作为输入，对DNN网络进行训练，利用训练好的DNN网络预测最佳轨迹并进行实时决策，满足系统目标和约束以实现无人机网络优化。
[0016]具体的，步骤S1具体为：
[0017]S101、构建一个正方形网格规定实际系统优化范围，X_MAX代表正方形边长，场景中用户随机分布，之后补充环境参数，建立通信网络系统环境模型；
[0018]S102、根据步骤S101中定义的正方形网格，建立由K个基站组成的基站场景模型，每个基站拥有S个扇区；
[0019]S103、根据步骤S102增加的正方形网格建立由M个无人机组成的无人机场景模型；
[0020]S104、建立基站天线增益模型A如下：
[0021]A＝
‑
min{
‑
(AH+AV),Amax}
[0022]其中，AH，AV代表辐射功率图的水平切面和垂直切面增益；
[0023]S105、根据步骤S104建立的基站天线场景模型建立无人机天线增模型AU如下：
[0024]φU∈[0，Θ][0025]其中，φU分别为方位角和仰角，2Θ∈(0，π)表示方位角波束宽度和仰角波束宽度；
[0026]S106、虑信道模型中的大规模衰落，Los和NLos之间的加权平均值作为空对地路径损耗，具体如下：
[0027]PLLoS＝28.0+22lgd+20lg(fc)；
[0028]PLNLoS＝32.4+30lgd+20lg(fc)；
[0029]其中，PLLos为视距无线传输损耗功率，PLNLoS为非视距无线传输损耗功率，d为三维距离，fc为载频；
[0030]依据步骤S104构建的增益模型，发生视距损耗的概率PLoS为：
[0031]PLoS＝1/(1+αexp(
‑
β(arctan(h/d2)
‑
α)))
[0032]其中，α，β为环境参数，h为无人机高度，d2为无人机与用户水平距离；
[0033]S107、根据步骤S106建立的路径损耗模型构建基站损耗模型如下：
[0034]PL＝32.4+20lg(d[m])+20lg(fc[GHz])。
[0035]具体的，步骤S2具体为：
[0036]S201、无人机与基站采用正交频率，计算信干噪比得到基站和无人机的有效覆盖范围；
[0037]S202、基站覆盖范围内，当信干噪比大于需满足的最低信干噪比时，覆盖率为1，构建基站覆盖率模型；
[0038]S203、考虑覆盖时长，构建无人机覆盖率模型，某一点处无人机盘旋一圈时该点被覆盖时无人机飞过的角度θ
n
为：
[0039]θ
n
＝2arccos((Rn2+d2+r2)/2Rnd)
[0040]其中，Rn为无人机盘旋半径，d表示该点到无人机盘旋中心水平距离，r表示无人机有效覆盖半径；
[0041]S2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于仿生算法和BP神经网络的无人机轨迹优化方法，其特征在于，包括以下步骤：S1、构建包括K个地面基站，M个低空无人机，N个高空无人机和L个地面用户的一个空地协同无线通信网络系统模型；S2、基于损耗增益，覆盖率和用户业务量构建步骤S1得到的空地协同无线通信网络系统模型的目标优化函数；S3、分别采用遗传算法，蚁群算法和粒子群算法对步骤S2构建的目标函数进行求解，得到最优评价值以及对应的解；S4、对步骤S3得到的最优评价值以及对应的解进行kmeans聚类处理，得到数据集；S5、将步骤S4得到的数据集和函数值作为输入，对DNN网络进行训练，利用训练好的DNN网络预测最佳轨迹并进行实时决策，满足系统目标和约束以实现无人机网络优化。2.根据权利要求1所述的基于仿生算法和BP神经网络的无人机轨迹优化方法，其特征在于，步骤S1具体为：S101、构建一个正方形网格规定实际系统优化范围，X_MAX代表正方形边长，场景中用户随机分布，之后补充环境参数，建立通信网络系统环境模型；S102、根据步骤S101中定义的正方形网格，建立由K个基站组成的基站场景模型，每个基站拥有S个扇区；S103、根据步骤S102增加的正方形网格建立由M个无人机组成的无人机场景模型；S104、建立基站天线增益模型A如下：A＝
‑
min{
‑
(AH+AV),Amax}其中，AH，AV代表辐射功率图的水平切面和垂直切面增益；S105、根据步骤S104建立的基站天线场景模型建立无人机天线增模型AU如下：其中，φU分别为方位角和仰角，2Θ∈(0，π)表示方位角波束宽度和仰角波束宽度；S106、虑信道模型中的大规模衰落，Los和NLos之间的加权平均值作为空对地路径损耗，具体如下：PLLoS＝28.0+22lgd+20lg(fc)；PLNLoS＝32.4+30lgd+20lg(fc)；其中，PLLos为视距无线传输损耗功率，PLNLoS为非视距无线传输损耗功率，d为三维距离，fc为载频；依据步骤S104构建的增益模型，发生视距损耗的概率PLoS为：PLoS＝1/(1+αexp(
‑
β(arctan(h/d2)
‑
α)))其中，α，β为环境参数，h为无人机高度，d2为无人机与用户水平距离；S107、根据步骤S106建立的路径损耗模型构建基站损耗模型如下：PL＝32.4+20lg(d[m])+20lg(fc[GHz])。3.根据权利要求1所述的基于仿生算法和BP神经网络的无人机轨迹优化方法，其特征在于，步骤S2具体为：S201、无人机与基站采用正交频率，计算信干噪比得到基站和无人机的有效覆盖范围；
S202、基站覆盖范围内，当信干噪比大于需满足的最低信干噪比时，覆盖率为1，构建基站覆盖率模型；S203、考虑覆盖时长，构建无人机覆盖率模型，某一点处无人机盘旋一圈时该点被覆盖时无人机飞过的角度θ
n
为：θ
n
＝2arccos((Rn2+d2+r2)/2Rnd)其中，Rn为无人机盘旋半径，d表示该点到无人机盘旋中心水平距离，r表示无人机有效覆盖半径；S204、当基站和高空无人机同时覆盖到某一区域时，取基站覆盖率值1；当仅有无人机或者基站覆盖时，通过步骤S203计算的覆盖角，最终对所有用户覆盖率进行求和，构建整体覆盖率函数；S205、当业务量需求大时，利用步骤S204的整体覆盖率函数与业务量相乘得到最终的评价标准，对所得到的值求和构成最终的目标优化函数。4.根据权利要求1所述的基于仿生算法和BP神经网络的无人机轨迹优化方法，其特征在于，步骤S3具体为：S301、初始化蚁群参数，包括蚁群数量，最大迭代次数，信息素挥发因子，转移概率常数，局部搜索步...

【专利技术属性】
技术研发人员：周子涵，唐文昕，覃彩娜，蔡章杰，姜叶，翟道森，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：