文摘

由于自然灾害,无人驾驶飞行器(无人机)可以作为空中无线基站部署在传统的蜂窝网络的服务。他们还可以补充移动地面站为无线设备提供改进的覆盖和更快的数据率。车轮上的细胞(牛)也可以用来提供增强的无线覆盖短期需求。在本文中,一个牛与单个无人机合作以提供最大的无线覆盖地面用户。优化问题是制定找到如下:(1)最优二维位置的牛,(2)最优无人机的三维位置,(3)最优带宽分配,(4)必须提供可用带宽的百分比,牛和无人机,和(5)的优先级无线覆盖;最大化覆盖用户的数量。我们利用穷举搜索(ES)和粒子群优化(PSO)算法来解决优化问题。验证了该算法的有效性通过仿真结果。

1。介绍

无人机网络已经开发作为一个可能的技术迅速提供无线覆盖的地理区域,在飞行的无人机可以作为一个细胞快速部署操作网站(1,2]。部署无人机飞行基地站的优势对传统地面基站的能力变化的高度,避免障碍,增加的可能性建立视线(LoS)通信与无线设备连接3,4]。无人机是特别有用的情况下当传统蜂窝网络不可用或需要协助提供必要的能力和范围(5,6]。Verizon公司,例如,开发了一个机载长期演进(LTE)服务提供4 g LTE连接在灾难恢复演习和应急管理7]。作者在8]研究紧急无人机部署以减少无人机部署延迟直到覆盖整个地理区域不同通过考虑无人机的飞行速度和高度在部署期间。在[9克ydF4y2Ba),作者建立一个统一的框架UAV-assisted应急网络。无人机联合优化的调度和轨迹提供无线连接无线设备与地面移动站。作者在10]提出的部署工具drone-aided应急网络提供无线设备覆盖在一个大规模的灾难场景。LTE毫微微蜂窝基站安装在无人机和部署到指定的位置。这样一个网络的部署工具考虑无人机的特点(如电池寿命和飞行时间),用户需求,和一个3 d环境的代表。在[11),作者提出无人机应急节能规划。他们的问题制定考虑室外和室内用户,目标是找到多个无人机提供无线覆盖的位置基于用户的位置和分布。此外,补充幸存的通信基础设施和保持应急人员连接到他们的指挥中心,一个可移植的细胞或牛可以利用(12]。一个可以建立一个临时网络,使整个灾区重要公共安全通信通过有效地部署这些移动的细胞。这些移植细胞,这是简单的部署、配置和调整,是一个理想的解决方案对于任何救灾努力。作者在12]目前分散的定位算法,使奶牛能够改变他们的位置的地面用户的潜在流动性。在[13),作者描述和提出一个便携式移动无线网络基础设施,适合应急响应和灾难恢复操作。作者在14)研究为救灾应急通信网络的挑战。这些挑战包括流行、可用性、容量、可操作性、可靠性和适应性。在[15),作者证明了无人机协助CoW-UAV无线网络可以提供显著的优势回程在某些系统参数。作者在16)提出了一个有效的3 d位置协助陆地无线网络一个无人机。在他们提出的模型中,一个单一的无人机利用协助GBS并提供无线覆盖任意分布的地面终端,考虑到影响的障碍堵塞A2G路径损耗模型。作者在17)提出一个框架,结合无人机与wireless-powered通信技术支持,进一步提高能源效率在分布式非正交的多路访问公共安全网络。在[18),作者提出以用户为中心的分布式risk-aware UAV-assisted公共安全网络中的资源管理框架支持静态无人机和移动无人机。作者在19]引入资源编制框架UAV-assisted wireless-powered通信网络在公共安全系统中,基于契约理论的原则和强化学习。

在这篇文章中,一个牛和一个无人机利用最大化无线通信覆盖在紧急情况下。提出了优化问题的目标是找到最优二维位置的牛,最佳的无人机的三维位置,最优带宽分配无人机和牛,和无线覆盖的优先级,最大化覆盖无线设备的数量。我们所知,这是第一次工作,提出使用CoW-UAV系统最大化无线覆盖在紧急情况下。总结了本文的主要贡献如下:(1CoW-UAV系统)现实的路径损耗模型,这些模型描述和权衡(2)CoW-UAV系统的优化问题是制定目标的最大化无线覆盖(3)穷举搜索(ES)和粒子群优化(PSO)算法用于解决优化问题

本文的其余部分组织如下。节2,系统模型描述。然后,在节3优化问题是制定,目标是最大化覆盖无线设备的数量。接下来,提出了提出算法解决优化问题4。并给出了数值结果5。最后,部分6总结了纸。

2。系统模型

考虑一个城市区域表示 由一头牛的帮助下一个充当天线基站的无人机,如图1。牛和无人机都有固定的传动功率。让 表示2 d的牛,让 表示无人机的三维位置,如图1。无人机的运动是依法限制到特定的高度限制,当道路在特定区域限制的运动牛。假设所有用户都位于城市环境内,和使用 来表示用户的位置 。牛或无人机服务用户的无线设备如果服务质量(QoS),测量的信噪比(信噪比),上面是一个预定义的阈值。这样一个阈值取决于类型的服务(例如,语音、数据和视频)所需的用户。

牛和无人机配备了收发天线、和下行场景设想,频分多址(FDMA)技术是用来传输数据,并提供覆盖无线设备。因此,每个无线设备都有自己的专用的通信通道,也没有干扰或通道重叠牛和无人机渠道。牛和无人机的带宽和 ,分别。牛和无人机支持回程链接,将它们连接到互联网的核心。受益于牛和无人机部署最高可以获得通过寻找最优位置。假设所有无线设备有相同的QoS,最高的利益可以通过连接实现奶牛和尽可能多的无线设备的无人机。牛和无人机位置影响无线设备服务的数量和质量的每一个无线设备和基站之间的通道(牛或无人机)。关键在这种背景下,我们需要回答的问题是哪个基站无线覆盖第一个开始,牛或无人机呢?在下行的情况下,我们考虑两种类型的通道:牛无线设备通道和无人机无线设备通道。

2.1。牛无线设备通道

在本文中,我们利用独立的瑞利衰落模型代表牛之间的时变信道和无线设备在城市环境中(20.,21]。时间变化时发生障碍在发射机和接收机之间的地位是不确定的,由于运动的障碍。振幅的变化、延迟和多路径组件的数量与每个信号可以被检测出来。在一个更长的时间尺度,这些变化导致建设性和破坏性的多路径组件。无线设备的接收功率由牛制定如下: 在哪里dBm是牛的发射功率,无线设备的瑞利衰落的力量吗在dB,是牛和无线设备之间的距离这是由

2.2。无人机无线设备通道

下行无人机之间的通信和无线设备,我们使用空对地通道模型,它是一种最常用的无线传播模型(22]。一般来说,它是依赖于视线(LoS)和非线性的仿真结果)链接,以及各自发生的机会。这个通道模型考虑两种类型的传播:LoS传播和仿真结果传播。基于环境和无人机的位置,下面的公式是用来计算的概率一个洛杉矶的信号: 在哪里和是常数,其值是受环境的影响, 的仰角无人机无线设备吗 , 是无人机高度,之间的水平距离是无人机放置在地面上的投影和无线设备的位置吗 。权衡在这个模型中描述了作者的23]。无人机和无线设备之间的路径损耗降低高度降低,而视线链接的概率也降低。另一方面,视线链接出现在高海拔高概率,而路径损耗增加。考虑到洛杉矶和仿真结果链接,总平均路径损耗在这个模型中可以找到如下: 其中第一项表示空间路径损耗,是载波频率,是光速,路径损耗指数,无人机和无线设备之间的距离吗 ,和和是洛杉矶的平均额外损失和仿真结果链接在dB,分别。这些损失是依赖环境。

无线设备的接收功率无人机由服务 在哪里dBm和无人机的发射功率吗 在dB总平均路径损耗。

3所示。问题的配方

接收到的的无线设备 从 或无人机 是由 在哪里无线设备的接收功率吗 从q-th基站和是信道噪声功率,它是由吗 ,在这噪声功率谱密度的通道和吗无线设备的带宽分配吗 从基站 。

本文的主要目的是找到最优位置的牛和最大化的无人机提供无线设备的数量,如图1。制定优化问题,我们定义了二进制变量 , 和 确保无线设备是否 是由基站 与否。二元变量将值1,如果 ,否则需要值0,是阈值信噪比。

然后,如果无线设备 是服务, 必须满足。这个约束可以进一步制定如下: 在哪里一个明显常数,大于的最大价值 。带宽分配给每个基站(牛或无人机)不能超过它的可用带宽。因此, 在哪里带宽分配给无线设备吗 从基站 。在这里,每个基站的带宽是不固定的;因此,必须优化。许多因素影响的最优带宽,包括可用带宽、QoS要求,无线设备的要求,环境和场景。

带宽分配给每个BS应该获得在这个研究工作以作为许多无线设备从设备的总数在城市地区。因此,我们定义的变量 , ,这表明多少带宽应该分配给牛。带宽分配给牛计算如下: ,而带宽分配给无人机指定如下: 。优化问题的目标是找到如下:(1)最优二维位置的牛,(2)最优无人机的三维位置,(3)最优带宽分配,和(4)的优先级的无线覆盖,覆盖用户的数量最大化。的优化问题

第一个约束集可以确保每一个无线设备的QoS应该大于或等于从牛或无人机服务。第二个约束集保证无线设备带宽的总和不超过基站带宽。第三个约束集可以确保无线设备应连接到一个基站最多或没有。约束集9 e- - - - - -9 f- - - - - -9克代表的带宽分配给每个基站。约束集9 h-9i代表的许用值的2 d和3 d配售牛和无人机,分别。

4所示。方法

本节提出了牛和无人机位置的求解方法,为每一个分配带宽的百分比。这项工作使用穷举搜索和PSO算法找到的最大数量为用户提出的地区。

4.1。详尽的搜索(ES)

详尽的搜索被认为是最优的解决方案。它可以找到最好的2 d的牛,无人机的三维位置,可用带宽在每个其中之一。考虑到优先级,BS(即。,CoW or UAV) that has the priority is assumed to be ,另一个是 。首先,将部署在允许的位置和服务的一组用户(U)。其次,将部署服务尽可能多的用户设置 。位置的确定 , 将在每个搜索点同步。ES算法需要大量的计算,甚至是不可能的。PSO算法被用来克服高ES的计算开销问题。

4.2。算法

PSO算法被用于这项研究提供了一个解决方案(24,25]。PSO是一个次优的解决方案,有效解决二维位置的牛,无人机的三维位置,可用带宽可以找到其中的每一个。PSO算法生成一组随机的解决方案为起点,每个解决方案交付b(即。,牛或无人机)的位置。它旨在促进迭代候选解决方案基于每个候选人的最佳体验和候选人的最佳全球经验 。粒子的位置和速度评估根据最好的位置全球最好的位置 ,在每一次迭代都增强。速度项修改使用下面的方法:

的因素惯性权重,用于调整收敛速度,和因素代表粒子的步幅大小对其本地和全球最佳解决方案,然后呢是随机的正数。提高每个粒子的位置如下:

以同样的方式,在西文,PSO发现两个循环的解决方案。最初,BS,重点说明 ,和它是部署一组用户(U)。其他的废话了 ,并部署下提供尽可能多的用户组 。PSO算法的伪代码描述的算法1:

4.3。计算复杂度

本节将展示使用PSO或ES算法的复杂性。众所周知,ES算法找到最优解的问题。然而,它的计算复杂度很高。实际上,ES复杂性 ,在哪里 是3 d的无人机提出可能的地点,然后由无人机服务用户的数量, 是2 d牛的提出可能的地点,然后呢 由无人机供水用户的数量。

为了降低计算复杂度,次优的解决方案是使用PSO算法等启发式算法获得的。因此,算法的复杂性 ,在哪里人口是一个随机的解决方案,是迭代的数量,用户数量的无人机, 由无人机供水用户的数量。

5。业绩评估

仿真结果描述算法的性能和穷举搜索算法而言,本节提出了服务的用户数量。使用MATLAB R2020a得到仿真结果。我们假设一个城市面积(1000×1000),由道路如图1。此外,共有200个用户应该是在特定区域均匀分布。我们使用评价参数如表所示1。此外,表中列出的粒子群优化算法的参数2。

图2显示服务用户的数量和分配带宽的百分比为牛利用上述算法。当优先级获得的数字是给牛一开始。如图,有一个明确的趋势,服务用户的数量的减少无人机的带宽的百分比减少(等价于增加)。同样,有一个明显的服务用户的数量增加奶牛作为其带宽的百分比, ,增加。因此,有一个最优带宽的百分比, ,服务用户的数量最大化。在这种情况下,最优带宽的百分比给牛= 0.7,而剩余的带宽的百分比(1− )= 0.3应该提供给无人机。此外,图表明,服务的用户数量的牛使用PSO算法几乎一致,结果一旦使用穷举搜索算法。这背后的原因是牛的灵活性选择它的位置一旦在无人机为主。然而,有一个小缺口在无人机的服务的用户数量(以及用户)的总数。

图3描述了服务用户的数量的带宽的比例提供给牛, ,当无人机优先。图显示了一个明确的趋势增加(减少)服务用户的数量的牛(UAV)带宽的百分比的牛, ,增加。如图,服务用户使用PSO算法的无人机,或者穷举搜索算法,是相同的。因为无人机的优先选择它的位置在牛。此外,图的结果表明,PSO算法可以实现详尽的搜索算法的结果偏差不超过5%。然而,PSO算法的复杂度远低于穷举搜索算法的复杂性。

显示哪些BS应该开始为主,人物4显示优先级提供给无人机和牛的概率取决于带宽的比例提供给牛 。图显示,无人机必须优先考虑选择它的位置在牛的带宽(1−比例 )高于0.35(或什么时候小于0.65)。相比之下,牛时,必须优先开始其带宽的百分比超过0.65。在似是而非的解释这些结果是无人机比牛更灵活的运动。牛可以移动只在道路上,如图1。然而,无人机可以自由所有可能的3 d位置之间移动的特定区域。必须意识到,在极端的情况下,优先级并不重要,牛只工作(例如,= 1)或只有无人机只是工作(例如,= 0)。

现在,显示我们的算法的优化结果,图5显示了无人机的优化位置(蓝色方块)(1000、600、290)和牛(绿色圆圈)使用ES(225、610)算法。注意,牛是固定的高度在6米。在此设置,是优先考虑的无人机与带宽的百分比(1−开始 )= 0.6。因此,无人机是120用户(蓝点),然后牛是78用户(绿点)。因此,99%的用户服务。

此外,图6显示了牛的优化位置(绿色圆圈)和无人机(蓝色平方)使用ES算法之后的首要任务是给牛一开始。在这种情况下,最好的牛位置(610、343)的带宽的百分比= 0.7,然后是最好的无人机无人机的位置(400、750、290)和带宽的百分比(1− )= 0.3。因此,牛是140用户,然后是无人机是54个用户。因此,97%的用户在此设置。

显示ES和PSO算法的计算复杂度,表3显示了每个算法的运行时间在不同的带宽百分比值提供给牛 。从表中可以看出,PSO算法显著改善所需的时间。此外,注意这些ES算法得到的结果在50米步长。如果步长减少定位无人机和牛精确,运行时间将会增加。例如,如果25 m和步长 ,运行时间是963.5秒。

最后,为了显示我们算法的鲁棒性,研究其性能在三个不同的用户的分布。第一个分布(D₁),我们使用,整体评估。第二个分布(D₂)是一个随机分布。第三个分布(D₃)是一个均匀分布,用户在特定区域分布均匀。图7显示了所有前面所提到的三种分布性能。可以看出,服务用户比例很低的变化就会发生。此外,在不切实际的情况是均匀分布(即。D₃),提供用户比例的下降将至少5%左右。

6。结论

提出了一种合作方案一头牛和一个无人机打算最大化无线覆盖在紧急情况下。首先,我们发现哪一个的牛和无人机必须位于开始。然后,最好的2 d位置牛和无人机的三维位置进行了优化。此外,可用带宽的百分比,必须提供为每个基站计算(牛和无人机)。最后,我们发现,取决于带宽的百分比优先考虑每个基站。CoW-UAV系统,仿真结果表明,无人机必须优先考虑选择它的位置在牛当带宽的百分比小于0.65。相比之下,牛时,必须优先开始其带宽的百分比超过0.65。此外,仿真结果表明,PSO算法可以实现详尽的搜索算法的结果偏差不超过5%。然而,PSO算法的复杂度远低于穷举搜索算法的复杂性。

数据可用性

数据可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究工作得到了办公室Alfaisal大学研究和创新,沙特阿拉伯。