文摘

无人驾驶飞行器(无人机)中扮演重要角色的未来5 g和6 g通信网络。UAV-assisted通信提供了改进的网络容量和覆盖的好处。一个典型的通信设置为无人机将用户连接到核心网络通过一个回程通道。在这样的一些挑战回程的设置包括user-UAV协会和管理渠道。这两个挑战是极大地影响网络中定位的无人机。在本文中,我们通过考虑联合应对这些挑战无人机位置和用户关联问题数据速率下,信号干扰噪声比,和带宽限制。为了克服这个问题,一种混合算法- k聚类算法则是用于两个阶段。在第一阶段,我们使用一个K算法则集群用户和确定其水平位置。在第二阶段中,我们使用粒子群优化(PSO)找到无人机最大化的有效的3 d位置各种网络设计,即以网络为中心的方法和以用户为中心的方法。建议的解决方案的性能是使用仿真结果验证。

1。介绍

大规模网络容量、低延迟和高数据率的一些重大需求和未来无线网络的目标。这些需要一个实用的转换和有效改善当前的无线通信网络。因此,为了满足这些需求,许多技术有前途的候选人被认为是未来的无线网络,包括网络致密化、大规模的多输入多输出(MIMO),和毫米波(mmWave)通信。通过操作毫米波(mmWave)和大带宽范围从30到300 GHz频率,我们可以增强数据速率和容量性能到千兆/ s水平(1- - - - - -4]。

最近,它已成为难以预测用户某些区域内的交通模式。这需要快速和大规模部署的地面站。然而,这是不可能的支出,资本或操作。在这些场景中,无人机作为基站(BSs)已经成为一种很有前途的解决方案在未来的无线网络。UAV-BSs可以帮助地面BS网络提供高数据速率覆盖在任何时间和地点应(5- - - - - -7]。UAV-BSs也可以处理这个问题的临时覆盖在农村和人口密集地区和陆地无线基础设施损害了自然灾难(8- - - - - -10克ydF4y2Ba]。

随着动机上面提到的,有许多的挑战与UAV-BSs集成mmWave乐队。首先,波长越短,例如,导致较小的对象(即。,humans) to become radio propagation obstructions in the line-of-sight (LoS) [11,12]。因此,它是至关重要的考虑造成的堵塞人体在分析时的性能或mmWave-BS部署计划。相反,路径损耗(PL)在更高频率增加显著增加发射机和接收机之间的距离(13,14]。在mmWave乐队,这是另一个挑战。因此,之间有一个权衡的无人机定位最大高度(LoS提高)和维持一个低PL (PL)的距离增大而增大。其次,与地面基站(gbs),无人机无线回程它们之间和核心网络。因此,作为数据访问用户之间的联系和UAV-BS已经大幅增加,回程链路的容量变得相对有限(15,16]。因此,有一个需要考虑的约束无线回程链路的局限性UAV-BSs的设计和部署。

第三,几篇文章都集中在user-UAV协会和无人机定位问题(17- - - - - -21]。在单个无人机的背景下,作者的17)检查无人机三维位置增加服务用户的数量。用户之间的关联问题,解决了无人机使用信噪比(信噪比)。在[18),的问题有效的无人机的三维定位检查。使用了两个指标:以用户为中心和以网络为中心的率和服务用户的数量之和最大化。同时,他们强加约束包括回程协会数据速率和带宽和处理问题,最大路径损耗。然而,在前面的作品(17,18),作者采用穷举搜索算法来解决的关系问题。算法计算昂贵,因此不采用。在多个无人机的背景下,作者在19]寻求确定无人机的最少需要服务的一组用户提供高数据速率的要求放置多个无人机在3 d。与无人机取决于用户协会最佳signal-to-interference-plus-noise比(SINR)值。值得注意的是,作者用粒子群优化(PSO)算法来解决这个问题。尽管如此,他们仍然受到高计算成本。作者在20.)开发和研究协会的问题UAV-hubs使用一个简单的贪婪算法,考虑以下约束:回程数据核心网络之间的联系和mother-UAV中心;的最大带宽每个UAV-hub用于小细胞基站;的最大连接数,每个UAV-hub可以支持;和最低SINR。在[21),作者采用一种基于无监督学习k——部署的集群技术,紧随其后的是小细胞基站的协会(SCBSs)考虑中提到的同样的约束(20.]。尽管如此,这项工作的限制之一是,无人机都认为是同一个高度,这实际上可能不可能的或可取的。

最后,不少计划(22- - - - - -24)提出了解决资源分配问题UAV-assisted沟通。在[22],作者采用两个睡眠调度策略为大规模机械化的通信设备,它是由三个不同的多路访问协议。此外,他们制定的大规模机械化的封闭公式通信设备的峰值信息时代(AoI),是制定为优化目标的约束下能量收获力量,状态更新率,和稳定性条件。水下数据收集的有效完成,异构自治水下机器人(AUV)提出了辅助信息收集系统(23]。AUV轨迹和较低的时间复杂度是算法获得的。此外,迭代平衡能源效率之间的权衡和系统队列积压,基于李雅普诺夫的两级联合优化算法优化创建。通过联合优化无人机轨迹和无线电资源分配多路访问技术,作者的24]特征能力的多个用户的无人机。作者证明了非正交多重存取方面明显优于正交多重存取速率区域多个用户,而频分多路访问达到更高的利率比时分多路访问区域。

解决这些问题,我们调查的有效部署的mmWave-UAV-BS考虑mmWave通信的特性,人体可能能够阻止《链接通过假设无人机徘徊在似稳形式在特定高度和mmWave-UAV-BS的高度与BSs安装在墙上的高度(25]。在优化问题中,我们利用陆地和空对地(A2G)信道模型26]。此外,我们研究无人机的效率优化3 d定位和users-UAVs协会为各种网络服务用户的数量最大化设计通过考虑多个有关通讯约束。应对这一优化问题,使用混合算法——无人机位置确定K——在两阶段聚类算法。此外,提出了一种贪婪算法复杂度较低user-UAV协会来解决问题。

这些论文的贡献可以概括如下:(我)占人体堵塞,我们采用一种陆地mmWave空对地mmWave通信信道模型。(2)user-UAV协会来解决问题,我们提出一个有效的贪婪算法的问题通过使用多个有关的沟通因素,包括回程的最大数据率,每个无人机的最大带宽,链接,每一个无人机能够支持的最大数量。(3)我们建议联合user-UAV数据速率分配优化问题。(iv)解决无人机的高效的3 d位置问题,最大化整个系统的目标函数,我们提出一种混合算法K——聚类算法。(v)为了解决回程数据速率分配问题,我们制定数据分配问题作为一个二进制优化问题。这个问题的目标是最大化目标函数通过使用多个有关通讯约束。

本文的其余部分的结构如下。节2,给出了系统模型。节3优化问题是制定。节4该方法描述。在那之后,并给出了仿真结果5。最后,结论部分所示6。

2。系统模型

在我们的模型中,我们假定一个下行无线异构网络(HetNet)区域包括三个主要节点,也就是说,用户、无人机、核心网络网关,如图1。我们假设一个拥挤的临时事件。因此,我们将有卸载用户由于其数量的增加或因为他们的数据率超过了确定容量。

让卸载所有用户的集合,定义的元素集的总数在哪里 。的位置用户 。这些用户,被认为是人类的阻断剂,是谁设计成圆柱形状。值得一提的是,我们假设所有用户相互阻滞剂,手机所在地的海拔 。另一方面,无人机被指示为在哪里表示元素的总数,在哪里 。我们假设控制信息,包括回程数据速率,可用带宽,和SINR,无人机都是共享的。在研究模型中,每个用户自己的无人机。此外,无线回程每个无人机和核心网络网关之间的联系是一个mmWave链接。在我们的假设中,提出了系统模型被认为是静态的时间操作。

无人机和用户之间的沟通,我们采用了A2G标准线性模型。A2G模型有两个组件:视距(LoS)和视线范围(仿真结果)通信链路mmWave频率。对于一个给定的无人机和用户,两个组件的标准线性PL模型建模如下(26]: 在哪里和是浮动的拦截和线的斜率参数,分别。3 d无人机和用户之间的距离表达的是

占人体的堵塞,洛杉矶的概率采用(27), ,然后作为

同时, ,在哪里和人类阻断剂的密度和直径,分别。参数表示 , ,和代表无人机的高度、用户和人类的拦截器,分别与2 d距离用户和无人机给药

然后,之间的平均PL用户和无人机,分贝(dB)表示

我们假设是为每个无人机传输能量。因此,当无人机传输一帧,用户接收帧与权力 ,在哪里表示多路径衰落,都要遵循一个指数分布的均值 。然后,SINR值给出如下: 在哪里 和是加性高斯白噪声的力量。

3所示。问题公式化

我们认为,网络下载情况数据下载从地面核心网络度假用户无人机。此外,我们假设用户在笛卡尔坐标随机分布。需要估计所需数量的无人机,这样所有的用户都可以处理。为了达到这个目的,每个无人机可以处理的最大连接数从一个总数用户。因此,需要可以表达的 在哪里是上限函数。让user-UAV关联矩阵。这个矩阵的条目被指示为 ,行和列的显示用户和无人机索引,分别。因此,给药

假设所需的数据率从无人机被定义为用户 ,这意味着所需带宽的用户给出的无人机

目标是获得高效的三维定位与一个预定义的高效的无人机数量最大化各种网络设计参数。这些参数包括速度和服务用户的数量之和为各种速率要求的整体网络。为此,制定如下优化问题:

主题:

约束(10)确保所有无人机的全部数据速率不超过所允许的数据速率回程通道 。这是用作QoS要求。约束(10 b每个无人机)部队的总带宽分配不超过允许的带宽为特定的无人机 。约束(10 c)限制与每个无人机相关联的用户数量不超过一定数量 。证明这种需求的一个原因是限制任何可能干扰,从而提供一个更好的QoS。约束(10 d)确保用户和他们之间的SINR无人机不低于某个阈值的 。这意味着用户严重退化的渠道不包括在该协会的过程。约束(10 e)- (10克)指定的极限空间维度的无人机。约束(10 h)表示二进制协会的性质问题。

的成本函数(10克ydF4y2Ba),我们考虑以下场景:(我)场景1: 在这种情况下,设置被称为以用户为中心的方法,目的是最大化网络的总额比率(2)场景2: 在这种情况下,设置被称为网络中心的方法,目的是最大化网络服务用户的数量。

4所示。杂交PSO -K——聚类算法

目标函数(10克ydF4y2Ba)是一个二进制优化问题。这些问题是np难所示。这意味着提供一个最优解的计算复杂度高。这需要开发高效的解决方案,有较低的计算复杂度。提出了一种两阶段的解决方案来处理效率高计算复杂度无人机位置。在第一阶段,我们聚集地面用户和确定他们的2 d位置使用k——聚类算法。在第二阶段,3 d无人机位置确定使用PSO算法最大化各种网络设计,无论他们是一个以用户为中心的方法或以网络为中心的方法。

4.1。K——聚类算法

的k聚类算法则是一种无监督算法,提出了1957年斯图尔特·劳埃德·贝尔实验室(28]。Ṫhe算法试图分裂用户进入预定义的集群,每个用户只被分配到一个组。K——也是一个衡量星团内的相似性和intercluster不同最大化通过迭代爬山。在我们的环境中,k——聚类算法处理二维地面用户的位置。算法1说明了k——聚类方法的伪代码,它的灵感来自于k则算法(29日]。

正如我们前面所提到的,有必要将一组用户成集群,每个集群用户属于与最接近的意思。根据算法1,选择集群的数量(例如, )之前我们的算法是关键阶段随机初始化集群质心(即。,step 5). The algorithm performs two tasks throughout each iteration: (1) stage of cluster assignment and (2) stage of centroids moving (step 6). In the stage of assigning clusters, each point is examined by the algorithm, which selects the nearest centroid and assigns the point to it. In the moving centroids stage, the algorithm determines the cluster’s mean point and shifts the centroids there. This two-step procedure is repeated until the algorithm converges. When the assignments stop changing, the algorithm converges. The temporal complexity of the k-means clustering technique is ,在哪里用户的数量和吗表示数量的集群。基于提出的算法中,我们假设每个集群将只有一个无人机。后完成聚类用户,它使用PSO算法来确定无人机的位置在三维空间最大化整个网络总额率和服务用户的数量的基础上应用的方法。

4.2。高效的无人机三维定位

最受欢迎的智能方法和进化全局优化技术的粒子群优化(PSO)算法。中第一次被提出的算法(30.]和灵感来源于社会动物的群体行为包括鸟群和鱼成群。这些交际生物是众所周知的合作来最大化他们的可访问性食品通过交换信息。这一发现引起了随机代理合作的想法找到更好的解决方案(30.]。在算法中,每个个人代理,也称为粒子,其搜索速度变化基于其最佳性能以及集团的最佳性能。在这个阶段,我们将PSO算法应用于找到一个有效的3 d位置无人机目标函数最大化。具体步骤说明如下:(一)初始化。的最大迭代数决定在这第一阶段,随着人口初始化粒子位置和设置的最大速度。位置信息是用来确定搜索空间和初始化是通过选择速度范围内的随机点和搜索空间。每个粒子的初始飞行速度是随机选取的,指定粒子群的大小。一开始数量设置为无人机的初始位置,因为这种方法的目的是找到最有效的无人机三维位置。(b)健身的函数。目标函数必须满足多个有关的沟通因素,包括(1)- (4)为了最大化目标函数,约束是否总额率或服务用户的数量,分别在以用户为中心的方法或以网络为中心的方法。因此,目标函数可以作为评价函数 。(c)位置和速度更新。后,计算每个粒子的健身价值使用适应度函数以迭代的方式提高候选解决方案基于两个最佳值,即:每个粒子的,最好的本地经验 ,和最好的全球经验 。最好为每个粒子的局部的位置全球最好的位置在每次迭代更新,基于他们,确定粒子位置和速度(19]。所指示的位置可以改变多少速度值,这是提供的 在哪里均匀分布随机变量与独立分布的范围 , 和是积极的参数称为加速度系数,确定最大迭代之间的步长,然后呢是惯性权重。另外,每个粒子的位置更新如下:

算法的计算成本是由迭代的数量 ,候选解决方案 ,和迭代用于更新每个粒子的速度和位置 。作为一个结果,给出了PSO算法的最坏情况的复杂性。相比其他meta-heuristic算法(即。,Artificial Bees Colony (ABC), Genetic Algorithm (GA), and Ant Colony), the PSO algorithm is less complicated and takes less time to run.

在确定的位置通过PSO-K-means无人机部署计划,我们将注意力转向UAV-User协会。该协会是一个np难问题二进制计算量的问题。为了解决这个问题,我们提出一个贪婪的方法,包括两个阶段,如下所述。(我)SINR排名。这一步的目的是为无人机估计在用户侧的SINR值。这是必要的,因为SINR值事先不知道,敏感通道的影响。产生这样的估计,无人机初始化通信与用户预定的信号。每个用户计算SINR价值在他们的身边。接下来,用户订单M SINR值对应于M无人机与最大SINR值并选择用户。我们注意到用户排除所有无人机与相应的SINR值违反最低SINR值中设置约束(A4)。在确定最大SINR值的无人机,说无人机无人机,它将发送确认反馈。结合无人机的所有用户的反馈,一个关联矩阵可以构造。的矩阵是一个二进制 矩阵的条目对应于之间的关联用户和无人机。为用户,如果无人机是最大SINR的无人机 ,否则设置为0。(2) - - - - - -矩阵修剪。

我们注意到关联矩阵建立在前一个步骤只关心的是确保SINR需求满足。为了满足最大化目标函数的同时其他约束(10克ydF4y2Ba),关联矩阵需要修剪。修剪的矩阵,每个无人机试图找到愿意提供服务的用户组的用户发送反馈请求无人机。换句话说,无人机,目标是修剪列(即。、列 )。

为实现这一目标,我们提出一个贪婪的关联算法算法所示2。在这个算法中,本地协会决定在每个无人机,决策过程在本质上是连续的。我们考虑两种情况;以用户为中心的场景和以网络为中心的场景目标。(我)场景1(以用户为中心的场景)。在这种情况下,我们的目标是最大化数据速率的总和的无人机。因此,目标函数(10克ydF4y2Ba)是这样 。最大化的目标,该算法将用户每个无人机序列贪婪的方式。这个想法是选择具有最大数据速率和不断增加的用户他们关联向量只要约束(例如, , 和 )不受侵害。让协会表示向量的无人机。向量是一个 向量和表示零的条目的数量列的表示为 。此外,让表示用户索引对应的向量非零列条目 。此外,让表示一组数据速率要求相应的用户 。现在我们已经准备好解释算法的步骤。第一步是找到向量的最大速率 。假设它对应的索引 ,然后,第一个用户是有关用户。接下来,该协会向量更新索引中有一个非零元素 。然后修改的约束和检查二进制的有效性。协会的过程一直持续到至少约束违反。(2)场景2(以网络为中心的场景)。

这类似于前面的场景,除了这里的目标是最大化的用户数量与每个无人机相关联。为了达到这个目标,成本函数是这样修改 。这结合率约束意味着用户应该添加的方式让更多的优先级较低的用户数据速率。这与前面解释的以用户为中心的方法。因此,我们可以使用上面描述的同样的贪婪算法,而是用以下修改的降序排序。的实体向量是选择升序排序。

5。仿真结果和讨论

我们假设地理区域是1100用户在笛卡尔坐标中均匀分布。每个无人机可以容纳30请求。根据(7),我们有4个无人机。此外,我们假设每个的低空无人机飞(100 - 400)。现在我们从向量随机分配的数据率和使用过程中描述的算法2获得结果。表1列出了仿真参数。结果是两个不同的情景模拟:(我)场景1: 的首要任务是给用户的最大数据率和最小带宽。(2)场景2: 的首要任务是给用户的最低数据率和最小带宽。

如前所述,用户根据网络选择 。以网络为中心的方法试图充当许多用户可行,无论所需的数据率。当使用一个网络中心,大多数服务用户的数据速率很低。5 G网络需要一个应用程序和用户之间的区别;因此,向用户提供服务的低数据率是不公平的。从这一点上,我们使用了一个以用户为中心的方法来识别用户的优先级,在网络选择用户最大化总额率和优先级最高的用户数据速率。

在提出的两个场景中,算法的结果2正在检查网络的设计。图2(一个)和2 (b)描述用户的分布和有效无人机的三维定位为以用户为中心和以网络为中心的方法,分别。在两种方法中,我们观察到无人机的最大潜在的高度最大化目标函数。同时,我们可以看到,在以用户为中心的方法中,所提供的服务将以网络为中心的方法相比更少的用户。大多数服务提供商往往选择以网络为中心的方法中,这被认为是最有利的选择,因为它需要更少的支付使用频谱。许可费用取决于每个用户的带宽消耗的数量在一个地理区域。表2说明了数字图的性能2并比较两种提议的方法(即。,user-centric and network-centric) in terms of total associated users, total bandwidth consumption, total sum rate, and percentage of users in an outage. Overall, we note that network-centric is superior to user-centric in terms of the number of connected users and the percentage of users experiencing an outage from the service. This is due to the priority that was previously explained.

更好地了解该算法和局限性,我们运行在以下几个实验来研究各种局限性的影响由于约束(A1), (A2)和(A2)目标函数方程(11),即。,total sum rate and number of served users of the overall system. Furthermore, we discuss the impact of the constraints on the number of associated users.

5.1。回程数据速率的影响

研究了回程(即数据率的影响。,(10)约束),图3说明了总额为用户的数据速率和不同范围的 ,峰值数据速率的回程限制要求的和速率的数据吗用户的一个值 。以用户为中心和以网络为中心的方法,比保持相同的通过改变回程数据速率限制根据要求和用户的数据速率。比其他必要的,此外,通过提供更多的资源限制类似带宽和链接的数量上的放松。这样做的好处是,回程数据速率的影响可能很容易被认出来。我们可以注意到,和数据速率增加而增加的比例直到比例达到= 0.8 Gbps。然后,数据速率之和保持不变甚至增加因为,除了= 0.8 Gbps,该算法已经关联的所有用户。因此,提供额外的资源是不必要的。

图4展示的效果限制服务用户的数量在这两种方法。如图,我们极其有限的总数为用户由于回程数据率低。同时,增加数据速率回程/无人机在这两种方法,服务用户的总数增加。回程在特定数据率(即。,1 Gbps), the increase in the overall number of users serviced is nearly constant. This is attributed to bandwidth resource exhaustion. Thus, the UAVs cannot serve more users.

在以用户为中心的方法中,服务用户的数量的增长速度几乎是常数(注意固定斜率的蓝色虚线),在以网络为中心的方法,它下降(注意红色虚线的下降斜率)。这固定斜率是由于提议的场景,用户提供高数据率。因此,回程容量会增加,用户较低数据率将得到服务。然而,在以网络为中心的方法,不是常数而是斜率下降。在此场景中,用户数据率较低的服务放在第一位。因此,一些用户提供高数据率获得服务,在每一步中,增加的数量在回程能力却降低了通过增加回程能力。

5.2。带宽限制的影响

研究带宽约束的影响(即。,(10 b)约束),图5说明了总可以实现速度和不同范围的总和 。这两种方法显示总和率成指数增加的带宽的增加对于每个无人机,是直观的用户将能够与更多的用户由于增加带宽。我们还注意到性能几乎是类似于这两种方法。总额率保持不变(即在一定的带宽值。,0.8 GHz)。这是由于数据速率回程是精疲力尽,已经相关的所有用户。

图6展示的效果限制数量的用户两种提议的方法有关。通过增加每个无人机的可用带宽,服务用户的总数增加这两种方法。同时,以网络为中心的方法可以发现服务用户的最大数量是可以实现的。(即在一个特定的带宽值。,1 GHz), the increase in the total number of served users remains the same. This is attributed to the high data rate of backhaul exhaustion. Thus, the UAVs cannot serve more users. As for the slope, it bears the same interpretation that was previously illustrated in Figure4。

5.3。的链接数限制的影响

学习的效果(即链接的数量限制。,(10 c)约束),图7说明了总额率的性能当连接通过无人机的数量从5提高到40链接。回程数据速率和带宽约束提供了协会,这样他们不会影响用户。因此,的影响完全可以看到链接的数量。记住,无人机的数量是相同的(例如,米= 4)。的增加 ,以用户为中心的实现率和大于网络中心。这是由于优先级提出了我们的贪心算法。此外,在两种提议的方法,sum-rate价值不会增加在一个特定值(即,= 30)因为所有的用户服务。

回到工作的主题,人物8说明了无人机的初始和最终的位置以用户为中心和以网络为中心的方法,分别。无人机的三维位置如图8(一个),8 (d),2 d无人机数据所示的位置8 (b)和8 (e)。的无人机动态地调整自己的位置,从初始点(不夸张的圆圈),这是随机选取的,移动的方向用户他们在几个步骤,直到到达最后的有效的地方(彩色星星)。最初的(不夸张的圆圈)和最终(彩色圆圈)的高度无人机显然是见数据8 (c)和8 (f),这些高度策划和无人机X坐标。结果无人机演示了如何修改他们的高度来减轻干扰,提供尽可能多的用户,提高用户和无人机之间的《概率。

6。结论

总之,本文提出的有效的3 d位置无人机提供mmWave回程连接地面与地面用户提供不同的速率需求核心网络,使用混合算法K则算法。user-UAV协会由回程数据速率等因素限制,可用带宽,请求一个无人机可以容纳的数量,和最低SINR判据。此外,目标函数是基于两种方法,即以用户为中心的方法,最大化用户的总和率优先考虑用户拥有一个最大数据速率和以网络为中心的方法,最大化的总数为用户数据率最低。同时,消费更少的带宽以来的两种方法是将有限的带宽资源5 g网络。此外,我们跑了几个实验来研究各种局限性的影响将在峰值数据速率回程和带宽约束的目标函数。此外,我们讨论的影响限制相关的用户的数量。

数据可用性

使用的数据来支持这个研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。