城市灾区无人机基站部署优化

通过优化无人机基站（UAV-BS）三维空间部署位置,以最小化满足通信需求的UAV-BS部署数量.针对城市灾区中UAV-BS的部署优化方法较少考虑到建筑的具体形状及位置对通信影响情况,在构建一个建筑物对UAV-BS视距（LoS）链路的遮挡模型的基础上,提出一种UAV-BS部署算法——PSO-PPGE.该算法首先采用粒子群算法（PSO）在目标区域搜索全局部署方案,然后基于相邻UAV-BS部署间的势博弈关系,根据遮挡信息及UAV-BS负载制定博弈策略,局部调整每个粒子中的UAV-BS位置,以提高UAV-BS的用户覆盖率,进而确定所需UAV-BS的最小数量.仿真结果表明,所提出的算法与PGE、PSO等优化算法相比,在最小化UAV-BS数量同时最大化用户覆盖率方面具有明显优势.     

基于深度强化学习的空中基站部署优化算法

针对无人机群(swarm of unmanned aerial vehicle, UAV-swarm)在救灾场景中对地面移动用户进行持续性通信覆盖的问题,设计了一种基于多智能体的深度强化学习的无人机群路径优化算法。该算法框架中无人机具有分布式决策能力,根据用户的移动来动态调整自身的移动策略。通过设置合适的强化学习奖励和参数,使无人机在满足覆盖百分比、防碰撞、能源限制等多种约束前提下,最大限度地长期覆盖地面移动用户。与其他无人机部署方案算法进行仿真对比,实验结果表明,该模型在收敛速度和收敛效果上得到了显著提升。     

动态规划的改进算法

结合并行处理思想，对动态规划中的顺序(逆序)递推算法进行改进，改进算法在搜索结果上与原算法相同，但搜索速度明显优于原算法。     

基于旋转FHOG-LBP特征旋翼无人机动态检测算法

针对旋翼无人机通过视觉准确、快速检测其他旋翼无人机存在的问题,提出基于旋转FHOG-LBP动态检测算法。首先,针对旋翼无人机特有的外形和运动状态,通过形成的样本库建立外部结构模型;其次,将方向梯度直方图(HOG)进行傅里叶变换(Fourier),使其具有快速旋转不变性,在局部二进制模式(LBP)上加入角度旋转偏移值,进行串行融合得到旋转FHOG-LBP特征,使用支持向量机递归特征消除算法(SVM-RFE)进行训练,并使用滑动窗口的检测算法对目标进行检测;最后,通过无人机动态目标测试集进行了实验,实验结果表明,提出的动态检测算法比传统方法精度和时效提高。因此,该方法可以解决具有动态变化或旋转变化的目标检测困难的问题。     

TD-LTE系统动态资源分配算法研究

动态资源分配算法能够有效提高频谱利用效率、系统容量以及减少发射功率。在TD-LTE通信系统中,下行链路采用了OFDMA(orthogonal frequency division multiple access)技术,动态资源分配问题常建模为在非线性限制条件下求解非线性目标函数的最优化问题。针对无约束条件迭代算法、速率自适应算法与边界自适应算法分配特点,分析了动态资源分配算法如何满足TD-LTE(time division-long term evolution)中多媒体业务不同QoS需求。对3种主流算法复杂度、容量、发射功率等技术指标进行分析比较。同时讨论了如何使算法具有低复杂度并能使网络达到良好技术指标,以及将资源块与功率结合分配的解决思路。为TD-LTE系统的动态资源分配算法研究提供了可行方案。     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

基于深度强化学习的空中无人机基站资源分配与公平性研究

为了提高无人机基站(unmanned aerial vehicle base stations, UAV-BS)为地面多用户服务时的数据速率,提出一种基于决斗深度神经网络(dueling deep Q-network, Dueling-DQN)的深度强化学习(deep reinforcement learning, DRL)算法。采用决斗网络(dueling network, DN)结构以克服动态环境的部分可观测问题,联合优化了UAV-BS的位置和下行链路功率分配,在更符合实际的空地概率信道模型中检验了Dueling-DQN算法的性能。结果表明,相较于对比算法,所提出的Dueling-DQN算法可以提供更高的数据速率和服务公平性,且随着地面用户数量的增大,算法的优势更加明显。Dueling-DQN算法可有效解决复杂非凸性问题,为UAV-BS的资源分配问题提供理论参考。     

PLRS网络的动态时隙分配(DSA)研究

针对军用ＰＬＲＳ网络的具体特点和工作环境要求提出了动态时隙分配方案,建立了时隙资源分配模型,提出了一种资源分配算法－需求线路序贯处理法,以解决网络节点在不可预知的动态变化下可靠通信的关键问题。这些为我国研制ＰＬＲＳ系统提供了很重要的参考价值。     

移动通信基站信号频率分配优化算法研究

为解决在移动通信基站信号频率干扰的问题,提出一种减弱或者消除在移动通信中频率干扰的优化算法.运用贪婪算法计算出单个基站的频率分配,再运用图论的建立、DP思想分配每个基站,为后续基站的建立提供一个理论体系结构模型.通过提出基站信号频率分配优化算法思想,结合通信信号干扰实验,DP思想解决信号干扰的疑惑,从而减少物理抗干扰时仪器使用带来的危害.仿真实验表明:优化算法在一定程度上削减了基站内的信号频率干扰.     

基于旋转FHOG-LBP特征的旋翼无人机动态检测算法

针对旋翼无人机通过视觉准确、快速检测其他旋翼无人机存在的问题,提出基于旋转FHOG-LBP动态检测算法。首先,针对旋翼无人机特有的外形和运动状态,通过形成的样本库建立外部结构模型;其次,将方向梯度直方图(HOG)进行傅里叶变换,使其具有快速旋转不变性,在局部二进制模式(LBP)上加入角度旋转偏移值,进行串行融合得到旋转FHOG-LBP特征,使用支持向量机递归特征消除算法(SVM-RFE)进行训练,并使用滑动窗口的检测算法对目标进行检测;最后,通过无人机动态目标测试集进行了实验,实验结果表明,提出的动态检测算法比传统方法精度和时效提高。因此,该方法可以解决具有动态变化或旋转变化的目标检测困难的问题。     

无人机部署位置和信道分配联合优化方法

无人机在执行周期性数据采集任务时,由于任务执行时间有限、无线传感器的部署位置和功能不同,会存在无法采集全部数据、所采集数据具有不同应用价值等问题。基于此,提出了一种综合考虑采集公平性和重要度的数据采集评价方法。以采集周期内无人机采集数据的加权数据量最大化为优化目标,对无人机的悬停位置和信道分配进行联合优化。将该联合优化问题建模为一个非线性混合整数规划问题,并提出一种鲸鱼优化资源分配算法(whale optimized resource allocation algorithm, WORAA)对问题进行求解。仿真结果表明,相较于传统方法,在重要度影响不大的条件下,采集数据公平性有比较明显的提升,在满足公平性要求的基础上,加权数据量更大。     

基于多目标粒子群算法的无人机通信三维位置部署及优化研究

考虑无人机作为临时基站与地面终端用户通信问题,文中研究了节点的三维部署及功率分配的优化问题,以提高系统的能效和用户的覆盖率。首先,考虑了无人机通信节点的三维位置部署和链路传播模型,构建了无人机通信系统模型,并提出了以能效和覆盖率为目标的优化问题。然后,采用多目标粒子群算法对该非线性规划问题进行有效求解,得到其最优解。最后,仿真结果表明,该方案不仅能提高无人机网络的能效和覆盖率,而且能实现优化的节点三维位置部署和功率分配。同时,所提出的多目标粒子群算法与随机算法、贪婪算法相比,可减少迭代次数,防止陷入局部最优解。     

强化学习主要算法的研究

介绍了强化学习模型，分别提出了7个主要的强化学习算法并讨论了它们之间的区别和联系，最后指出了强化学习算法中有待解决的问题．     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

基于动态延迟策略更新的TD3 算法

在深度强化学习领域中，为进一步减少双延迟深度确定性策略梯度TD3( Twin Delayed Deep Deterministic Policy Gradients) 中价值过估计对策略估计的影响，加快模型学习的效率，提出一种基于动态延迟策略更新的双 延迟深度确定性策略梯度( DD-TD3: Twin Delayed Deep Deterministic Policy Gradients with Dynamic Delayed Policy Update) 。在DD-TD3 方法中，通过Critic 网络的最新Loss 值与其指数加权移动平均值的动态差异指导Actor 网 络的延迟更新步长。实验结果表明，与原始TD3 算法在2 000 步获得较高的奖励值相比，DD-TD3 方法可在约 1 000步内学习到最优控制策略，并且获得更高的奖励值，从而提高寻找最优策略的效率。     

CR-OFDM系统中的一种新的动态频谱分配算法

文中基于对认知无线电技术以及OFDM系统传输特性的分析,提出了一种CR-OFDM系统中多用户资源分配新算法。该算法首先根据认知用户的QoS需求为其分配子载波,在保证不干扰授权用户正常通信的前提下,再利用改进的注水算法为每个认知用户分配功率,使得整个系统的信道容量最大化。仿真结果表明该算法能在保证误比特率和用户公平性的前提下显著提高频谱利用率。     

基于SCMA的无人机中继辅助上行通信方案

为提高蜂窝通信系统的上行总吞吐量,在满足用户服务质量需求的前提下,提出了一种基于稀疏码多址接入(sparse code multiple access,SCMA)的无人机中继辅助上行通信方案,通过部署无人机增强网络覆盖,并利用SCMA提高系统传输性能。根据用户的分布和概率视距传输模型,通过交替优化码本、功率和无人机坐标,确定无人机的3维部署位置;进行资源优化后,根据信道状态信息,对子载波进行配对并迭代码本、功率,以获得优化的码本和功率分配方案。仿真结果表明,提出的方案能够有效提高上行吞吐量,并满足用户的服务质量需求。     

一种优化的认知无线电网络资源协同分配算法

在目前的认知无线电研究中,多用户OFDMA系统中如何实现子载波和功率的合理分配是研究的重点之一.针对认知无线电资源分配过程中出现的多认知用户资源分配不公平的问题,研究了认知无线电网络中授权用户占用子载带时,认知用户的吞吐量受限制的问题,提出了一种基于underlay频谱共享模式下的OFDMA认知无线电网络功率与子载带协同分配优化算法.该算法利用干扰门限的设置,使用原始感知信息(RSI)和信道状态信息(CSI)进行功率与子载波分配,然后分别进行功率控制和用户选择的计算,找到最优化传输功率与每个子载带最优使用用户,在保证授权用户免受有害干扰的前提下,使授权用户存在时,也可共享频谱传输,确保了系统的稳定性,提高了网络吞吐量.理论分析与仿真结果表明,相比传统的功率与子载波联合分配算法,该算法可以提高系统的平均加权吞吐量.     

无人机航迹规划算法研究

航迹规划算法是无人机应用的关键技术之一。本文主要结合蚁群算法对无人机三维航迹规划进行了系统的研究。针对无人机三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于蚁群算法的航迹滚动规划方法,并将地形条件与航迹规划的约束条件加入搜索算法中,以使规划的航迹更符合实际情形。仿真实例结果表明,所提出的规划方法可以规划出满足无人机飞行要求的航迹。     

异构型无人机群体并行任务分配算法

异构型无人机(UAV)群体任务分配机制起着至关重要的作用,分析了并行任务分配的特点,以时间消耗最短为优化目标,建立了整数线性规划的任务优化分配模型。对基本遗传算法进行了改进,提出了有效降低算法复杂度的编码方案,建立了相应的适应度函数,改进了现有遗传算法的变异策略。仿真案例表明该算法具有较强的寻优能力,能够有效地完成异构型群体UAV的并行任务分配。