论文部分内容阅读
为了给快速增长的网络设备提供无处不在的连接并且改善服务质量,无人机(UAV, Unmanned Aerial Vehicle)辅助通信技术得到了广泛关注。一方面,无人机较高的飞行高度提高了无人机与地面设备建立视线(LoS, Line-of-Sight)链路的概率,这将带来更高的信息传输速率、更低的时延等性能提升。另一方面,无人机的移动性便于其根据动态网络部署灵活地调整自身位置,从而获得网络性能的优化。然而,无人机辅助通信技术的应用仍面临着诸多挑战。无人机的位置和飞行轨迹与能量效率、时延、系统容量等都密切相关,因此需要合理规划无人机的飞行轨迹。另外,网络资源分配也是重要的研究方向,合理分配功率资源和时间资源对于提升系统性能具有重要意义。本文主要针对中继网络和能量收集(EH, Energy Harvesting)网络研究无人机的轨迹规划和资源分配算法。
首先,论文介绍了无人机辅助通信系统中轨迹规划的研究难点,并且针对基于无人机中继的点到点通信系统,研究了无人机轨迹规划和功率控制算法。综合考虑无人机的移动性约束、节点的发射功率约束以及数据量约束,联合优化了无人机的飞行轨迹、源节点和无人机的功率控制,实现了目的节点吞吐量的最大化。仿真结果表明在提升系统吞吐量方面,基于无人机的移动中继优于传统的固定中继,并且优化的飞行轨迹优于基准轨迹,显示了在无人机辅助通信系统中轨迹规划的重要性。
然后,针对增强多小区的边缘覆盖问题,本文研究了无人机中继的移动性管理和用户接入优化算法。移动性管理不仅包括轨迹优化,还有速度和加速度的优化。进一步,考虑了无人机的存储功能,无人机可以先存储接收的数据,待飞行到最佳位置再转发数据,而不必即收即传。然而,无人机的存储功能带来了复杂的信息因果性约束。对于混合整数非凸优化问题,将其分解为两个子问题并采用交替迭代的方法进行求解。针对无人机的移动性管理子问题,通过放缩和求取上、下界的方法将其转化为凸优化问题求解。用户接入子问题是一个整数规划问题,通过拉格朗日对偶分析和梯度下降法得到最优解。论文分析了算法的收敛性和复杂度并通过数值仿真验证了算法的有效性。仿真结果表明与固定中继、基准轨迹以及基准用户接入方案相比,所提出的算法显著提高了边缘用户的和速率,并且算法能够以较低的复杂度实现近似最优的性能。
最后,本文研究了基于无人机的能量收集网络中无人机的轨迹规划和时间资源分配算法。无人机同时作为无线能量传输源和移动上行中继。在一个服务周期的第一个阶段,无人机为能量受限用户传输能量并采集用户的数据;在第二个阶段,无人机将用户数据转发给基站。本文采用线性能量传输模型,以最小化无人机的能量消耗为目标,建立了无人机轨迹规划和时间分配联合优化问题。该问题是复杂的非凸优化问题,首先将其分解为两个子问题。在给定的无人机轨迹下,分析得到了时间分配子问题的闭式解。然后将给定时间分配下的轨迹规划问题通过放缩转化为凸优化问题。最后交替迭代优化两个子问题。仿真结果验证了所提出的无人机轨迹规划和时间分配联合优化算法的性能,证明了该算法能够有效节省无人机的能量消耗。
首先,论文介绍了无人机辅助通信系统中轨迹规划的研究难点,并且针对基于无人机中继的点到点通信系统,研究了无人机轨迹规划和功率控制算法。综合考虑无人机的移动性约束、节点的发射功率约束以及数据量约束,联合优化了无人机的飞行轨迹、源节点和无人机的功率控制,实现了目的节点吞吐量的最大化。仿真结果表明在提升系统吞吐量方面,基于无人机的移动中继优于传统的固定中继,并且优化的飞行轨迹优于基准轨迹,显示了在无人机辅助通信系统中轨迹规划的重要性。
然后,针对增强多小区的边缘覆盖问题,本文研究了无人机中继的移动性管理和用户接入优化算法。移动性管理不仅包括轨迹优化,还有速度和加速度的优化。进一步,考虑了无人机的存储功能,无人机可以先存储接收的数据,待飞行到最佳位置再转发数据,而不必即收即传。然而,无人机的存储功能带来了复杂的信息因果性约束。对于混合整数非凸优化问题,将其分解为两个子问题并采用交替迭代的方法进行求解。针对无人机的移动性管理子问题,通过放缩和求取上、下界的方法将其转化为凸优化问题求解。用户接入子问题是一个整数规划问题,通过拉格朗日对偶分析和梯度下降法得到最优解。论文分析了算法的收敛性和复杂度并通过数值仿真验证了算法的有效性。仿真结果表明与固定中继、基准轨迹以及基准用户接入方案相比,所提出的算法显著提高了边缘用户的和速率,并且算法能够以较低的复杂度实现近似最优的性能。
最后,本文研究了基于无人机的能量收集网络中无人机的轨迹规划和时间资源分配算法。无人机同时作为无线能量传输源和移动上行中继。在一个服务周期的第一个阶段,无人机为能量受限用户传输能量并采集用户的数据;在第二个阶段,无人机将用户数据转发给基站。本文采用线性能量传输模型,以最小化无人机的能量消耗为目标,建立了无人机轨迹规划和时间分配联合优化问题。该问题是复杂的非凸优化问题,首先将其分解为两个子问题。在给定的无人机轨迹下,分析得到了时间分配子问题的闭式解。然后将给定时间分配下的轨迹规划问题通过放缩转化为凸优化问题。最后交替迭代优化两个子问题。仿真结果验证了所提出的无人机轨迹规划和时间分配联合优化算法的性能,证明了该算法能够有效节省无人机的能量消耗。