[发明专利]一种基于无人机群覆盖优化的智能集群方法

权利要求书

1.一种基于无人机群覆盖优化的智能集群方法，其特征在于，包括以下步骤：

步骤一：分析无人机基站覆盖场景，然后部署人机基站，利用A2G信道模型建立无人机基站的实际模型，并计算得出无人机基站的通信最大半径；

步骤二：通过粒子群算法根据无人机基站的现实覆盖场景，进行覆盖算法的编写，再加入人工萤火虫算法，来改进粒子群算法；

步骤三：选用粒子群算法作为主函数使用，并加入适应度函数，得到以粒子群算法为基础的多UAV覆盖算法，适应度函数用来计算无人机基站对任务区域的覆盖面积，其中在粒子群算法的基础上加入人工萤火虫算法，以形成距离约束粒子群算法；

步骤四：仿真结果分析，通过MATLAB对无人机基站覆盖环境的模拟，将距离约束粒子群算法与PSO算法和进行比较，判断出优化是否成功；

所述距离约束粒子群算法的每次迭代由荧光素更新阶段、移动概率更新阶段、位置更新阶段、邻域范围更新阶段组成；所述距离约束粒子群算法步骤包括有：

步骤一：部署萤火虫，初始化以下数据：萤火虫的荧光素为l₀，动态决策域为r₀，初始化步长s，邻域阈值n_t，荧光素随时间变化的稀释系数ρ，荧光素更新因子γ，动态决策域更新率β，萤火虫感知域r_s，迭代次数M；

步骤二：适用度函数J(x_i(t))计算采用如下公式：

其中，j∈N_i(t)＝{j:d_ij(t)r_d^j(t),||x_j(t)-x_i(t)||0}表示无人机基站i的邻居无人机基站的集合，d_ij表示无人机基站i和无人机基站j之间的欧氏距离，r_d^j(t)为算法第t次迭代下无人机基站j的决策半径；

步骤三：荧光素更新阶段

单个萤火虫个体的荧光素值计算，如式3-4所示：

li(t+1)＝(1-ρ)l_i(t)-γJ(x_i(t+1)) (3-4)

其中，l_i(t)在t次计算循环后计算出来的荧光素浓度；

步骤四：移动概率

在概率计算阶段，为防止荧光素过界和负值的产生，采用下式来计算移动概率：

步骤五：位置更新

在无人机基站移动的阶段，其计算公式如下：

其中，s为移动步长，取较为合理，经实验得无人机基站之间的最佳距离；

步骤六：邻域范围更新阶段

r_di(t+1)＝min{r_s,max{0,r_di(t)+β(n_t-N_i(t))}} (3-7)

其中r_di(t)表示t时刻第i只萤火虫的动态决策范围且0≤r_di(t)≤r_s；

步骤七：将上述步骤改进的算法加入到粒子群算法中得到人工萤火虫算法。

2.根据权利要求1所述的一种基于无人机群覆盖优化的智能集群方法，其特征在于：在步骤一中，在无人机基站处于H高度时，无人机基站的发射功率为P_u，那么用户在地面收到无人机基站发射的功率式(2-1)计算得出

其中：P_dmin为用户在接收到无人机基站通信信号的最小功率，H为无人机基站此时的飞行高度，R为无人机基站通信半径，α为路径损耗指数，ε₀为无人机基站通信的信道增益；

由于用户接收到的功率需要大于无人机基站通过损耗后的信号功率，再通过根据式(2-1)可化简无人机基站通信半径

R计算出来的最大值为无人机基站的通信最大半径。

3.根据权利要求1所述的一种基于无人机群覆盖优化的智能集群方法，其特征在于：在步骤二中，所述适应度函数是计算任务区域覆盖比率的算法，适用度函数在粒子群算法中控制适应度值的大小，适应度值影响着粒子的位置更新和速度更新。