[發明專利]一種中繼無人機部署方法及裝置

有效

• 申請號: 202011444523.7
• 申請日: 2020-12-08
• 公開（公告）號: CN112636811B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 許曉東;黃芷菡;韓書君;孫夢穎;劉寶玲
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04B7/185
• 分類號: H04B7/185
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 徐雅琴

1.一種中繼無人機部署方法，其特征在于，包括：

無人機網絡初始化時或者至少一個無人機移動一步后，確定至少一個無人機在無人機網絡中的位置；

根據至少一個無人機的位置，確定無人機網絡的拓撲結構；

根據所述拓撲結構，確定無人機網絡的網絡參數；

根據無人機網絡的網絡參數，確定無人機網絡的優化目標，所述優化目標包括最優化能耗和時延、最小化中斷概率和最大化共識概率；其中，

所述最大化共識概率P_consensus的優化目標為：

C_consensus(n)為在時隙n，無人機網絡是否達到追蹤信息的共識，N_t為時隙數量；

基于深度Q學習方法，根據所述優化目標計算獎勵值，確定中繼無人機在所述無人機網絡中的位置。

2.根據權利要求1所述的方法，其特征在于，所述無人機網絡初始化時，確定至少一個無人機在無人機網絡中的位置，包括：

隨機確定各無人機在所述無人機網絡中的起始位置；

所述根據至少一個無人機的位置，確定無人機網絡的拓撲結構，包括：

根據各無人機的起始位置，確定初始化的無人機網絡的拓撲結構；

所述根據所述拓撲結構，確定無人機網絡的網絡參數，包括：

根據所述初始化的無人機網絡的拓撲結構，確定所述初始化的無人機網絡的網絡參數；

所述根據無人機網絡的網絡參數，確定無人機網絡的優化目標，包括：

根據所述初始化的無人機網絡的網絡參數，確定所述初始化的無人機網絡的優化目標；

所述基于深度Q學習方法，根據所述優化目標計算獎勵值，確定中繼無人機在所述無人機網絡中的位置，包括：

基于深度Q學習方法，根據所述初始化的無人機網絡的優化目標計算獎勵值，確定所述中繼無人機的初始位置。

3.根據權利要求2所述的方法，其特征在于，所述基于深度Q學習方法，根據所述初始化的無人機網絡的優化目標計算獎勵值，確定所述中繼無人機的初始位置，包括：

確定各無人機的起始位置后，通過將所述中繼無人機部署于所述初始化的無人機網絡中的不同位置，基于深度Q學習方法，計算所述中繼無人機位于不同位置下的獎勵值和對應的Q值，從中選擇Q值最大的中繼無人機的位置作為最優的初始位置。

4.根據權利要求2所述的方法，其特征在于，所述至少一個無人機移動一步后，確定至少一個無人機在無人機網絡中的位置，包括：

其中一個無人機從所述起始位置移動至少一步；

所述根據至少一個無人機的位置，確定無人機網絡的拓撲結構，包括：

根據其中一個無人機移動每一步后形成的各無人機的當前位置，確定當前無人機網絡的拓撲結構；

所述根據所述拓撲結構，確定無人機網絡的網絡參數，包括：

根據所述當前無人機網絡的拓撲結構，確定所述當前無人機網絡的網絡參數；

所述根據無人機網絡的網絡參數，確定無人機網絡的優化目標，包括：

根據所述當前無人機網絡的網絡參數，確定所述當前無人機網絡的優化目標；

所述基于深度Q學習方法，根據優化目標計算獎勵值，確定中繼無人機在無人機網絡中的位置，包括：

基于深度Q學習方法，根據所述當前無人機網絡的優化目標計算獎勵值，確定所述中繼無人機從所述初始位置移動至少一步的移動軌跡。

5.根據權利要求4所述的方法，其特征在于，所述基于深度Q學習方法，根據所述當前無人機網絡的優化目標計算獎勵值，確定所述中繼無人機從所述初始位置移動至少一步的移動軌跡，包括：

任意一個無人機從所述起始位置移動一步時，所述中繼無人機從所述初始位置開始移動一步至不同位置，基于深度Q學習方法，計算所述中繼無人機移動一步至不同位置下的獎勵值和對應的Q值，從中選擇出Q值最大的中繼無人機移動一步所達到的位置作為最優的下一步位置。