【中继优化】基于高效局部地图搜索算法实现无人机通信中继位置优化附matlab代码和复现论文

简介: 【中继优化】基于高效局部地图搜索算法实现无人机通信中继位置优化附matlab代码和复现论文

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

本文研究了无线网络中无人驾驶飞行器(UAV)的最佳放置问题。无人机作为一个飞行的无线中继器,为基站(BS)提供覆盖范围的扩展,并为被障碍物遮挡的用户提供容量提升。虽然现有的方法依赖于直接传播链路的潜在阻塞的统计模型,但我们提出了一种能够利用当地地形信息来提供性能保证的方法。所提出的方法允许在最小化到地面终端的传播距离和发现良好的传播条件之间进行最佳权衡。该算法只需要几个传播参数,但它能够避免深度传播阴影,并被证明能够找到全球最佳的无人机位置。只需要对目标区域进行局部探索,而且搜索轨迹的最大长度与地理尺度成线性关系。因此,它适合于在线搜索。与其他基于统计传播模型的定位方法相比,发现有明显的吞吐量提高。

⛄ 部分代码

% Massive simulation


clear

addpath(genpath('lib')),


Nue = 10000;    % <- reduce this number to shorter simulation time (coarser results)


DATA = load('citymap/urbanMapSingleUserK2.mat');

U = DATA.U; PosBS = DATA.PosBS;


DATA = load('citymap/losStatistics.mat');

losStat.Plos = DATA.Plos;

losStat.ElvAngles = DATA.ElvAngles;

clear DATA


load('citymap/topologyK2.mat');


U.K = 2;

if U.K == 2

   U.Alpha = [-21.4, -30.3];

   U.Beta =[-36.92, -38.42];

elseif U.K == 3

   U.Alpha = [-22, -28, -36];

   U.Beta =[-28, -24, -22];

else

   error('K should be 2 or 3.');

end

U.A0 = -20.8; U.B0 = -38.5;

U.A1 = U.Alpha(1); U.B1 = U.Beta(1);

U.A2 = U.Alpha(2); U.B2 = U.Beta(2);



Noise_dBm = -80;

Power_BS_dBm = 33;

Power_UAV_dBm = 33;


U.Noise = 10^(Noise_dBm/10) / 1000; % Watt in linear scale

U.Pb = 10^(Power_BS_dBm/10) / 1000;

U.Pd = 10^(Power_UAV_dBm/10) / 1000;


U.Hbs = 45;     % meter, BS height

U.Hmin = 45;    % meter, minimum UAV operation height

U.Hdrone = 50;  % meter, UAV search height

stepSizeMeter = 5;  % UAV search step size


fun = @(x,y) max(-log2(1 + U.Pd * real(x)), -log2(1 + U.Pb * real(y)));

fun0 = @(x) -log2(1 + U.Pb * x);


% Ergodic capacity

SNRs_dB = -10:2:20; Ks_dB = [9, -Inf];

Rerg = capacity_ergodic(Ks_dB, SNRs_dB);


fun1 = @(x,y) max(- max(0, ppval(spline(SNRs_dB, Rerg(1, :)), 10 * log10(U.Pd * real(x)))), ...

                 - log2(1 + U.Pb * real(y))); % UAV-UE_LOS(K-factor = 9dB,

             

fun2 = @(x,y) max(- max(0, ppval(spline(SNRs_dB, Rerg(2, :)), 10 * log10(U.Pd * real(x)))), ...

                 - log2(1 + U.Pb * real(y))); % UAV-UE_NLOS, Rayleigh fading


%%

N_scheme = 6;


tic


Nue = min(size(Topology, 1), Nue);

Rates0 = zeros(Nue, N_scheme);

strongUserIds = zeros(Nue, 1);

failIds = zeros(Nue, 1);

parfor i = 1:Nue

   

   PosUE = Topology{i}.PosUE;

   Blds = Topology{i}.Blds;

   BldTypes = Topology{i}.BldTypes;

   BldLines = Topology{i}.BldLines;

   BldHeight = Topology{i}.BldHeight;

   Nbld = size(Blds, 1);

   

   los = IsLosK(PosUE, [PosBS, U.Hbs], BldLines, BldHeight, U.Hdrone, BldTypes);

   if los == 1

       strongUserIds(i) = 1;

       % continue    % We are only interested in the case where the direct BS-user link is blocked

   end

   

   urbanMap = struct();

   urbanMap.BldLines = BldLines;

   urbanMap.BldHeight = BldHeight;

   urbanMap.BldTypes = BldTypes;

   

   % Direct BS-user link

   k = round((1 - los) * (U.K - 1) + 1);   % propagation segment index

   d = norm([PosBS, U.Hbs] - [PosUE, 0], 2);

   snr = 10 ^ ((U.Alpha(k) * log10(d) + U.Beta(k)) / 10) / U.Noise;

   F0 = fun0(snr);

   

   try

       % [Fmin3, Xhat3] = finduavpos3d(PosUE, PosBS, U, fun, stepSizeMeter, urbanMap);

       % Fmin3 = min(Fmin3, F0);

       Fmin3 = 0;

       

       [~, Xhat2] = finduavpos(PosUE, PosBS, U, fun, stepSizeMeter, urbanMap);

       los = IsLosK(PosUE, [Xhat2, U.Hdrone], BldLines, BldHeight, U.Hdrone, BldTypes);

       Fmin2 = getcostf2DK_ergodic([Xhat2, U.Hdrone], [PosUE, 0], [PosBS, U.Hbs], los, U, fun1, fun2);

       % Fmin2 = min(Fmin2, F0);

       

       [~, Xhat1] = finduavpos1d(PosUE, PosBS, U, fun, stepSizeMeter, urbanMap);

       los = IsLosK(PosUE, [Xhat1, U.Hdrone], BldLines, BldHeight, U.Hdrone, BldTypes);

       Fmin1 = getcostf2DK_ergodic([Xhat1, U.Hdrone], [PosUE, 0], [PosBS, U.Hbs], los, U, fun1, fun2);


       % Fmin1 = min(Fmin1, F0);

       

       % [Fmin_exhst, Xhat_exhst] = finduavpos2d_exhst(PosUE, PosBS, U, fun, stepSizeMeter, urbanMap);

       Fmin_exhst = Fmin3;

       

       [~, XhatStat] = finduavposStat(PosUE, PosBS, U, fun, stepSizeMeter, urbanMap, losStat);

       los = IsLosK(PosUE, [XhatStat, U.Hdrone], BldLines, BldHeight, U.Hdrone, BldTypes);

       FminStat = getcostf2DK_ergodic([XhatStat, U.Hdrone], [PosUE, 0], [PosBS, U.Hbs], los, U, fun1, fun2);

       % FminStat = min(FminStat, F0);

   catch

       Fmin1 = 0;

       Fmin2 = 0;

       Fmin3 = 0;

       Fmin_exhst = 0;

       FminStat = 0;

       failIds(i) = 1;

   end

 

   Rates0(i, :) = - [F0, FminStat, Fmin1, Fmin2, Fmin3, Fmin_exhst];

end


toc


%% Plot results

my_line_styles = {'-', '--', '-.', ':'}.';

Alg_scheme_name = {

   'Direct BS-User linkxx'

   'Probabilistic Alg'

   'Simple Search'

   'Proposed'

   'Proposed (3D)'

   'Exhaustive'

};


schemes_to_show = [1 2 3 4 6];

N_scheme_to_show = length(schemes_to_show);


validUserId = failIds < 1;

Rates = Rates0(validUserId, :);


Nue = size(Rates, 1);


maxdata = max(Rates(:));

Npt = 40;

XI = sort([0.1 0.17 0.3 0.5 (0:1/(Npt - 1 - 4):1) * maxdata], 'ascend');


X_data = zeros(Npt, N_scheme_to_show);

F_data = zeros(Npt, N_scheme_to_show);


for i = 1:N_scheme_to_show

   n = schemes_to_show(i);

   

   r_vec = Rates(:, n);


   [F1,X1] = ksdensity(r_vec, XI, 'function', 'cdf');

   

   X_data(:, i) = X1(:);

   F_data(:, i) = F1;

   

end


figure(1),

h = plot(X_data, F_data,'linewidth', 2);

set(gca, 'FontSize', 14);

legend(Alg_scheme_name{schemes_to_show}, 'location', 'southeast');

xlim([0 ceil(max(Rates(:)))]);

set(gca, 'YTick', 0:0.2:1);

xlabel('bps/Hz');

ylabel('CDF');

tune_figure,

set(h(1), 'linewidth', 2);

set(h(1), 'Marker', '*', 'Markersize', 6);

set(h(1), 'LineStyle', ':');

set(h(2), 'LineStyle', '-.');

set(h(3), 'LineStyle', ':');

set(h(4), 'LineStyle', '-');

set(h(4), 'LineWidth', 3);

set(h(5), 'linestyle', '--');

set(h(5), 'LineWidth', 3);


% ----

schemes_to_show = [1 2 3 4];


figure(2),

rateNoUav = Rates(:, 1);

[~, sortedIndex] = sort(rateNoUav, 'ascend');

low20percentileIndex = sortedIndex(1:round(Nue * 0.2));

high20percentileIndex = sortedIndex(round(Nue * 0.8): end);


RateLow = mean(Rates(low20percentileIndex, schemes_to_show), 1);

RateMean = mean(Rates(:, schemes_to_show), 1);

RateHigh = mean(Rates(high20percentileIndex, schemes_to_show), 1);

h = bar([RateLow

        RateMean

        RateHigh]);

set(gca, 'FontSize', 14);

set(h, 'linewidth', 2);

ylim([0, 10]);

legend(Alg_scheme_name{schemes_to_show}, 'location', 'northwest');

set(gca, 'XTickLabel', {'20th percentile', 'Mean', 'Top 20th percentile'});

set(gca, 'YTick', 0:2:10);

ylabel('Average end-to-end throughput [bps/Hz]');

% label the bars

Xdata = [RateLow

        RateMean

        RateHigh];

bartext = [];

for i = 1:size(Xdata, 1)

   for j = 1:size(Xdata, 2)

       bartext(i, j) = text(i + (j - 2.5) * 0.18, Xdata(i, j) + 0.05, ...

           sprintf('%1.2f', Xdata(i, j)), 'fontsize', 12);

   end

end

% Use the handles TH to modify some properties

set(bartext,'Horizontalalignment','center',...

'verticalalignment','bottom') ;

tune_figure,

[im_hatch,colorlist] = applyhatch_pluscolor(gcf,'\-x./+',0,0,[],150,2,2);


⛄ 运行结果

⛄ 参考文献

[1] Chen J ,  Gesbert D . Efficient Local Map Search Algorithms for the Placement of Flying Relays:, 10.48550/arXiv.1801.03595[P]. 2018.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
3天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
11天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
11天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
16天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
16天前
|
算法
通过matlab对比遗传算法优化前后染色体的变化情况
该程序使用MATLAB2022A实现遗传算法优化染色体的过程,通过迭代选择、交叉和变异操作,提高染色体适应度,优化解的质量,同时保持种群多样性,避免局部最优。代码展示了算法的核心流程,包括适应度计算、选择、交叉、变异等步骤,并通过图表直观展示了优化前后染色体的变化情况。
|
14天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
17天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
23天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
19天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
20天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。