应急通信无人机中继部署与覆盖率优化【附仿真】

✨ 长期致力于应急通信、无人机、中继部署、通信覆盖率、无人机部署数目研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1视距概率信道建模与高度部署基于空地信道特性构建视距概率模型PLoS1/(1a·exp(-b(θ-a)))其中θ为仰角参数a、b与建筑物密度和高度相关郊区环境a9.6b0.28。无人机高度h在50至400米可调当仰角θ增大时LoS概率迅速上升当θ15°时PLoS0.73θ30°时PLoS0.96。路径损耗采用双斜率模型LoS状态下路径损耗指数α2.2NLoS状态下α3.8并考虑阴影衰落标准差σ4dB。通信覆盖半径R在50米高度为1.8公里在300米高度扩展至7.5公里。网络覆盖方案采用区域覆盖与布尔感知结合将10×10公里受灾区域划分为20×20共400个栅格每个栅格中心点若接收信号强度高于阈值-95dBm则视为被覆盖。目标函数为区域有效覆盖率F已覆盖栅格数/总栅格数优化目标为最大化F。2模拟退火改进的自适应粒子群优化SA-ADPSO针对标准PSO易早熟收敛的问题引入模拟退火机制在粒子更新时以一定概率接受差解概率pexp(-ΔF/T)ΔF为适应度变化量T为当前温度。同时惯性权重ω采用非线性自适应调整ωω_max-(ω_max-ω_min)·(iter/MaxIter)^0.7ω_max0.9ω_min0.4。学习因子c1线性递减、c2线性递增平衡探索与开发。在25架无人机部署场景中SA-ADPSO算法在200次迭代后平均覆盖率达到97.65%而PSO为74.22%ADPSO为88.53%。收敛曲线显示SA-ADPSO在30代附近跳出局部最优最终达到97%以上且收敛速度高于ADPSO。50次独立重复实验中SA-ADPSO的覆盖率标准差仅1.8%远低于PSO的9.4%表明算法鲁棒性强。优化后的无人机分布呈现近似蜂窝状结构有效避免重叠空洞。3最少无人机部署数目优化在保证覆盖率阈值如97%的前提下进一步减少无人机数目以降低成本。对SA-ADPSO算法进行改进引入二进制变量控制无人机是否激活将部署数目最小化作为次要目标加入适应度函数G覆盖率-λ·(N_used/N_max)λ0.02。迭代过程中若某架无人机对覆盖率贡献低于0.3%且去掉后覆盖率仍达标则将其休眠。仿真显示在相同10×10公里区域从25架逐步降至21架无人机覆盖率依然能维持在97.65%以上成本降低16%。进一步减至20架时覆盖率跌至96.1%因此21架为该场景的最少部署数目。该策略为应急通信资源调度提供了灵活的部署方案可在救援初期快速部署较多无人机确保覆盖随情况稳定后撤出部分无人机以延长整体续航时间。import numpy as np import random def los_probability(elevation, a9.6, b0.28): return 1.0 / (1 a * np.exp(-b * (elevation - a))) def coverage_rate(positions, height, grid_points): covered 0 for gp in grid_points: best_rss -np.inf for pos in positions: dist np.linalg.norm(pos - gp[:2]) elevation np.arctan(height / (dist1e-6)) p_los los_probability(elevation) path_loss (2.2 * p_los 3.8 * (1-p_los)) * 10*np.log10(dist1) 20*np.log10(2.4e9) rss 30 - path_loss # 发射功率30dBm if rss best_rss: best_rss rss if best_rss -95: covered 1 return covered / len(grid_points) def sa_adpso_optimize(num_drones, grid, max_iter200): positions np.random.uniform(0, 10000, (num_drones, 2)) velocities np.zeros_like(positions) pbest positions.copy() pbest_fitness np.array([coverage_rate([p], 200, grid) for p in positions]) gbest positions[np.argmax(pbest_fitness)] T 1.0 for it in range(max_iter): w 0.9 - 0.5 * (it/max_iter)**0.7 c1 2.5 - it/max_iter c2 0.5 it/max_iter for i in range(num_drones): r1, r2 random.random(), random.random() velocities[i] w*velocities[i] c1*r1*(pbest[i]-positions[i]) c2*r2*(gbest-positions[i]) new_pos positions[i] velocities[i] new_fit coverage_rate([new_pos], 200, grid) delta new_fit - pbest_fitness[i] if delta 0 or random.random() np.exp(delta/T): positions[i] new_pos pbest_fitness[i] new_fit if new_fit coverage_rate([gbest], 200, grid): gbest new_pos T * 0.95 return gbest, positions