具体实施方式

为了加深对本发明的理解，下面将结合实施例对本发明做进一步 详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限 定。

本实施例提供了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现实模型，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，利用智能群体算法中对 多无人机基站通信覆盖的优化方案，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，最后加入人工萤火虫算法， 弥补粒子群算法中的不足，进而提高无人机基站的覆盖率；

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。

进一步改进在于：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 的功率可由式(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。

进一步改进在于：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。

进一步改进在于：在步骤二中，粒子群算法用位置、速度、适应 度值来表示粒子的特征；在空间中通过适应度大小来控制个体极值和 群体极值，通过公式进行位置更新，更新公式如下：

其中：w为惯性权重：一般情况下，w＝0.4、w＝0.9算法的性能最 好，具有较好的全局搜索能力和局部搜索能力，c₁、c₂为加速常数， 一般来说c₁＝c₂＝2。

如图1所示，在步骤二中，所述粒子群算法流程为：首先初始化 所有参数，根据适应度函数进行计算，计算出个体极值和群体极值， 通过公式进行更新，最后判断迭代次数是否满足初始化中的参数设 置；如果不满足条件继续循环，反之满足输出最优解，粒子群算法的 优点是：首先它是智能群体算法中全局搜索能力较好的算法，其次相 粒子群算法初始化过程中需要的参数少，便于调整；同时它还具有比 较容易收敛的性质，这可以有效减少算法的计算量，最后粒子群算法 的兼容性好、改进空间都很大。

如图2所示，为通过粒子群算法进行寻优后的无人机基站最终覆 盖结果，图中出现多无人机重叠，说明有早熟现象，通过实验得出， 粒子群算法有不足之处，它很容易陷入局部最优解，使算法早熟，提 前结束循环，这对我们的结果有着很大的影响，所以根据这些缺点我 们引入了改进的萤火虫算法。

人工萤火虫群优化算法(简称GSO)是印度学者提出的一种新 型群智能优化算法。GSO算法在初始化阶段赋予相同的荧光素值和 动态决策半径。萤火虫的决策半径是在不断变化的，它是根据在它周 围其他萤火虫的个数来影响它自己决策半径的大小。这使它具有较好 的局部搜索能力。

本实施例是对GSO算法进行一下改进，加入到粒子群算法中，这 种改进的粒子群算法将它命名为距离约束粒子群算法。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；

如图3所示，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(适应度提取比例)γ，动态决策域更新 率(邻域变化率)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：

l_i(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。经实验得是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≤rdi(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。

实施例二

进行仿真结果分析，通过上述算法进行仿真。将PSO算法和距离 约束粒子群算法进行比较，判断出优化是否成功。

首先初始化

当P_u＝1.25W，无人机高度为20m，令ε₀/P_d＝1000时，根据式(2-7) 可得通信半径近似为25m(为了仿真采用近似值)。

PSO算法初始化：区域边界100m×100m，无人机个数8，通信 半径25m离散粒度1，迭代次数300，权重系数w_max＝0.9；w_min＝0.4， 自我认知参数、社会认知参数c₁＝c₂＝2最大速度2，最小速度-2，位 置最大值50，位置最小值0。

距离约束粒子群算法初始化：荧光素挥发因子0.9,适应度提取 比例0.1,邻居变化率0.58，领域无人机个数6，初始荧光素浓度400。

表1 PSO算法和距离约束粒子群算法的覆盖率。

如图4-图9可知：表1为PSO算法和距离约束粒子群算法的覆 盖率，通过对比我们可以发现与初始覆盖率相比两个算法的最终覆盖 率都有一定的提升。但是最终覆盖率距离约束粒子群算法明显高于 PSO算法。

在这组对比实验中，我们可以明显的发现，在初始随机分布无人 机位置和初始条件均相同的时候，距离约束粒子群算法的最终覆盖率 明显高于PSO算法的最终覆盖率。由迭代过程得到距离约束粒子群 算法更容易收敛，它的寻优能力更强，在短时间可以找到最优解。

实施例三

本实施例公开了一组对比试验，主要是通过讨论无人机基站个数 对覆盖率的影响，同时通过无人机基站的最终覆盖率，判断出距离约 束粒子群算法是否达到优化效果。

表2 PSO算法和距离约束粒子群算法的初始覆盖率和最终覆盖率

如图10-图22可知：表2表示的是在不同无人机个数的条件下， PSO算法和距离约束粒子群算法的初始覆盖率和最终覆盖率如上表 所示。

图22为无人机基站覆盖率，是根据表2制作出来的折线图，通 过折线图可以更加直观的看出PSO算法初始覆盖率和最终覆盖率、 距离约束粒子群算法初始覆盖率和最终覆盖率随着无人机基站个数 的变化情况。

由仿真数据可知，在增加无人个数的同时PSO算法和距离约束 粒子群算法的初始覆盖率和最终覆盖率都在增加。这就说明无人机个 数的增加有助于覆盖率的提升。距离约束粒子群算法与PSO算法进 行比较，可以看出距离约束粒子群算法覆盖率优于PSO算法。

通过以上仿真结果可以说明距离约束粒子群算法优于PSO算法， PSO算法中的早熟现象得到了解决。无人机个数的增加可以增加PSO 算法的覆盖率，但覆盖率不稳定，不能达到很高度覆盖率。距离约束 粒子群算法随着无人机基站的不断增加，覆盖率将不断增加，甚至达 到了百分之九十八。但盲目的利用增加无人机数量而达到全覆盖是不 正确的方法，因为在不单单考虑无人机基站覆盖率高低的时候，无人 机路径的规划和资源问题也同样重要。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和 说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围 的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要 求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及 其等效物界定。