大家读完觉得有帮助记得关注和点赞！！！
抽象
无人机 （UAV） 因其按需部署、高移动性和提供视距 （LoS） 连接的能力而成为下一代无线网络的关键推动因素。这些特性使无人机特别适合动态和关键任务应用，例如智能交通系统和应急通信。然而，有效地实时定位多台无人机以满足不均匀、时变的流量需求仍然是一项重大挑战，尤其是在旨在优化网络吞吐量和资源利用率时。在本文中，我们提出了一种高效的多无人机交通感知部署 （EMTAD） 算法，这是一种可扩展的自适应框架，可根据实时用户位置和空间流量分布动态调整无人机放置。与现有方法相比，EMTAD 联合优化无人机定位，最大限度地减少部署的无人机数量，在满足用户流量需求的同时确保 UE-UAV 高效关联。 仿真结果表明，EMTAD 通过最大限度地减少动态和交通感知环境中所需的无人机数量，显著提高了网络性能，同时降低了部署开销。
索引术语：
无人机 / 无人机放置 / 定位算法 / LoS 通信。
第一介绍
在带宽密集型应用程序和连接设备的激增的推动下，无线数据流量的爆炸式增长产生了对灵活、高容量和弹性通信基础设施的迫切需求。随着无线网络向 6G 及更高水平发展，对智能、适应性强且节能的通信和传感系统的需求不断增长。无人机 （UAV） 已成为增强地面网络的关键推动因素，可提供快速部署、高机动性和可靠的视线 （LoS） 通信，尤其是在复杂或难以到达的环境中。 特别是，多无人机网络在动态或具有挑战性的环境中扩展覆盖范围、卸载流量和提高吞吐量方面显示出巨大潜力[1,2].这些功能使无人机在智慧城市、灾难响应、工业自动化和监控等各种应用中极具价值。 然而，部署多无人机网络的关键挑战之一在于无人机的最佳定位，以适应实时流量变化并最大限度地提高网络吞吐量。静态或简单的定位策略可能导致资源利用率低下、覆盖差距或节点过载，尤其是在异构和非均匀流量场景中。
最近的研究探索了多无人机定位以提高无线网络性能的各种策略。例如[3]提出了一种结合 K-means 聚类和 Swarm 优化的两阶段算法来优化不同的网络配置，即以网络为中心和以用户为中心的方法。同样地[4]引入了一种用户集群和带宽优化方法，以提高无人机辅助无线通信的能源效率。 在动态环境中，强化学习已被用于优化无人机轨迹。例如，在[5]提出了一种基于强化学习的方法，该方法联合优化无人机的轨迹和传输功率，以最大限度地提高检测性能，同时满足对雷达参数估计精度和通信质量的约束。在他们的模型中，每架无人机都配备了一个能够同时传感和通信的双功能设备。 在[6]，作者提出了一个用于无人机网络的分布式多智能体强化学习框架，其中每个无人机使用部分观察独立优化其位置、发射功率和子信道分配。 然而，这些研究主要集中在固定数量的 UAV 或静态用户分布上。上述工作都没有考虑一种全面的方法，该方法最大限度地减少所需无人机的数量，同时根据实时流量分配和用户位置动态优化其位置，以最大限度地提高整体网络吞吐量。
图 1：正在研究的多无人机系统模型。
在本文中，我们提出了高效的多无人机交通感知部署 （EMTAD） 算法------一种新颖的框架，旨在最大限度地减少部署的无人机数量，同时根据实时流量分配和用户关联优化其 3D 放置。与之前假设静态用户模式或固定无人机数量的工作不同，EMTAD 根据空间流量变化动态调整无人机部署，确保满足每个用户的流量需求。这种方法增强了 LoS 覆盖范围，平衡了网络负载，并提高了频谱效率。因此，我们的主要贡献是：（i） 交通感知的实时无人机定位策略;（ii） 一个集成的优化框架，共同最大限度地减少无人机数量，确定 UE-UAV 关联，并考虑实际部署限制;（iii） 专为动态、异构网络环境设计的可扩展算法。这项工作建立在我们之前的研究基础上[7,8]，该策略侧重于单无人机定位，但未解决多无人机优化或动态用户关联的挑战。
以下部分介绍了我们的系统模型和问题表述（第 II 节）、提出的高效多无人机交通感知部署 （EMTAD） 算法（第 III 节）、性能评估结果（第 IV 节）和结论（第 V 节）。
第二系统模型和问题表述
在本节中，我们首先介绍了所考虑的系统模型，然后是控制无人机部署和 3D 定位的联合优化问题的制定。
II-A 型系统模型
本文考虑了部署在城市、郊区、住宅或农村目标区域上的多无人机辅助空中无线通信系统（见图 111这张图片是使用 ChatGPT （OpenAI， 2025） 根据作者的概念输入生成的，用于说明目的。).该系统包括以下关键组件：
i） 用户设备 （UE）： 总计NUE 随机分布在场馆内。每个 UE 由至少一个K无人机充当空中接入点。
ii） 无人机： 最初，无人机的数量K麦克斯设置为等于N.然后，系统对K麦克斯同时确保完整的 UE-UAV 关联，从而满足他们的流量需求。UAV 的定位是提供高容量定向链路，同时保留 LoS 与所服务的 UE。
**iii） 中央处理模块 （CPM）：**基于云的集中式控制器负责监督无人机网络。其主要功能包括： （i） 解决制定的优化问题，旨在最大限度地减少部署的无人机数量，同时满足用户的需求限制;（ii） 获取每架无人机的最佳 3D 位置并相应地发送重新定位命令。
II-B 型问题表述
本节提出了一个联合优化问题，旨在最大限度地减少部署的无人机数量，确定其最佳 3D 位置，并将地面 UE 与无人机相关联，同时满足流量需求和资源限制。其目标是确保为城市环境中的地面用户提供可靠和高效的无线连接。 该系统在离散的时隙中运行τ，在此期间，UE 位置被假定为静态，而 UAV 位置则被动态优化。航空网络建模为有向图𝒢(τ)=⟨𝒰,ℓ(τ)⟩哪里𝒰包括NUE （UE的我,我=1,...,N） 和K麦克斯无人机 （无人机k,k=1,...,K麦克斯） 和ℓ(τ)表示 Time 的无线链接集τ. 每UE的我位于固定坐标处(x我,y我,z我)，通常具有z我≈0，并与随时间变化的流量需求相关联T我(τ)以每秒位数为单位。此需求捕获了上行链路传输到服务无人机所需的数据速率，并且取决于应用（例如，视频流、实时传感）。
灵感来源[9]，则UE的我和无人机kat 位置Pk=(xk,yk,zk)表述为：
因此，非视距 （NLoS） 的概率由下式给出：
哪里c1和c2是从城市环境的 Al-Hourani 模型推导出来的环境常数[10]和
是UE的我和无人机k.这些常数取决于环境（例如，城市、郊区、农村），反映了建筑物密度、高度和地形对 LoS 可能性的影响。 平均通道增益定义为：
哪里K0=(4πfc)2和μ洛杉矶,μNLoS是衰减因子[9]. 因此，数据速率从UE的我自无人机k由下式给出：
哪里B我(τ)是 的已分配带宽UE我.
我们的目标是制定一个统一的优化问题，同时最大限度地减少无人机的数量，确定它们的最佳 3D 位置，并建立高效的 UE-UAV 关联，同时确保满足每个用户的数据需求。这种方法旨在平衡资源效率和整体网络性能之间的权衡。此外，我们定义了一个二进制 UAV 激活变量一个k，指示U一个Vk处于活动状态 （已部署）。 因此，优化问题表述如下：
哪里K麦克斯=N表示可部署的最大无人机数量，以及z我k是一个二进制关联变量，指示UE的我由无人机k（即z我k=1如果已分配，并且z我k=0否则）。 （5b） 中的约束确保可实现的数据速率R我k(τ)之间UE的我和无人机k，当关联时（即z我k=1），足以满足用户的流量需求T我(τ). （5c） 中的约束保证无人机k添加到其所有关联的 UE 不超过其可用容量Bk麦克斯，从而确保在关联用户之间正确共享带宽。 （5d） 中的约束确保每个UE的我仅与部署的 UAV 中的一个关联，从而保证全覆盖，没有用户无功。 （5e） 中的约束确保无人机k可以服务UE的我仅当它已部署（即一个k=1），从而防止与非活动 UAV 关联。 （5f） 和 （5g） 中的约束是指决策变量的二进制性质z我k和一个k：（5f） 管理 UE 到 UAV 的关联，而 （5g） 确定每个 UAV 的激活或部署状态。
用 P 表述的问题是一个组合非线性问题，使其本质上是 NP 困难的[11].二进制变量z我k和一个k引入整数规划复杂性，因为它们定义了离散关联和激活决策。此外，该问题涉及非线性约束，即 （5b） 中的约束，使其成为一个混合整数非线性规划问题。即使是这个问题的简化变体，例如集合覆盖问题（找到覆盖所有用户所需的最小数量的无人机）和有容量的设施位置问题（决定将具有容量限制的设施放置在何处以满足需求）------也是众所周知的 NP 困难问题[12].这凸显了问题的复杂性。因此，对于大规模场景，以最佳方式解决这个问题在计算上变得困难。因此，它需要使用启发式或有效的算法来有效地获得接近最优的解决方案 --- 我们将在下一节中详细介绍这种方法。
第三高效的多无人机交通感知部署 （EMTAD） 算法
为了解决 P 中的问题，我们提出了高效的多无人机交通感知部署 （EMTAD） 解决方案。EMTAD 旨在共同减少无人机的数量并确定其最佳 3D 位置，同时确保在现实的通信约束下满足所有 UE 流量需求。EMTAD 的核心思想是通过估计每架无人机与其相关 UE 之间的最大允许距离来利用空间交通感知，从而保持所需的数据速率。根据此距离阈值，我们为每个 UE 定义一个球形覆盖区域。这些区域反映了每个 UE 周围的可行通信区域，考虑到其流量需求和概率 LoS/NLoS 传播环境。
1 输入： 流量需求 T我(τ)，以 bits/s 为单位，对于每个UE我,的 3D 位置UE我 P我=(x我,y我,z我)为我=1,...,N、每个无人机的最大带宽 B麦克斯， 单位 Hz， 无人机定位的可行区域
2 初始化 K麦克斯=N
3 为 我=1 自 N 做
4 算d我k麦克斯对于每个UE我使用公式 6
5 定义球体S我居中P我带半径d我k麦克斯
6
7计算初始可行交点组合Sp
8
9 而 K麦克斯*≥1* 做
10 为 每个K麦克斯无人机Sp 做
11 分配U一个Vk（对于k=1,...,K麦克斯） 更改为Sp
12 为 我=1 自 N 做
13 为 k=1 自 K麦克斯** 做
14 一个k=1
15 如果 d我k≤d我k麦克斯** 然后
16 z我k=1
17
18 还
19 z我k=0
20
21
22 检查∑k=1K麦克斯z我k=1
23
24 如果 覆盖 了所有 UE， 则
25 初始化Pk在每个sp对于每个U一个Vk
26 为 k=1 自 K麦克斯** 做
27 而 PSO 未收敛
28 计算nk麦克斯 使用方程 （ 9)
29 更新Pk使用 PSO
30 计算d我k(τ) 使用公式 （ 2)
31 计算ε我k洛杉矶(τ) 使用公式 （ 1)
32 计算Ω我k(τ) 使用公式 （ 3)
33 计算R我k(τ) 使用公式 （ 4)
34 检查约束 （ 5b） 和 （ 5c）)
35 如果 满足 所有约束 ，则
36 门店解决方案(一个k,z我k,Pk)
37
38 还
39 退出
40
41
42
43
44
45
K麦克斯=K麦克斯−1
// 尝试更少的无人机
46
47选择具有最小值的解一个k和 MaximumR我k从存储的 Solutions
输出：
| 最佳无人机数量 | ∑k=1K麦克斯一个k∗ |
| 最佳位置 | Pk∗ |
| 关联变量 | z我k∗ |
|---|
算法 1 高效的多无人机交通感知部署 （EMTAD） 算法
因此，为了满足 （5b） 中的约束，同时最小化 （5a） 中的目标，我们定义了d我k麦克斯，它表示UE的我和无人机k什么时候z我k=1.从 （3）、（4） 和 （5b）、d我k麦克斯的派生方式如下：
哪里一个=K0−1[ε我k洛杉矶(τ)μ洛杉矶+ε我kNLoS(τ)μNLoS]−1和R我k(τ)=T我(τ). 因此，EMTAD 会创建一个覆盖范围S我半径d我k麦克斯每个UE的我为确保满足 UE 的流量需求，其中
EMTAD 算法分两个阶段进行，以确定最佳无人机部署，同时满足流量需求并最大限度地减少无人机数量，如下所示。
**i） 通过覆盖交叉进行空间聚类：**该算法首先识别 UE 之间的重叠覆盖区域，以确定单个无人机可能在满足其需求的同时为多个 UE 提供服务的候选区域。这使系统能够根据邻近性和流量兼容性对 UE 进行分组，从而减少不必要的无人机部署。为了实现这一点，计算了两个或多个球体之间的空间交集。这些交集定义候选子区域sp⊆ℝ3其中，无人机可以同时为多个 UE 提供服务，同时满足各自的流量限制。所有交集的集合定义为：
然后，EMTAD 算法通过测试 UE 组组合来识别所有交叉区域，从完整集合开始，然后下降到成对组合。每个有效的交叉点区域sp在 3D 空间中至少包含一个位于所有参与球体内的点。在生成的区域中，目标是选择最小的交叉点集{sp}1一个k共同涵盖所有NUE 的这保证了在满足流量约束的同时最大限度地减少 UAV 的数量。通过评估区域组合并确定包含所有 UE 的最小子集来确定最佳集。图 2 显示了一个包含 7 个 UE 的简单方案。最佳最小组合至少需要两个交集sp以覆盖所有 UE 并满足交通需求，其中每个交叉路口将与一架无人机相关联。
图 2：无人机定位的 2D 表示，由以每个 UE 为中心的交通需求球的交集决定。
**ii） 通过粒子群优化 （PSO） 进行 3D 定位优化：**我们采用基于 PSO 的元启发式方法，通过确定最佳位置来优化无人机部署Pk在每个sp.PSO 算法使用共同满足以下目标的适应度函数搜索无人机的最小集合及其相应的 3D 位置：
-
•
最大化每个无人机提供的 UE 数量，同时满足 （5c） 中的约束，使得
哪里nkM一个X是 UAV 可以服务的最大 UE 数量k.
-
•
满足所需的数据速率和容量限制 （d我k≤d我k麦克斯); -
•
根据仰角和城市拓扑，优先考虑提供高 LoS 概率的无人机放置。
一旦建立了最小的交叉点区域集，每个交叉点sp被分配了无人机 （▷第 9-10 行，算法 1）。 这保证了无人机被放置在确保强大连接和高效资源利用的位置，同时满足 QoS 需求 （▷第 11-33 行，算法 1）。 因此，所提出的 EMTAD 解决方案平衡了覆盖效率和实际部署考虑，包括频谱共享、用户需求异构和环境传播动力学。我们解决方案的主要步骤在 算法 1 中详细说明。
表 I：PSO 算法参数摘要。
| PSO 算法参数 | |
|---|---|
| 粒子数 | 30一个 |
| 最大迭代次数 | 100b |
| 位置精度 | 1.0 米c |
| 惯性重量 （w） | 0.7d |
| LoS 概率常数 （urban） （c1） | 9.6 |
| LoS 概率常数 （urban） （c2） | 0.28 |
| 初始位置空间 | 每个的有效位置sp |
| 健身功能 | 总吞吐量 |
| 视距阈值 （ε门槛) | 0.9 |
| 提前停止 | 经过 10 次迭代后，如果是完美的解决方案 |
| 位置选择 | 最接近的有效位置sp |
| 一个平衡勘探和计算成本的标准 PSO 群体规模 | |
| b在保持效率的同时，为收敛提供足够的迭代 | |
| c在实际场景中实现无人机定位的实用精度 | |
| d平衡粒子运动中的探索和开发 |
表 II：NS-3 环境配置参数
| NS-3 模拟参数 | |
|---|---|
| f | 5250兆赫 |
| 保护间隔(G我) | 800ns |
| Wi-Fi 频道 | 50 |
| Wi-Fi 标准 | IEEE 802.11ac 协议 |
| 通道带宽 | 20兆赫 |
| 天线增益 | 0 分贝 |
| Tx 功率 | 20dBm |
| 本底噪声功率 | -85dBm |
| Remote Station Manager 机制 | 理想 WifiManager |
| 应用程序流量 | UDP 恒定比特率 |
| UDP 数据速率(B我) | 变量基于MCS我 |
| 数据包大小 | 1400 字节 |
四性能评估
本节评估了建议的 EMTAD 算法的性能。在本文中，我们将 EMTAD 与两个最先进的基线进行了比较：固定高度无人机方法[13]以及每个 UAV 方法的固定数量的 UE[14,15]、使用 Python 脚本和 ns-3 模拟器。 为了评估 EMTAD 的有效性，我们对三种不同的情况进行了全面评估。场景 A 具有恒定的场地大小和数量以及不同的流量需求，场景 B 具有恒定的 UE 数量和流量需求以及不同的场地大小，场景 C 具有恒定的场地大小和流量需求以及不同数量的 UE，其中 UE 在场地中随机分布。我们考虑配备 IEEE 802.11ac 收发器的无人机，该收发器在 5 GHz ISM 频段运行，总带宽为BM一个X=160MHz，由通道绑定 （8×20 MHz）。符合 802.11ac 标准的系统支持此配置，并且在干扰相对较低且频谱可用性充足的场景中可行，例如农村或人口稀少的地区[15].
（一）无人机数量
（二）平均聚合吞吐量 （Mbit/s）
图 3：情景 A：（a） 无人机数量和每个无人机的最大 UE 与流量速率的关系T我，以及 （b） 与固定无人机高度 （zk=20m） 和每个无人机的固定 UE 数量 （nk麦克斯=10）。
为了评估 EMTAD 的性能，每个场景都在 ns-3 中进行了模拟。结果来自每个场景的 30 次模拟运行。所有模拟都是在一致的网络条件下进行的，使用 SetRandomSeed（） 和 RngRun = {1， 2， ...， 30}。表 I 和表 II 中提供了 EMTAD 算法的参数和仿真设置的摘要。下面概述了每种情况的详细说明。
（一）无人机数量
（二）平均聚合吞吐量 （Mbit/s）
图 4：情景 B：（a） 无人机数量和每个无人机的最大 UE 与场馆规模的函数关系，以及 （b） 与固定无人机高度 （zk=20m） 和每个无人机的固定 UE 数量 （nk麦克斯=10）。
在场景 A 中，我们考虑100m×100m区域，包括 20 个随机分布的 UE，每个 UE 都要求根据调制和编码方案 （MCS） 指数的统一流量速率[16].业务速率设置如下：i） 6.5 Mbit/s，ii） 13 Mbit/s，iii） 19.5 Mbit/s，iv） 26 Mbit/s，v） 39 Mbit/s，vi） 52 Mbit/s，对应于 MCS 索引 0 到 5。应用了 800 ns 的保护间隔。图 3a 说明了每个用例所需的最小无人机数量，同时考虑了满足用户流量需求和每个无人机覆盖的最大 UE 的限制。图 3b 将无人机从 MTOAP 接收的平均聚合吞吐量与最先进的吞吐量进行了比较，其中 i） 固定数量的 UE （NUE= 10） 与每架无人机相关联，并且 ii） 无人机的固定高度 （zk= 20）。结果表明，EMTAD 优于固定高度和每无人机固定数量的 UE 方法，尤其是当 EMTAD 提出更多无人机时。这种改进归因于数量较少的无人机无法充分满足所有 UE 的流量需求。
在场景 B 中，20 个 UE 随机分布在不同区域的场地，如下所示：i）100m×100m，ii）200m×200m，iii）300m×300m，iv）400m×400m和 v）500m×500m.每个 UE 需要 6.5 Mbit/s 的统一流量速率，对应 MCS 索引 0，保护间隔为 800 ns。结果如图 4a 和 4b 所示。在这种情况下，与最先进的方法相比，EMTAD 表现出卓越的性能。例如，在100m2,200m2和300m2，EMTAD 使用单个 UAV 实现相同的吞吐量，而NUE的=10需要两架无人机才能提供类似的结果。此外，在500m2场景下，EMTAD 提议部署三架无人机来满足流量需求。相比之下，最先进的方法建议的两种无人机不足以满足这些要求。
在场景 C 中，我们认为100m×100m区域，包括随机分布的不同数量的 UE，如下所示：i） 20 个 UE，ii） 30 个 UE，iii） 40 个 UE，iv） 50 个 UE，以及 v） 60 个 UE。每个 UE 需要 6.5 Mbit/s 的统一流量速率，对应于 MCS 索引 0，保护间隔为 800 ns（图 5）。此方案的结果凸显了 EMTAD 的强大性能，它成功地覆盖了所有 UE，并使用最多两个 UAV 来满足其流量需求。这与最先进的方法形成鲜明对比，后者在相同情况下需要多达六架无人机，尽管吞吐量没有显着提高。
V结论
本文介绍了 EMTAD 算法，这是一种可扩展的自适应解决方案，用于优化城市无线网络中的无人机部署。EMTAD 解决了关键挑战，即最大限度地减少保持可靠连接所需的无人机数量，同时确保满足每个用户的流量需求。 通过联合优化框架和流量感知部署策略，EMTAD 平衡了网络负载和资源使用，使其非常适合密集和动态的城市环境。 通过结合实时流量分配、动态 UE-UAV 关联和实际部署约束，与传统静态方法相比，EMTAD 显著提高了频谱效率和 LoS 覆盖范围。 未来的工作将扩展该框架，以支持无人机移动性、能源感知作以及与 6G 原生边缘智能的集成，以便在更复杂的场景中进行实时决策。
（一）无人机数量
（二）平均聚合吞吐量 （Mbit/s）
图 5：情景 C：（a） 无人机数量和每个无人机的最大 UE 数与 UE 数量的函数N，以及 （b） 与固定无人机高度 （zk=20m） 和每个无人机的固定 UE 数量 （nk麦克斯=10）。