无人机无线供能通信网络的联合功率与三维轨迹优化研究学术报告

作者与发表信息

本研究的核心作者团队来自中国吉林大学计算机科学与技术学院及新加坡科技设计大学工程产品开发系，由Hongyang Pan、Yanheng Liu、Geng Sun（IEEE会员）、Junsong Fan、Shuang Liang和Chau Yuen（IEEE会士）共同完成。该研究于2023年发表在IEEE Transactions on Communications期刊（DOI: 10.1109/TCOMM.2023.3240697），并获得中国国家自然科学基金（61872158等）、吉林省科技发展计划项目（20210101183JC等）和中国留学基金委的资助支持。

研究背景与学术意义

本研究属于5G/6G无线通信与无人机（UAV, Unmanned Aerial Vehicle）协同优化领域，聚焦无线供能通信网络（WPCN, Wireless Powered Communication Networks）中的能量利用效率提升问题。在传统WPCN中，固定式充电基站存在覆盖范围有限、部署成本高等问题，而无人机作为移动充电平台虽具有高度灵活性，却面临三大核心挑战：（1）机载能量有限需优化分配；（2）复杂环境中障碍物规避增加轨迹规划难度；（3）充电与数据收集的并发操作需要时间效率优化。

研究团队创新性地提出联合优化无人机功率分配与三维轨迹（JUPTTOP, Joint-UAV Power and 3D Trajectory Optimization Problem）的解决方案，旨在实现三大目标：（1）最大化覆盖地面无线设备（WDs, Wireless Devices）数量；（2）最小化充电与数据收集过程的时间差；（3）减少无人机总飞行距离以降低能耗。该研究对灾害监测、森林防火预警等需要长期自主供电的物联网场景具有重要应用价值。

研究方法与技术路线

系统模型构建

研究团队建立了包含五个子模型的完整系统框架： 1. 网络模型：采用”飞行-悬停-通信”协议，无人机在zmin=5m至zmax=30m空域航行，地面WDs随机分布在500m×500m区域，障碍物高度通过参数化模型ob(x,y)描述。 2. 无线充电模型：基于RFID技术，充电效率μij=γ/(dij+τ)²，其中γ=36为天线增益相关常数，τ=30为Friis自由空间方程调整参数，最大覆盖距离dmax=20m。 3. 数据收集模型：采用概率视距（LoS, Line-of-Sight）信道，路径损耗βij包含LOS（β0dij^-α）与NLOS（κβ0dij^-α）两种情况，κ=0.2为额外衰落因子。 4. 能耗模型：包含通信能耗与推进能耗，后者采用旋转翼无人机功耗公式P(v)=Pb(1+3v²/U²tip)+Pi(√(1+v⁴/4v₀⁴)-v²/2v₀²)+d₀ρsAv³/2。 5. 障碍物模型：基于三维点云数据建立参数化障碍物高度函数，控制参数包括水平中心(xlm,ylm)、高度hm和斜率控制系数(xsm,ysm)。

问题分解与算法设计

针对NP-hard的JUPTTOP问题，研究团队采用分层优化策略：

1. 无人机功率分配优化（UPAOP）

开发NSGA-II-KV算法，关键创新点包括： - K-means初始化算子：将WDs二维坐标聚类，初始悬停点设为聚类中心，提升搜索效率 - 变维机制：动态调整解决方案维度以适应覆盖WDs数量变化 - 多目标优化函数：f1=-∑acj（最大化覆盖WDs），f2=∑tdj+n·pe（最小化时间差与惩罚时间）

2. 三维轨迹优化（UTTOP）

提出PSO-NGDP算法，包含四大改进： - 正态分布初始化：坐标初始化采用高斯分布randn·xmax/c3 - 遗传机制：通过交叉操作交换相同索引的航路点坐标 - 差分机制：引入变异操作q’=q+F0·(q’-q”) - 追踪算子：动态调整速度边界vmax=v1-(v1-v2)*it/gmax

实验设计与验证

研究设置六种不同障碍物分布场景（场景1-3为小规模网络500WDs，场景4-6为大规模网络1000WDs），关键参数包括： - 充电参数：pc∈[1W,3W], γ=36, τ=30, E=10J - 通信参数：β0=-60dB, σ²=-100dBm, rth=0.5Mbps, U=100Mbits - 算法参数：种群规模50，最大迭代300次，航路点数k=10

主要研究成果

功率分配优化性能

NSGA-II-KV在六种场景下均表现出色： 1. 覆盖性能：小规模网络平均覆盖WDs数达132个（场景1-3），较传统NSGA-II提升4.3%；大规模网络最高覆盖457个（场景4），较k-means算法提升16.5% 2. 时间效率：f2指标平均降低12.7%，其中场景1从NSGA-II的3886.75降至3733.87 3. 算法稳定性：30次独立试验标准差仅5.18（场景1）和9.68（场景4）

三维轨迹优化效果

PSO-NGDP显著降低飞行能耗： 1. 轨迹长度：场景1最优结果1667.08m，较传统PSO降低16.0% 2. 收敛速度：在300代内收敛，收敛速度较差分进化（DE）快2.4倍 3. 障碍规避：通过航路点预处理算法确保100%避障成功率，其中航路点高度动态调整公式z=z+c4*(ao/10)

联合优化效益

1. 能量利用率：飞行能耗最高降低25.30%（场景6）
2. 时间同步性：充电与数据收集时间差减少2.93%
3. 扩展性：网络覆盖面积增大时节能效果更显著

研究结论与价值

本研究通过创新性地分解JUPTTOP问题并设计混合智能算法，实现了三大科学贡献： 1. 方法论创新：提出首个结合NSGA-II与PSO的WPCN优化框架，其中NSGA-II-KV的变维机制和PSO-NGDP的追踪算子均为原创设计 2. 技术突破：在20m充电距离约束下，实现457个WDs的联合优化覆盖，较现有技术提升18.03% 3. 应用价值：为无人机辅助的灾害监测、智慧农业等场景提供可扩展的能源解决方案

研究亮点

1. 多目标协同优化：首次同时考虑覆盖数、时间效率和飞行距离三个冲突目标
2. 三维避障机制：创新的航路点预处理算法结合参数化障碍物建模
3. 算法创新性：NSGA-II-KV的k-means初始化与PSO-NGDP的正态分布初始化形成互补优化
4. 工程实用性：所有参数均来自实际设备（如Powercast TX91501发射器），接收功率阈值设为5mW符合工业标准

其他重要发现

1. 推进功率优化：当无人机速度v≈10.2m/s时推进功率最小（图13a）
2. 高度参数验证：在1W发射功率下，20m距离接收功率仍高于5mW阈值（图13b）
3. 计算效率：NSGA-II-KV的复杂度保持O(np²·gmax·i2)，与常规NSGA-II相当

该研究为未来实时避障算法开发奠定了基础，作者建议下一步研究可结合深度强化学习实现动态环境下的在线轨迹规划。