本技术涉及无线通信技术,旨在提出一种无人机群辅助通信的优化方法。该方法通过实时调整无人机飞行轨迹和数据路由路径,构建飞行自组织网络(FANET),以支持地面无线传感器网络(WSN)的中继通信,确保实时监测场景中的低延迟通信需求。具体步骤包括:(1)构建无人机与WSN的数据路由传输系统模型;(2)定义以最小化最大端到端时延为目标的FANET辅助通信优化问题;(3)利用马尔可夫决策过程(MDP)将优化问题转化为序列决策问题;(4)采用深度强化学习与图神经网络技术构建无人机决策模型并进行训练;(5)将训练完成的模型应用于飞行自组织网络辅助通信的联合优化过程。
背景技术
随着数字化和智能化的快速发展,无线传感器网络(WSN)在智能交通、环境监测和工业自动化等领域变得至关重要。这些网络需要实时处理和传输数据,以确保系统的效率和响应能力,其中一个关键性能指标是端到端延迟,即数据从发送方到接收方的总传输时间。在WSN中,端到端延迟受到多个因素影响,包括传播延迟、节点处理延迟,以及传输速率和功率限制导致的网络拥塞。因此,优化这些因素对于降低地面网络的最大端到端延迟和提高整体性能至关重要。
无人机因其高机动性和灵活部署能力,被视为地面无线通信网络的重要补充。在高流量需求和网络负荷重的场景中,无人机可以作为空中通信平台,为地面设备提供中继通信服务,提升地面网络的覆盖范围和服务质量。通过无人机群组成的飞行自组织通信网络(FANET),可以为地面网络提供快速部署、动态调整和负载均衡的辅助通信服务。这种方式有效地降低了地面网络的最大端到端延迟。然而,由于无人机的高机动性,FANET的拓扑结构频繁变化,导致网络环境复杂多变。动态变化的环境使得数据包传输路径的选择和无人机的航迹规划变得困难。
实现思路