无人机通信网络优化：从空对地信道建模到能量约束的工程实践

简介：面向通信工程与网络相关专业的毕业设计需求，这份资源以无人机通信网络为研究对象，系统探讨了无人机作为空中基站的关键问题与优化策略。论文重点关注热点区域覆盖和应急通信场景，详细分析了无线信道中LOS/NLOS传播特性，并提出了基于分族聚类与循环K-means的部署优化算法：先对地面用户进行分类，求解无人机二维投影位置与覆盖半径，再以发射功率与路径损耗最小化为目标优化高度，最终得到三维空间部署坐标。此外，文中还涉及固定翼与旋转翼无人机在灾后救援中的协同组网方式，为边缘用户提供可靠通信覆盖。资源包仅含1个docx文档，共811KB，论文章节完整，包含绪论、研究现状、系统特性分析、仿真验证等模块，结构清晰。目前已有213人学习浏览，适合需要撰写同类课题或了解无人机基站部署优化的本科生、研究生参考借鉴。

1. 基于无人机的通信网络研究：从关键问题到优化落地的完整取舍

基于无人机的通信网络，简单说就是把无人机当作飞行基站、中继节点或数据采集终端，和地面设施组成一张随时在变的三维网络。它的难点不在于单条链路能不能通，而在于链路质量会跟着高度、航向和遮挡情况快速变化，拓扑每隔几秒就可能重排。这里我先给结论：这类研究真正能写实、能落地的突破口基本只剩三个——空对地信道的建模精度、动态拓扑带来的资源分配、以及能量约束下能支撑多大容量。这个判断是我从通信仿真和无人机中继测试里反复总结出来的，后面每一章都会对应一个可以动手的环节。适合的人群是通信方向的研究生、准备给应急通信项目选型的技术负责人，以及正在做无人机通信与感知一体化验证的工程师。

2. 关键问题拆解：空对地信道、三维拓扑与能量约束决定网络性能

无人机通信网络和地面蜂窝网络的一个核心差别，是“信道非平稳”。地面网络的信道变化主要由用户移动和环境散射造成，而无人机网络多了一个自由度：飞行平台自己的位置和姿态在变，信道统计特性随高度和仰角剧烈变化。把这一层理解透，优化才有意义。

2.1 空对地信道：LoS/NLoS 概率分布与参数选择

工程上目前最常用的空对地信道模型，是把传播条件分成视距和非视距两类，用无人机相对地面节点的仰角来计算视距概率。仰角越高，被建筑物遮挡的概率越低，视距概率越接近 1。这个关系用一个函数就能描述：

P(LoS) = 1 / (1 + a * exp(-b * (θ - a)))

其中 θ 是无人机到地面节点之间的仰角，单位是度；a 和 b 是环境相关的常数。这个模型最大的价值在于把复杂的城市三维场景压缩成两个参数，仿真速度极快，而且趋势是对的：低仰角时遮挡严重，高仰角时链路几乎总是视距。常见取值是城市场景 a=9.61、b=0.16，郊区场景 a=4.88、b=0.43，水域或开阔地则把 b 调大、a 调小，让低仰角也能有较高的视距概率。实际做项目时，我一般会做一组敏感度扫描而不是直接固定某个值，因为不同城市建筑密度差别很大，直接抄参数很容易翻车。

有了视距概率之后，平均路径损耗可以写成两者的加权：

L_avg = P(LoS) * L_LoS + (1 - P(LoS)) * L_NLoS

其中 L_LoS 和 L_NLoS 分别是视距和非视距路径损耗，单位 dB，通常写成自由空间损耗加一个附加损耗项。自由空间损耗就是 20log10(4πfd/c)，f 是载频，d 是距离，c 是光速。附加损耗项才是这个模型的灵魂：视距的附加损耗一般只有几个 dB，非视距附加损耗在城市环境中可能到 20～25 dB。我这里用一个具体数字帮你建立直觉：在 2.4 GHz、距离 800 米、高度差 50 米、仰角约 3.6 度的城市低空场景下，视距路径损耗约 98 dB，非视距可能到 120 dB 以上，差了 20 多 dB。这意味着如果你把无人机中继的位置选在楼群遮挡严重的区域，哪怕距离很近，链路容量也可能连可用的十分之一都不到。反过来，抬高 20 米让仰角升到 15 度以上，视距概率从不到 0.3 变成 0.6 以上，链路余量立刻宽裕不少。这就是为什么所有优化工作几乎都把高度当作核心变量之一。

2.2 三维拓扑动态：飞行速度对链路管理和干扰的影响

无人机通信网络的拓扑不是静止的。一架以 15 m/s 巡航的无人机，在 100 米直径的覆盖范围内，从一侧飞到另一侧大约只要 6～7 秒。这意味着网络层的路由决策、物理层的信道估计、MAC 层的接入调度，都要在秒级甚至亚秒级的时间尺度上重新计算。很多人在仿真里把无人机位置固定不动，只做单时刻优化，这样的结果看着漂亮，但工程上很难直接用，因为你不知道链路在无人机移动过程中会不会频繁中断。

飞行速度带来看得见摸得着的物理效应是多普勒频移。以 2.4 GHz 载频、30 m/s 相对速度计算，多普勒频移大约 240 Hz，这个值相对 15 kHz 的 OFDM 子载波间隔来说不算大，但如果你用的是窄带物联网类系统、子载波间隔只有 3.75 kHz，那这个频移占到子载波间隔的 6% 以上，接收端必须做频偏补偿。到了 5.8 GHz 频段，同样速度下多普勒频移到 580 Hz，某些宽带调制格式的导频设计就要重新考虑。所以做优化建模时，移动性约束至少应该包含最大速度限制、最小转弯半径和链路相干时间三项，否则你优化出来的轨迹可能根本没法飞。

2.3 能量约束：续航对通信功率权衡的本质影响

无人机是电池供电的平台，能量约束比地面基站严酷得多。通信发射功率本身通常只有瓦级甚至毫瓦级，和电机功率几十瓦到几百瓦相比小一个量级，但这并不意味着通信功率可以忽略。关键在于：电池总容量有限，你在通信上多出的每一瓦,都要从飞行续航里扣。巡航状态下多带 2 W 通信负荷，整机续航可能缩短 3～5 分钟，这在 30 分钟级别的任务里已经是不小的比例。

所以在系统级优化里，能量约束通常被写成平均发射功率限制或者任务周期内的总能量预算。常见的做法是定义一个任务时长 T，无人机有总能耗上限 E_budget，飞行功率按速度曲线估算，通信功率按调制方式和发射功率计算，把两者放在同一个约束里。优化目标往往是在这个总能耗预算下最大化某个通信性能指标。另一个角度是把“能飞多少时间”本身当作目标，让通信吞吐量作为约束，这类问题适合做 Pareto 权衡分析。实际工程里我建议至少跑三组不同能量预算的实验，这样你能看出一条曲线：随着能量预算从紧到松，系统容量是先快后慢地上升，找到那个拐点，就知道这个平台的能量瓶颈到底卡在哪了。

3. 问题建模：把无人机通信网络优化写成可求解的数学形式

优化不是把一堆变量塞进一个函数然后求最小值。你得先回答三个问题：目标是什么、约束是什么、变量是什么。变量选得恰当，问题规模可控；目标选得合理，优化出来的结果才有人愿意用。

3.1 目标函数的工程选择：吞吐量、时延与公平性怎么取舍

目标函数直接决定了系统服务谁。在无人机中继和空中基站场景里，最常用的三个目标各有适用边界。

第一个是最大化最小吞吐量，也就是 max-min 公平性。这个目标照顾性能最差的地面用户，适合应急通信场景——救援现场有几十个终端，你不能让离无人机近的人霸占带宽。代价是总吞吐量会下降，因为系统会花大量资源去满足边缘用户。

第二个是加权和速率最大化，给不同的地面节点或者不同的业务类型分配权重。视频监控业务权重高，传感器采集权重低，权重本身可以由上层业务决定。这个目标的计算效率高，很多凸近似方法都能直接套，问题是权重的取值没有标准答案，不同权重下结果差异很大。

第三个是网络覆盖最大化，通常是“覆盖用户数”或者“覆盖率”。在无人机基站选址问题里最实用，因为很多场景只要求终端能接入网络，而不要求每个终端都有很高的速率。覆盖定义的阈值不同，结果天差地别，比如把速率门限从 1 Mbps 提到 2 Mbps，最优高度可能差出 30 米。

我见过不少入门者在这条上纠结最久：把三个目标都想塞进一个公式里，加权重系数变成单目标。这本身没问题，但权重系数怎么定，必须有业务理由，而不是拍脑袋给个 0.5 和 0.5。一个更稳妥的路径是先跑三组单目标优化，再根据结果决定要不要做多目标权衡。

3.2 约束条件的表达：功率、频谱、轨迹与安全间隔

约束条件是把物理世界写进数学问题的关键环节。约束写得太松，优化结果不可实现；写得太紧，问题解不出来。

功率约束要注意峰值和平均值的区别。无人机发射机的峰值功率限制来自射频功放，通常是 30 dBm 到 36 dBm 这个量级，而平均功率限制来自散热和电池，可能只有峰值的一半。建模时要写两个约束，而不是只写一个。

频谱约束在蜂窝场景里是资源块数量限制，在应急中继场景里也可能是频点和带宽固定。值得注意的一点是，带宽和发射功率在香农公式里是非对称的：带宽增加一倍，容量直接翻倍；功率增加一倍，容量只增加一比特左右。所以频谱充裕时，优先把资源块分给信道质量差的用户；频谱紧张时，功率控制反而更重要。

轨迹约束里常被忽略的是安全间隔和禁飞区。无人机不能无限逼近地面节点，也不能穿过禁飞区，这些在数学上是一组线性不等式或圆形区域约束。最小离地高度也非常关键，它直接决定了视距概率的下限。城市上空 30 米和 80 米，视距概率相差可能超过 0.3，所以高度约束的上下界应该由空域规则和实测环境共同决定，而不是为了优化方便随便给。

3.3 一个最小中继场景的建模流程

这里给一个可以直接上手的最小场景，用来把整套建模流程走通。假设两辆地面应急车辆 A 和 B 相距 1 公里，中间没有直视路径，需要一架无人机作为解码转发中继，把 A 的数据传给 B，再把 B 的数据传给 A。无人机在同一频段上工作时，两个方向的传输需要分时或者分频，这里简化为两个独立子信道。

建模步骤如下：第一步，确定变量，无人机地面投影坐标 x、y 和飞行高度 h，加上两个方向的发射功率 P1、P2。第二步，写出信道模型，用第二章的视距概率模型计算 A 到无人机的平均路径损耗，同理计算无人机到 B。第三步，写出传输速率表达式，用香农公式算两个方向的可达速率。第四步，写约束，发射功率不超过最大值，高度在一定范围内，飞行轨迹要避开两个终端之间连线的正上方低空，因为那里可能有障碍物。第五步，设定目标函数。如果两辆车都要保证基本通信，最大化两个方向速率的最小值。

这个场景变量少、约束清晰，用网格搜索就能跑出一个不错的初始解，适合作为后续所有复杂优化的基线。我实际工作里会把这个基线场景固化成脚本，每次拿到新项目先跑一遍，再做复杂化。

4. 优化算法选择与参数调优：从凸优化到启发式算法

模型建好之后，最困难的部分来了：问题往往是非凸的。非凸意味着你没法直接用一个现成的求解器一次搞定，要在求解方法和参数设置上下功夫。

4.1 场景复杂度判断：确定什么时候用凸优化、什么时候用启发式算法

先说判断标准。如果你的问题里只有功率分配，没有位置变量，通常可以通过变量替换和凸松弛变成凸问题，用现成求解器求解。如果位置变量也进来了，问题往往变成非凸，因为目标函数里的视距概率和路径损耗对位置是非线性的。这时候有两种主流处理路径：连续凸近似和启发式算法。

连续凸近似就是把原来的非凸问题在某个迭代点做一阶或二阶展开，得到凸的近似子问题，然后反复求解并更新迭代点。这种方法收敛快、结果稳定，适合变量维度在几十到几百的场景。要注意的问题是初始点敏感，选得不好容易收敛到局部最优。

启发式算法，比如遗传算法、粒子群优化，适合变量维度大、目标函数不光滑甚至有离散变量的场景。这类算法对初始点不敏感，全局搜索能力强，但计算代价高，而且稳定性差。跑十次可能得到三个不同的结果。我通常的做法是：先用粒子群跑一遍给一个粗糙的最优区域，然后把那个位置作为连续凸近似的初始点做精炼。这样既利用了启发式算法的全局搜索能力，又利用了凸近似的快速收敛特性。

4.2 典型参数与初值设置：这些值不要乱调

参数设置这块，很多人要么全用默认值，要么全凭感觉。我列了实际项目里反复验证过的一组经验值：

这里面最关键的是信任域半径。半径太大，近似子问题偏离原问题太远，迭代起来目标值忽高忽低；半径太小，收敛速度慢，还可能陷在局部最优。我的一般做法是初始给 2 米，每迭代五次如果目标值稳定下降就把半径扩大，如果波动就缩小。

4.3 用 Python 实现一个可复现的联合优化骨架

下面给一个我常用的联合优化骨架，把中继无人机的位置优化和功率分配放在一个循环里。这个脚本用网格搜索做初始点，再用序列二次规划做局部精炼，适合快速验证一个模型有没有写对。

import numpy as np from scipy.optimize import minimize # 地面节点坐标（米）：A 在原点，B 在正东 1000 米 A = np.array([0.0, 0.0]) B = np.array([1000.0, 0.0]) # 常量：载频 2.4 GHz，光速 f_c = 2.4e9 c = 3e8 # 环境参数：城市视距概率模型 a、b a_env = 9.61 b_env = 0.16 # 噪声功率（dBm）和发射功率上限（W） N0_dbm = -100.0 P_max = 0.1 def los_prob(theta_deg): # theta_deg 是仰角（度），返回视距概率 return 1.0 / (1.0 + a_env * np.exp(-b_env * (theta_deg - a_env))) def path_loss_db(h, d_2d): # 输入：飞行高度 h（米），水平距离 d_2d（米） d_3d = np.sqrt(h**2 + d_2d**2) # 仰角：用高度和水平距离算 theta = np.degrees(np.arctan2(h, d_2d)) p = los_prob(theta) # 自由空间损耗 + 附加损耗（简化数值） fspl = 20 * np.log10(4 * np.pi * d_3d * f_c / c) los_extra = 3.0 # 视距附加损耗 dB nlos_extra = 22.0 # 非视距附加损耗 dB return fspl + p * los_extra + (1 - p) * nlos_extra def snr_db(h, d_2d, p_tx_w): # 接收信噪比（dB） noise_w = 10 ** ((N0_dbm - 30) / 10.0) loss = path_loss_db(h, d_2d) snr_linear = p_tx_w / (noise_w * 10 ** (loss / 10.0)) return 10 * np.log10(snr_linear) def objective(vars): # vars = [x, y, h]，无人机三维坐标 x, y, h = vars if h < 30 or h > 120: return 1e6 # 高度超出安全范围，给大罚值 d_a = np.sqrt((x - A[0])**2 + (y - A[1])**2) d_b = np.sqrt((x - B[0])**2 + (y - B[1])**2) # 两个方向速率受限更小的一方（max-min 公平）。功率先各 50mW snr_a = snr_db(h, d_a, P_max / 2.0) snr_b = snr_db(h, d_b, P_max / 2.0) # 用负号，因为优化库默认求最小 return -min(snr_a, snr_b) # 网格搜索粗扫，覆盖 200x200 区域和 40-100m 高度 best = None best_val = 1e9 for x in np.linspace(200, 800, 7): for y in np.linspace(-150, 150, 5): for h in np.linspace(40, 100, 4): val = objective([x, y, h]) if val < best_val: best_val = val best = [x, y, h] print("网格最优:", best, "目标值:", -best_val) # 局部精炼：从网格结果出发做序列二次规划 res = minimize(objective, best, method='SLSQP', bounds=[(0, 1000), (-200, 200), (30, 120)], options={'maxiter': 100, 'ftol': 1e-4}) print("精炼后:", res.x, "目标值:", -res.fun)

这段代码的核心逻辑是先定义信道函数、再定义目标函数、最后用网格加局部优化的两阶段求解。信道函数把高度和水平距离转成仰角，再算出视距概率，接着算自由空间损耗和附加损耗的加权平均，这个过程等价于第二章里的两段式信道模型。目标函数里对两个方向取了最小值，体现的就是 max-min 公平性——优化器会优先改善较差的那条链路。

参数设置上有两个需要特别说明的地方。第一个是发射功率这里暂时固定为总功率的一半，如果你要连功率一起优化，就把 P1、P2 加进变量列表里，并给一个 P1 + P2 ≤ P_max 的约束。第二个是高度上下界设成了 30 到 120 米，这个范围对应城市低空飞行的一般空域规则，但具体项目里你要根据当地规定去改。你跑这个脚本如果发现结果里无人机总是贴到边界上，那说明约束范围给得太紧，或者信道模型参数和环境不匹配，这是个很有用的信号，引导你回去检查建模假设而不是急着调算法。

5. 避坑：无人机通信网仿真与优化中的五个血泪教训

再好的模型和算法，在工程里都会碰到各种意外。下面这五条是我自己踩过、也看着别人反复踩的坑，每一条都按现象到原因再到解决来写。

5.1 现象：目标值迭代到一半不降反升

做连续凸近似时，前十几轮目标值稳步下降，突然有一轮目标值比上一轮还高，然后整个优化开始震荡。网上有人把这叫玄学，其实是初学者必经之路。原因是近似子问题在原问题偏离太远的情况下给出了一个“看起来方向对、实际不可行”的步长。解决方法是把信任域半径调小，或者在上一步结果和当前迭代点之间做线搜索，只接受目标值确实下降的迭代。我一般会加一个回退机制：如果本轮目标值高于上一轮，就用上一轮和本轮的加权平均作为新点重算。

5.2 现象：仿真结果和实测对不上

仿真里算出无人机在 80 米高度时覆盖最好，实际飞上去一测，吞吐量比 50 米还差。原因几乎总是出在视距概率模型的 a、b 参数和环境不匹配上。城市环境的实测建筑密度、高度和间距决定了遮挡概率，你直接用默认城市参数，等于假设了一个架空的城市。解决方法是做一次快速实测校准：让无人机在几个固定高度盘旋，地面节点记录接收功率，把实测路径损耗反推回去，再用最小二乘拟合出适合本地环境的 a、b。这个校准飞行只需要半个多小时，但能把仿真和实测之间的差距缩到 3 dB 以内。

5.3 现象：把整条飞行轨迹当成静态优化问题，结果过度自信

有些人在仿真里把无人机轨迹离散成几十个时隙，每个时隙单独做位置和功率优化，再把结果串起来当轨迹。这样算出来的轨迹看着很平滑，但忽略了两个问题：时隙之间无人机机动能力有限，物理上拐不过弯；信道估计在每个时隙都需要重新收敛，切换开销没有建模。解决方法是做滚动时域优化，每个时隙只优化未来 3～5 步，然后只执行第一步，下一步重新优化。这样计算量增加不多，但结果在工程上可用得多。

5.4 现象：随机性控制不当导致结果不可复现

粒子群和遗传算法这类启发式算法，初始化种群是随机的。同一个问题跑两次，如果随机种子不一样，结果可能差出百分之二三十。这不是算法不收敛，而是随机性的正常表现。解决方法是固定随机种子，并且在论文或者项目报告里写明种子的值。另一个隐藏的随机性来源是信道的快衰落仿真，如果你用蒙特卡洛方式生成信道系数，也必须固定随机数发生器状态，否则别人复现不了你的曲线。

5.5 现象：信道建模粒度与时间常数失配，优化出一堆假结果

第三个现象之后是第四个现象——建模粒度选错了。位置更新周期设成 1 秒，但信道模型里用的是秒级快变衰落参数，结果优化器以为链路质量每秒都在大幅波动，给出的功率分配结果忽大忽小。解决方法是让模型的时间尺度匹配实际系统：信道大尺度衰落按位置更新、小尺度衰落按符号级更新，两者时间常数通常差三个数量级。仿真里只关心大尺度，就关掉小尺度衰落，或者用长时间平均来代替瞬时值，否则你优化出来的结果只是噪声的镜像，没有任何工程意义。

6. 验证与进阶：从仿真数据到真实飞行的可用技巧

前面所有章节的结论最终要经过验证才靠得住。我的习惯是永远做“三级验证”：第一级用纯仿真对比优化前后的吞吐量分布，第二级用实际场测日志回放校准信道模型参数，第三级做最小化的半实物验证，也就是用一台小型测试无人机挂个轻量级通信模块，在固定几个位置飞行，看仿真预测的链路质量和实测是否对得上。

具体到做法，我会把校验飞行设计成悬停点测试而不做完整轨迹飞行。选择三个高度、两个水平位置，一共六个悬停点，每个点悬停 30 秒，记录接收功率和吞吐量。把这些数据代入仿真脚本，用最小二乘拟合信道参数，然后把这套校准后的参数放回优化模型重新求解。你会发现最优高度可能偏移十几米，这十几米在真实系统里可能就是每平方公里上百个用户的覆盖差距。

对做论文研究的人，我还想强调一个技巧：把优化前后的目标值和参数变化画在一个坐标系里，不只要画那条收敛曲线，还要画出每个变量的演化轨迹。这能帮你发现一个非常常见的问题——多个变量一起优化时，可能只有两三个变量在起作用，其余变量从头到尾没动过。这种情况说明问题约束或目标函数有问题，某个变量根本不影响目标函数。早点发现能省掉后面不少反复试错的时间。

我自己吃过最大的亏，是在第一次做无人机中继优化时，花了整整一周调算法参数，最后发现是信道模型里少算了一个附加损耗项，所有结果在 3 dB 误差之上白调了一周。从那以后我养成了习惯：拿到任何项目先做最简单的基线场景，用网格搜索拿一个粗糙结果，再上复杂算法。如果复杂算法结果连网格搜索都比不过，不是算法的问题，是模型和场景定义的问题。这条习惯一直用到现在。希望帮到你。

本文还有配套的精品资源，点击获取