|
下一代无线网络有望得到无人机的大力支持，无人机可以充当空中基站，为用户需求的急剧增长提供有前途的解决方案。这是可能的，因为无人驾驶飞行器具有移动性、灵活性、增加的视线概率以及它们进入无法到达的位置的能力。目前，人们对此类网络的部署、性能分析、资源管理、轨迹优化和信道建模等进行了广泛的研究。这篇调查文章通过全面回顾每个相关研究领域，重点介绍实现空中基站的不同应用和相关算法。简而言之，本文提供了无人机作为基站的设计和分析的关键应用、挑战和技术。 无人机 （UAV） 因其在第五代蜂窝网络 （5G） 中的应用而受到高度赞赏。在过去的几十年里，移动用户的数量迅速增加，不仅用户数量发生了变化，而且用户需求也发生了变化。随着我们从 1G 转向 5G，蜂窝通信网络的真正目的从单纯的呼叫转变为台式机、笔记本电脑和其他处理设备的替代品。网络运营商必须部署大量基站 （BS） 来为具有不同需求的用户设备 （UE） 提供服务。为了服务于每个用户，必须分配信道，如果用户密度超过可用信道，则无法正确服务用户，从而导致服务质量 （QoS） 低下。因此，为了改善服务，运营商被迫安装更多的基站。对于地面基站的部署，需要征用土地，因此这是一件代价高昂的事情。无人机基站通常被称为空中基站（AB或AirBS），与维护地面基站的费用相比，它们具有成本效益。 AirBS在民用和军用应用中都有作用。由于无人机的固有特性，即机动性、更高的视距（LOS）信号概率、灵活性以及易于改变高度水平（自适应高度），因此无人机构成了搜救行动、车对车通信、蜂窝网络负载均衡等发展的必然因素。AirBS 由电池供电;但是，它们的性能因放置无人机的高度和无人机的类型而异。 无人机可以作为 UE、网络中继节点和 BS 运行，空中 UE 也称为蜂窝连接无人机。此外，AirBS在蜂窝网络（如5G、第六代时代）、物联网（IoT）和无线网络中的无数应用，现在无人机也开始在海上通信网络（MCN）中使用，以提供船上的按需服务。2-4在医疗场景、视频摄影、货物运输配送、地理测绘等应用中，无人机被建模为飞行的UE。此外，空中UE还可用于农业、天气预报和灾区摄影，以协助搜救行动。火山爆发、边境监控、灾害报告、遥感和森林火灾监测是无人机可以充当网络中继节点的一些使用场景。
图 1 显示了 AirBS（标记为无人机）充当用户（标记为 UE）和地面网络之间的中继的场景。地面基站在图1中标为BS。标记的单元格区域包含处于中断状态的移动用户;因此，它们不受地面BS的服务。这些位于偏远地区（远离手机信号塔位置）的移动用户可以通过AirBS或无人机提供服务。在无人机之间，介质是空气;因此，AirBS之间存在用于通信的空中链路。AirBS之间的通信可以以集中式方式进行，也可以以分散式方式进行。AirBS 从地面 BS 获取数据。在从已经部署的地面基站接收到数据后，这些无人机可以将数据传递给最初处于中断状态的预期用户。因此，没有信号覆盖的地理区域获得了良好的信号覆盖。在这种情况下，用户由AirBS提供服务，尽管它们超出了主要地面基站的覆盖半径。部署空中无人机不仅提供了良好的QoS，而且还是一种具有成本效益的策略。强烈建议使用这种方法，尤其是在自然灾害的情况下，地面网络的部署是危险的。空中无人机可以轻松飞到任何位置，并且可以为信号匮乏的地区建立必要的通信链路。无人机根据高度和类型进行广泛分类。根据AirBS部署的高度，它们被分为高空平台（HAP）和低空平台（LAP）。由于严重的阴影或自然灾害的后遗症，设备可能会遇到无线连接问题，因此在这种情况下，无人机可以帮助提供高速无线连接，因为它们能够到达任何无法到达的位置和高 LOS 概率。无人机可用作继电器，在通信系统中的两个终端元件之间连接。4地面基站网络（BSN）与表1中的AirBS网络进行了比较。
HAP可以为大面积的地理区域提供服务，从而实现更广泛的覆盖范围和更长的耐久性。HAP部署在平流层区域，距离地表约10公里。LAP 在几公里的高度运行，与 HAP 相比，可以更轻松地部署。根据飞行类型，AirBS分为旋翼无人机和固定翼无人机。旋翼式无人机可以低速悬停在特定位置上空，通常飞行时间小于1小时。而固定翼无人机可以飞行几个小时，但要保持在高空，它们必须向前运动。用于所有这些应用的无人机重量不到 25 公斤。2 图 2 显示了基于类型和高度的无人机分类。根据无人机的技术特点和结构，通信网络中最常见的无人机类型是单旋翼、多旋翼、固定翼和固定翼混合动力。5固定翼型利用普通机翼作为升力。各自的无人机是高速的，采用节能设计，因为能量仅用于向前运动。燃气发动机是这种类型的替代品。这些无人机的飞行时间约为 16 小时;因此，它们对于长途任务很有用。但是，固定型无人机不能用于悬停应用，因为它们无法悬停在特定位置上。
与固定翼型无人机类似，单旋翼无人机也可以由燃气发动机提供动力，有助于更长的飞行时间。尽管它们在设计上很高效，但它们复杂、昂贵且体积更大。固定翼混合无人机将旋翼设计的悬停能力与固定翼型的向前飞行能力完美结合。亚马逊的主要空中无人机是固定翼混合动力类型的一个例子。这些无人机具有固定的机翼和旋翼，使它们能够垂直悬停、起飞和降落。这些仍处于开发阶段，已成为设计工程师期待的有趣领域。与其他类型相比，多旋翼无人机是最便宜的选择。空中监视和摄影是多旋翼无人机最有效的应用，因为它们对位置、取景有更大的控制，并且具有高度的机动性。这些无人机可以左右移动，可以在自己的轴上旋转，可以近距离穿过建筑物或建筑物，并且可以随着前后运动垂直上下移动。多旋翼无人机根据设计中包含的旋翼数量进行细分，即三轴飞行器、四轴飞行器、六轴飞行器和八轴飞行器。四旋翼飞行器由四个旋翼组成，它们是最常用的多旋翼无人机。5三轴飞行器、六轴飞行器和八轴飞行器分别包含三个、六个和八个旋翼。多旋翼无人机的一个有趣用途是在海上应用的背景下。表2显示了根据其结构和飞行分类的各种无人机类型的优缺点。表 3 提供了基于无人机大小的无人机分类，而表 4 提供了另一种基于射程的无人机分类。
GPS：全球定位系统。
无人机：无人驾驶飞行器。 有效载荷是无人机可以承载的重量，例如相机、包装、传感器或它必须携带的任何负载的重量。无人机飞行时间与有效载荷成反比。随着有效载荷的增加，无人机必须利用更多的电池能量来提升它。重载无人机的飞行时间比负重较小的无人机要短。然而，配备更大电池的无人机可以更好地处理重型有效载荷。 通常，无人机系统由车辆、跟踪控制系统、地面控制站和数据传播系统组成。无人机飞行器包括有效载荷、电源、航空电子设备、推进源和数据链设备。7飞行方向、速度和高度由航空电子设备控制。无人机可以由电池供电，也可以使用发动机产生的动力运行。利用太阳能为无人机提供动力是一个需要研究关注的领域。较小的无人机用于实时和近乎实时的数据收集，因为此类无人机的机载处理受到限制。较小的无人机以 15 m/s 的速度飞行，而较大的无人机可以达到 100 m/s。 无人机车辆包括控制数据链和有效载荷数据链。控制数据链路处理车辆遥测数据和信号，用于车辆控制。有效载荷数据链路处理从无人机到用户的数据进行数据处理。7 本文的主要贡献是快速回顾了无人机在行业最苛刻领域中的应用，如蜂窝无线网络、与人工智能 （AI） 的集成、海洋部门等。无人机技术与人工智能的融合，开启了无人机自组织时代。自组织无人机可以根据用户分布调整高度和方向。之前的大部分工作都集中在无人机在5G/6G无线通信中的用例。在之前的调查中，海洋通信网络被完全忽略了，因为它们对地面无线网络至关重要。大约80%的货物通过运输船进行国际贸易。因此，改善海上互联网连接将极大地影响全球经济。物联网处理大规模的机器通信。随着 5G/6G 的到来，如今，每台设备都可以充当服务器和主机。本文重点介绍无人机部署、网络规划、信道建模、资源分配、物联网、人工智能、地面网络、海洋通信、海陆空混合网络、无人机蜂窝通信应用等应用的覆盖率。这些应用中的无人机控制方法可以是人为控制、人为启动、自主或半自主。表 5 描述了不同的控制方法和各自的无人机类型。
本文所遵循的研究方法始于在谷歌上搜索无人机应用。无人机的应用用例非常广泛，因此我们使用关键字“空中基站”、“无人机在无线通信中的应用”、“无人机部署”、“无人机”、“节能无人机”、“无人机优化”、“物联网中的无人机”等，对IEEE Xplore的最新论文进行了搜索。本文采用系统综述研究方法。所需的信息主要来自IEEE Xplore数字图书馆、Google Scholar和Elsiver在线等数字平台。我们主要关注2015年以来发表的研究工作。关于无人机通信的相关研究调查见表6。
无人机：无人机;MEC：移动边缘计算。 激励申请无人机在高空提出了灵活性、机动性和适应性，具有许多优点和应用。基于无人机的通信是对物联网、LOS通信和按需通信的补充，有助于提高覆盖范围和容量。需要一个集成良好的架构来保持不同无人机之间的协调。需要无人机交通管理（UTM）才能将无人机送入空域。无人机已在军事、海上通信、物联网、5G 通信和下一代无线网络中占有一席之地。上述领域的研究方向包括空对地建模、无人机作为基站的优化部署、无人机轨迹优化、无人机无线网络性能分析、无人机蜂窝网络规划、无线网络中的无人机UE、资源管理、干扰缓解、防撞、用户设备与无人机通信时延最小化等。 海上通信无人机有效地用于海上和海上服务，为检查过程、安全和监视、海上搜救、自主交付和自主船舶收集数据。6,7,21-23Wang等，24Campos等人，25Wei 等，26周等人，27和 Saarnisaari 等人。28提出了不同的系统模型，通过将无人机与机载基站相结合来实现高速连接。 与海上通信网络相比，船上设备所经历的信号强度相对较弱。5G、6G 甚至长期演进 （LTE） 共同实现了高速互联网连接。29-36Teixeira等人讨论了无人机在满足能量、回程和干扰约束的情况下增强海上覆盖范围的最佳放置。37Li 等，38和 Yang 等人。39有关AirBS如何帮助海事部门的更多详细信息将在“海事通信”一节中讨论。为了扩大覆盖范围，需要将无人机部署在有覆盖漏洞的地区。无人机的部署是一个需要高度调整的三维 （3D） 问题。39除海事部门外，AirBS的影响还广泛来自搜救行动，40将先进的技术应用于社会。41-46Khawaja 等人，47Wang等，48和 Xia 等人。49开发了用于宽带海上通信的空对地信道模型。 第五代蜂窝网络5G以其低延迟、高用户处理能力、高可靠性和用于数据传输的高速通信链路改变了整个无线通信领域。第五代网络的业务大致分为三个子领域，即增强移动宽带（eMBB）、50,51大规模物联网，又名大规模机器类通信 （mMTC），52和关键任务通信。任务关键型通信代表超可靠和低延迟通信 （URLLC）。53,545G中基于无人机的服务将在“第五代蜂窝网络”一节中讨论。研究人员明确研究了空中无人机在无线通信中的无数应用。Tahat 等人，55Mozaffari等人，56Wu 等，57Savkin 和 Huang，58以及 Sharafeddine 和 Islambouli59开发了用于无人机最佳放置的算法。当部署多架无人机时，无人机之间必须进行协作才能更快地运行。60典型的 AirBS 需要 5 W 的最大发射功率，AirBS 部署不是一个单一的可变函数，而是取决于“第五代蜂窝网络”一节中指出的多个因素。可以通过最大化覆盖范围来完成部署，61数据速率，62-64能效65-70以及最佳路径规划。第71-74页以前的大多数研究工作都提出了最多可以优化两个因素的部署策略。 物联网物联网涉及在嵌入式传感器和软件的帮助下将物理对象转换为可处理单元的技术。它们在民用、军事、组织、基础设施、工业和消费应用中建立了坚实的立足点。有线技术、短距离、中程和远程无线以及应用层框架是为数不多的在物联网设备之间铺设通信链路的使能技术。无人机可用于提供高效的上行链路和下行链路物联网通信。大多数情况下，物联网设备由电池供电，并且以低功耗传输。由于无人机的自适应高度特性，它们可以为物联网设备提供清晰的LOS通信链路。因此，无人机在这种与物联网相关的场景中主要充当飞行的AirBS，52,75-80在“物联网”一节中进一步详细说明。 与 AI 集成人工智能被整合到蜂窝网络中，以实现未来蜂窝网络的网络智能。机器学习已经在大多数研究领域证明了自己的应用，如图像处理、自动驾驶汽车、语音识别，甚至在无线通信领域。无线通信使用人工智能的两个新兴领域是边缘智能和人工智能赋能的无线。“优化技术”部分回顾了无线通信与人工智能的集成。第81-93页 数学工具和技术对于无线通信，以增强的容量提供更好的覆盖范围非常重要。但是，必须通过优化网络参数来提高电源效率。因此，研究问题可以是通道建模、资源管理、路径规划、性能分析、轨迹优化等。物联网应用、蜂窝规划、水下通信等也存在类似的研究问题。根据研究问题，研究人员必须使用不同的工具。光线追踪技术和机器学习最适合处理通道建模的研究问题。对于AirBS的部署，在地面网络存在的情况下，一些有用的数学工具是集中优化理论和设施定位理论。机器学习可用于信道建模、轨迹优化和蜂窝连接的 UAV-UE，而集中优化理论可用于无人机部署问题、无人机蜂窝网络规划、资源管理、能效问题、轨迹优化以及蜂窝连接 UAV-UE 等研究领域。概率论、随机几何和信息论是分析无人机无线网络性能的研究工作的可能选择。 通信应用需要最佳结果，因此需要针对 5G、6G 或其他应用优化参数。为了优化结果，可能需要采用优化技术，即人工蜂群 （ABC） 算法、遗传算法 （GA）、粒子群优化 （PSO）、贪婪算法等。第94-107页 无人机作为空中UE无人机作为空中UE的作用是新技术发展的惊人发现。由于无人机在摄影中的广泛应用，这些公司已经提出了研究机会，因为他们在业余爱好和商用无人机方面拥有非常大的市场。无人机作为UE为物流、医疗领域、事件捕捉等做出了贡献。在无人机出现之前，要捕捉一个地区的体育赛事或天空景观，需要直升机或起重机。然而，在无人机作为UE的应用中，无人机有效载荷起着重要作用。特别是，为了携带包裹、传感器、相机和其他必需品，无人机的设计必须能够减轻重量。海运业在关键的救援行动或其他紧急情况下受益于UE服务。亚马逊、Flipkart 和沃尔玛等市场团队可以使用 UE 在偏远地区甚至在城市或郊区递送小包裹。这种应用甚至有可能减少道路交通，因为不需要送货代理，同时还可以提高送货速度。 无人机辅助应急网络无人机作为AirBS的作用是搜救行动中挽救生命的发现。传统的无线通信依赖于地面基站。BS 天线执行信令操作，如果用户在相关 BS 的信号覆盖区域内，则用户将获得连接。然而，由于洪水、山体滑坡、海啸、地震和森林火灾等自然灾害，地面基站可能会受到破坏，从而对通信网络造成打击。108因此，为了公共安全，拥有一个快速就业、可靠和灵活的应急网络至关重要。AirBS 最适合在紧急情况下建立可靠的通信。当地面基站因自然或人为灾害而损坏时，AirBS被发送到损坏基站的确切位置，并提供与地面设备必要的通信链路。AirBS的部署很容易，因为它们可以飞行并到达受灾的场景。轨迹和无人机调度联合优化，提升链路质量。 如果受灾地区附近有一个或多个活跃的基站可用，则新部署的AirBS可以与可用的幸存地面基站合作，为用户提供服务。如果没有可用的地面 BS，则可以派出具有高功率能力的大型无人机来恢复这种情况。设备之间的设备到设备通信是协助应急网络的额外附加组件。在多跳无人机中继的支持下，即使在难以到达的位置也可以进行救援措施。四轴飞行器、气球和滑翔机是用于在公共安全通信中提供连接的无人机类型的一些例子。108低复杂无人机的研制、降低消息传输的延迟以及异构环境下无人机的研究均有待研究。 具有智能反射面的无人机智能反射面 （IRS） 通过反射冲击电磁波来改善源和目标之间的无线数据传输。反射波的振幅和相移是可调的，从而产生可调的反射系数。IRS能够通过适当组合接收信号并消除干扰信号来重新配置无线信道环境。57地面 IRS 是通过在建筑物墙壁、室内墙壁和天花板上部署 IRS 材料来使用的，从而提高吞吐量并增强信号。然而，在地面IRS系统中，信号在到达命运之前必须经过多次反射。109这可以通过空中智能反射面 （AIRS） 来克服，其中 IRS 配备在无人机上。将IRS的优势纳入无人机辅助通信将具有提高系统吞吐量、改善信噪比（SNR）、降低干扰水平、改善信号覆盖范围、确保安全传输和提高频谱效率的好处。110IRS 有助于室内通信、地面通信以及无人机辅助通信。IRS可以很容易地安装在建筑物上，也可以放置在高空作业平台上。当IRS在高空作业平台进行时，来自基站的信号会被AIRS反射，从而为用户建立LOS链路。即使基站和用户之间有任何地形或人为障碍物，由于AIRS的反射能力，用户也能接收到高质量的信号，从而扩大覆盖范围。如果 BS 和 IRS 平台之间存在 LOS，则覆盖范围增强是可行的，因此必须适当放置 AIRS，以确保 BS 的 LOS 和用户处于盲区。为了实现更大的覆盖范围，还可以结合轨迹和光束成形的联合优化。110 行业相关性、标准和项目在工业中，无人机或无人机被开发用于防御系统，因为它们能够监控敌对环境。随着大多数国家开始在军事支持中实施无人机，无人机和无人机技术的采购有所增加。自2014年以来，美军每年的开支约为90亿美元。段和张介绍了无人机在海事领域的应用。21除了国防部门，无人机甚至还用于业余爱好者的电路。无人机的制造已经影响了经济，因为许多初创企业涌现出与无人机集成的技术和想法。Clearpath Robotics 就是这样一家为美国陆军和其他国防相关部门（如美国海军和美国国防部）制造无人机和无人驾驶地面车辆 （UGV） 的初创公司。Google 的 Loon 项目就是一个使用 AirBS 进行无线连接的例子。AT&T和高通等网络服务运营商曾试图将无人机与5G蜂窝网络集成。 无人机可以服务的未来用例包括消防、运送医疗用品、搜索和救援、农业领域的数据收集和作物管理、放射性传感、环境和大气传感、人道主义行动、自然资源保护和管理、天气预报，以及在农村和偏远地区扩展互联网连接。41-46由联合国国际儿童紧急基金 （UNICEF） 组织的无人机项目描绘了无人机在人道主义行动中的实际描述，例如疫苗交付、用于改善紧急情况准备的航空成像，以及在难以到达的社区提供连接。41 相关调查和贡献随着无人机技术的发展而出现的机会和应用一直是近十年来研究兴趣的话题。除了无人机带来的应用外，还存在一些挑战。最佳 3D 布局、信道建模、能量限制、飞行时间限制、轨迹路径规划、干扰管理、回程连接以及安全和隐私问题是无人机无线网络中最常讨论的挑战。Zhang等人的著作，4段和张，21Ribeiro等人，22Wang等，23Campos等人，25Wei 等，26周等人，27Saarnisaari等人，28Li 等，29Liu等，30Wang等，31Huo等，32Wei 等，33Kim等人，34乔和希姆，35Yau等人，36Teixeira 等人，37Li 等，38和 Yang 等人。39专注于将无人机纳入海事领域，以提高覆盖范围和QoS。Wang等.24引入了一种最佳放置方法，用于在地面蜂窝网络发生故障的区域保持空中无线基站。 本文包括无人机在无线通信领域的应用用例，包括 5G、物联网、AirBS 等海上通信、人工智能、优化技术以及针对无人机网络的相关网络攻击。此外，在上述领域，无人机可以提高物联网主导应用的性能，它们可以扮演UE和AirBS的角色。文献综述主要关注部署、渠道建模、性能分析、资源管理、资源分配和路径规划。以前的调查侧重于蜂窝无线、物联网和车载技术用例，而在这项工作中，海上通信与无线、物联网和 5G 应用同等重要。无人机在社会相关项目中的最新用途已经在“工业相关性、标准和项目”一节中讨论过。 为了设计无人机模型，使用了无人机模拟器。无人机模拟器有助于对无人机空气动力学、控制系统及其功能方面进行建模。ArduPilot 和 PX4 是开源的自动驾驶仪模拟器。3DR Solo 是一款使用 ArduPilot 模拟器构建的商用车。ArduPilot 受到许多平台和硬件的支持，例如 Pixhawk、NAVIO 和 Erle-Brain。XPlane-10 和 RealFlight 是基于 AduPilot 的模拟器，专注于运动控制和导航。FlyNetSim 是最简单的模拟器之一，它由 ArduPilot 和 Software-In-The-Loop 相结合开发。111此外，无人机网络研究仿真可以在多种平台上进行，即OMNET++、Python、ns-3、MATLAB等。 海上通信海事活动正在迈向智能海洋时代。海洋区域的通信由MCN支持，MCN由陆上基站和卫星组成。有限的传输速率和狭窄的覆盖范围是MCN面临的挑战。这可以通过部署无人机来扩大覆盖区域来提高信号覆盖范围和信号功率来克服。23要了解动态信道在通信中的作用，有必要开发一个信道模型。Liu等人介绍了一种新的MCN信道模型。3无人机充当发射机，船舶或船舶充当与海上活动相关的通信网络的接收机，如图3所示。大部分研究集中在星-无人机-地面混合网络、信道模型、无人机辅助移动中继通信及其应用的开发上。21表 7 列出了一些关于 MCN 的突出工作。多旋翼无人机构成了海事领域使用的无人机类型，因为这些无人机具有在特定位置上空盘旋的能力。表8显示了不同类型的多旋翼及其有效载荷容量和电池时间。船上的设备通过船载基站接收来自卫星的连接，船载基站可以将信息中继到附近航道航行的船只。一些被单独留下的船只由无人机参加，从而扩大了海军陆战队的信号覆盖范围。AirBS可以将信息传递给岸上基站，也可以从岸基站接收信息。
无人机：无人机;MCN：海上通信网络;DF：解码转发。 在检视器中打开
无人机：无人驾驶飞行器。 在检视器中打开 卫星-无人机-地面混合网络混合模式融合了地面陆上基站、机载基站和空基站的优势以及卫星的支持。全球覆盖是在卫星和陆上基站的帮助下实现的。此外，还将在船舶/船舶中部署 BS，以支持其他服务。在实践中，会有一些区域信号覆盖为零，这些区域称为盲点。通过发送设计为基站的无人机，可以将覆盖范围扩展到盲点，船舶 （V）、岸上 （S） 和无人机 （U） 中的基站之间存在通信链路。这三个实体之间的通信表示为岸对船 （S2V）、岸对无人机 （S2U）、船对无人机 （V2U）、无人机对无人机 （U2U）、无人机对船 （U2V） 和船对船 （V2V） 链路。23-26如图 4 所示，它说明了基本的混合网络功能。
MCN 通过岸基 MCN、基于卫星的 MCN、基于岛屿的 MCN、基于船的 MCN 和基于航空的 MCN 广泛使用。信号传输容易受到海况和天气条件的影响，并且覆盖范围受到地理位置基站的限制。MCN的实施所面临的挑战包括温度、湿度、风速、散射、镜面反射、风运动（包括潮汐和湍流）以及大气散射，这些都是降低发射-接收链路质量的主要因素。由于大气折射，信号横移会发生在不同的路径上，根据折射水平，信号路径被命名为亚折射、标准折射、超折射和蒸发管道传播。26 长距离传输导致的低能效可以通过船舶互联网概念来解决。通过提高传输效率，可以减少影响通信系统的海洋和天气条件的影响。通过正确选择信道模型、降低传输损耗、优化资源管理和分配，可以提高传输效率。 在卫星-无人机混合网络中，最具挑战性的部分是联合链路调度和速率适应，因为不同参与实体之间存在许多数据链路。23这可以被认为是一个非确定性多项式时间 （NP） 硬混合整数非线性规划问题。这些船只可以从岸上的BS或携带BS的空中无人机接收信号。如果船舶距离太远而无法接收来自陆上基站的信号，无人机将充当中继器并向船舶传输信号，并且船上的用户设备具有良好的 QoS。这些船舶必须遵循特定的航行路径，并且根据他们与航运当局签订的合同确定该路径。因此，行进路径是确定性的，而不是随机的，就像地面蜂窝网络中的用户设备一样。一些船只将超出岸上BS和无人机的覆盖范围，这些船只可以由其他船只作为中继器提供帮助。通信发生在正交子载波上，其中每个子载波再次划分为时隙。 链路质量是通过计算特定时隙内发射器和接收器之间的增益并选择最佳链路来衡量的。增益可以按照Al-Hourani等人给出的来评估。40Wang等.23开发具有最小-最大变换的混合模型，用于联合链路调度和速率自适应。研究表明，通过优化，船只接收的数据量已从60 Mbits增加到160 Mbits。QoS通过优化轨迹和在线动态调整，可以触及更新的高度。 通道建模与陆基航道模型相比，海上网络中的航道建模非常繁琐。海洋网络包括陆-海-空-天模式，因为通信渠道分布在海、陆、空和太空。3这四个领域的因素都会影响链路质量，因此必须开发新的信道模型以实现高速、可靠的通信。Khawaja等人的作品，47Wang等.48和 Xia 等人。49专注于渠道模型。管道传播极大地影响了船舶和BS之间的射线路径。47开发了光线追踪模型，而 Wang 等人。48是包含通道散射功能的光线追踪模型的修改版本。无人机与船舶之间的海面通信可以用时域有限差分（FDTD）进行建模。采用单簇模型、出生死亡过程、孪簇模型以及波动方程对Xia等人的通道进行建模。49从而考虑了小尺度衰落、风向、散射和多重迁移的影响。 大气折射在海洋场景中产生波导效应，采用孪生团簇模型进行建模。例如，表面管道、高架管道和蒸发管道。高架管道发生在600-3000米左右，极大地影响了海上与船舶的通信。在距海面 40 m 以下可以看到蒸发的管道。为了对海上航道进行精确建模，必须研究波导模型并将其纳入设计中。50周等人提供了一个网状网络模型。27用于与无人机的低成本高速通信。 第五代蜂窝网络通过第五代无线网络与AirBS或蜂窝连接UE的协作，该技术面临着急剧提升。第五代网络在实现增强型移动宽带、URLLC 和 mMTC 方面发挥着重要作用。5G网络的应用和用例在高通公司中可用。106Mozaffari等人对无人机在5G网络中的作用进行了广泛的调查。56和 Wu 等人。57无人机用于公共安全场景，以增强覆盖范围和容量，具有3D波束成形，作为自组网和物联网通信。在地面网络因自然灾害而受损的地方，救援行动可能会造成障碍。在这种情况下，试图解决地面通信系统是乏味的，其中无人机作为 AirBS 可以到达任何难以到达的位置，无论其地理位置和地形如何，都可以帮助救援并为紧急通信铺平道路。无人机和 3D 波束成形可以为不同的用户设备创建单独的辐射束。56 尽管5G-UAV网络的应用不计其数，但要实现这些优势，挑战来自无人机部署、网络规划、资源分配、飞行时间约束、路径规划、信道建模和轨迹优化等领域。与无人机5G网络相关的工作如表9所示。这些挑战中的每一个都可以考虑进行详尽的研究。让它成为任何应用程序，第一步与无人机作为 AirBS 的最佳放置有关。虽然能效有所提高，但聚类半径不理想，导致聚类数量较多。
无人机：无人机;ABC：人工蜂群。 无人机部署无人机基站的正确放置会影响通信系统的结果。无人机的部署是三个坐标的函数，因此它是一个 3D 问题。Tahat 等人，55Savkin 和 Huang，58Sharafeddine 和 Islambouli，59Chandrasekharan 等人，60Kang等人，61Lai等人，62罗梅罗和莱乌斯，63秦等，64太阳和马苏罗斯，65Zhai et al.，66和 Li 等人。67深入研究了为蜂窝网络部署AirBS的战略。Tahat等人讨论了一种基于ABC算法的最优放置算法。55并认为这是一个非凸问题。在体育、总统典礼或节日活动等偶发性活动期间，用户密度将大幅飙升，现有的地面网络将因其带宽限制而耗尽。在这种情况下，部署无人机是非常有益的。Savkin 和 Huang 的工作58处理无人机在部署时的性能分析，以在事件期间为高用户密度提供服务。在这项工作中，BS被放置在为最大数量的用户提供服务的位置，结果基于来自Momo应用程序和Voronoi单元的实时数据集。 当用户数量激增超过限制时，蜂窝网络服务将受到负面影响，并可能导致网络中断。Sharafeddine 和 Islambouli59提出了一种用于流量卸载和网络恢复的 Force3D 算法。Force3D 算法检查中断概率，如果超出限制，则启动额外的无人机以避免网络拥塞。最初，要部署的无人机数量是根据用户总数与一个基站服务的用户数量的比率来决定的。如果中断在限制范围内，则通过比较用户的平均速率来计算最佳高度。59表10给出了一些关于部署基站的相关工作。
ABC：人工蜂群;无人机：无人驾驶飞行器。 为了提高无人机辅助通信的能效，使用了聚类技术。Chandrasekharan 等人的聚类方法。60与非聚类算法和混合节能分布式 （HEED） 算法相比，获得了更高的能效。通过利用天线的方向特性，甚至可以提高性能。如果无人机天线的波束宽度为 18 度，则 Kang 等人的工作。61显示它在海拔 230 m 时具有最大覆盖范围。尽管以前的大多数工作都专注于最大化覆盖范围，但对用户保持数据速率缺乏太多研究。Lai 等人。62提出了一种密度感知算法，该算法将根据所有用户的服务需求获得最低数据速率，从而产生QoS。所提出的方法基于GA，并将BS的放置视为类似背包的问题。为了高效运行，需要协调每架无人机的传输。在Romero和Leus中研究了一种分散方式的非合作方法。63随机优化技术与机器学习一起用于获得天线放置的最佳位置。为了最大限度地扩大覆盖范围并尽量减少AirBS的数量，Qin等人的工作。64利用了边先放置算法。 基于无人机的无线网络的性能与AirBS的部署密切相关。无人机的部署可以根据不同的网络效用因素进行优化，其性能可以研究与地理和网络连接相关的各种参数，如下所示：（1）高度，（2）流量模式，（3）布局算法的复杂性，（4）覆盖范围，（5）误码率，（6）干扰，（7）能源效率，（8）容量， （9） 延迟，以及 （10） 传输时间。 实际上，通过考虑上述所有 10 个参数来找到天线部署的最佳位置是很复杂的。人们可能必须应用联合优化方法来优化参数以外的更多。从数学上讲，这是相当乏味的，因此，大多数研究工作都集中在这些参数中的任何几个。 最佳海拔高度在最近的研究工作中，确定要部署的AirBS的最佳高度越来越有吸引力。图 5 显示了空中无人机的最佳高度。最佳高度是指 AirBS 相对于地面部署的高度。AirBS的部署问题是一个三维问题，因此在确定最佳（x，y）坐标的同时，还需要确定最佳高度。根据海拔高度的不同，接收到的信号强度会有所不同。放置在低空的无人机易于安装，但它们面临严重的阴影效应。另一方面，虽然在高空部署AirBS时避免了阴影效应，但路径损耗效应会增加。因此，找到安装 AirBS 的最佳高度非常重要。Chandrasekharan 等人的工作。60表明，如果系统使用定向天线，则 230 m 的高度可提供最佳结果。在分析中假设参数 m = 3 的 Nakagami 衰落。与其将所有 AirBS 保持在固定高度，不如将不同的高度视为这些领域研究的未来范围。乘坐AirBS需要获得有关当局的特别许可。许多国家/地区都规定了最大高度;无人机可以在没有特别许可的情况下漂浮在Fotouhi等人中。68计算一个最佳高度，为用户提供最大的覆盖范围是一个受欢迎的话题。
资源分配轨迹优化尽管无人机支持蜂窝网络，但基于无人机的通信也受到带宽可用性的限制。因此，优化技术可以应用于资源管理。为了最大限度地利用可用资源，必须对资源分配进行优化，从而产生节能网络模型。 移动边缘计算 （MEC） 的资源分配在 Cai 等人的69其中，优化问题对应于非凸分数阶规划，采用Dinkelbach算法和逐次凸逼近（SCA）技术进行求解。MEC 利用边缘设备上可用的资源。下行链路的资源和轨迹优化是Li等人的主要研究。70从地面设备/用户到无人机的信号链路称为上行链路，无人机到地面区域设备/用户的链路称为下行链路。资源和轨迹的联合优化是一个非凸优化问题。113,114 路径规划无人机是能量有限的设备，因此，飞行时间取决于无人机的可用能量。对无人机必须飞行的路径进行明智的规划将大大减少不必要的能源浪费。71路径长度是指源和目标之间的距离。Jun和D'Andrea，72Cabreira 等人，73和 Torres 等人。74研究了无人机的路径规划。必须以这种方式进行规划，以便将路径长度降至最低。随着行驶距离的最小化，能源消耗也减少了，无人机可以飞行更长的时间来完成任务，这是应该完成的。蚁群优化（ACO）技术可用于为多架无人机找到最佳路径。115路径规划在无人机通信系统中至关重要，要确定最短距离的最优路径，还必须保证无人机的无碰撞运动。116路径规划必须在尽可能短的时间内进行;因此，无人机的快速部署成为可能。无人机中的自主性是指赋予无人机在路径规划、任务分配、轨迹规划和任务调度方面自行决策的能力的状态。开发和建模自治系统有十个级别。Sholes 中描述的自主控制级别116从0级到10级分别是遥控车辆、执行预先计划的任务、多变任务、实时事件的鲁棒响应、事件自适应车辆、实时多车辆协同、多车辆协同、战场知识、战场单认知、战场群体认知和完全自主。 路径规划算法117必须经济、减少碰撞、缩短规划时间、节能且坚固耐用。设计人员将选择鲁棒性、节能、省时、经济、最小路径长度和防撞能力的路径规划算法。路径规划算法可以是最优的、次优的和非最优的。117无人机系统使用的通信协议有介质访问控制（MAC）层、物理层、网络层和应用层。自适应MAC协议适用于无人机数据共享，可支持双向通信和无人机高度。无人机路径规划包括无人机在3D环境中的表示和基于环境配置的地图创建。 表示技术可以是基于抽样或基于 AI 的、协调的和非协调的。基于采样的技术基于 c 空间，包括 Voronoi 图、单元分解、势场和路线图。概率路线图、快速探索随机树 （RRT） 和 A* 算法是路线图的子分类。RRT方法是最快的方法，而概率路线图方法具有成本效益。118Voronoi 图也是一种路线图。启发式搜索技术、局部搜索技术、暴力搜索技术和人工神经网络可实现基于 AI 的路径规划。117机器学习模型是基于人工智能的规划的一个例子，可以分为监督学习、无监督学习和强化学习。 线性规划、概率方法、控制理论、元启发式方法、仿生进化技术、机器学习模型和多目标优化方法（如凸优化）和两级优化是协调型路径规划技术的例子。拓扑图、Floyd算法、ACO和圆二图是图搜索技术，是路径规划中常见的非协调方法。117 信道建模网络规划每种通信模式都涉及发射器、接收器和通道。根据信道质量，接收者将获得不同的信号功率电平，而如果信道嘈杂，接收器可能需要更长的时间才能正确解码信号。当信道理想时，接收信号的解码过程很简单（例如硬阈值）。网络规划包括分配小区、分配频段、抑制干扰、信令、基站定位和流量估计。网络规划是高效可靠的无线通信网络的支柱。56网络规划是一个广泛的研究领域，从用户关联到速率实现。Sharma 等人。119提出了一种无人机异构蜂窝网络的信道增强模型。最佳部署始终专注于降低发射功率。Mozaffari 等人。120开发了一种通过降低发射功率来进行细胞结合的模型。Mozaffari 等人进行了延迟优化规划，121而 Lagum 等人。122针对网络中有多架无人机进行通信的场景提出了模型。回程连接是通过 LTE 和毫米波技术等知名技术实现的。123 在与蜂窝相关的无人机对地建模中，环境可能会有所不同，例如城市、郊区、农村和密集的城市。每公里的建筑物数量称为建筑物密度。采用不同的信道模型研究了环境对通信链路的影响。瑞利信道模型、Rician 信道、路径损耗模型、Hata 模型、Okumura 模型、经验模型、空对地模型和空-空-地-海模型就是其中的一些例子。在空对地信道模型中，通常考虑LOS信号和非视距（NLOS）信号。无人机与地面用户之间的LOS概率取决于环境、建筑密度和相对高度。 物联网随着技术的发展，物联网是一个蓬勃发展的词。物联网是指设备连接到互联网并可以通过互联网控制的环境。当 5G 无线蜂窝系统将无人机用作 AirBS 时，作为 UE 的反无人机在物联网应用中更受欢迎。设备到设备通信、车对车通信、智能城市、智能家居等都是物联网发展领域。121mMTC 是物联网与飞行器集成的一个子集。无人机在物联网协作方面拥有巨大的用例。本节将介绍随着物联网和无人机的协同开发而出现的应用。表 11 显示了无人机作为 UE 运行的不同应用，超出了标准无线网络应用。
无人机：无人机;UNICEF：联合国国际儿童紧急基金。 MMTC公司工业物联网由异构设备组成，需要为网络中的设备提供互联网连接。52mMTC 涉及如何实现与所有这些连接的数百万台设备的连接。无线保真度 （Wi-Fi）、蓝牙和 Zigbee 是允许大量设备访问无线网络连接的技术示例。表 12 提供了三种常用技术的比较。可靠性、连接性、效率和延迟是实现机器类型通信时要研究的关键参数。
人群监控75使用无人机是可能的。对于人群监控，无人机配备了物联网设备。无人机配备了摄像头、Wi-Fi、4G/5G、射频识别 （RFID）、传感器、全球定位系统 （GPS） 或任何类型的数据测量设备，用于数据收集 无人机是数据收集中不可避免的元素，人类难以到达。基于亚马逊森林的研究数据收集可以用无人机完成。对于物联网应用，高速连接是必须的。将无人机技术与新兴的非正交多址接入（NOMA）相结合，似乎可以提供高容量的上行链路连接。76 大多数物联网设备都受到功率限制;因此，降低功耗很重要，这样携带这些物联网设备的无人机才能飞得更多。通过降低发射功率可以提高效率。发射功率技术有助于提高效率，反过来，无人机可以收集更多数据，因为它们可以悬停更长的时间。功率分配是通过计算信噪比来完成的。Duan等研究了无人机高速上行数据传输的资源分配和优化方法，76Li 等，77Tran 等人，78和 Khalili 等人。79随着网络中设备数量的增加，入侵者的威胁也可能出现。Sun等人。80开发了一种安全通信模型。 由于部署的无人机数量众多，因此研究绿色无人机通信以减少能源消耗和资源浪费非常重要。通过利用移动性、改进的能耗模型来准确测量功率利用率、定向传输、利用可再生能源、延长无人机寿命的新技术或方法以及使用智能可重构表面，可以实现绿色无人机通信。124绿色无人机通信研究将导致技术的可持续发展。 与 AI 集成与传统的蜂窝规划技术相比，将 AI 与无人机集成有助于快速部署 AirBS。边缘智能和人工智能赋能的无线通信81-83是无线网络与人工智能合作的两个新兴领域。通过将机器学习技术融入到设计范式中，将无线通信中的人工智能纳入其中。Bayerlein等人的研究工作，84Huang 等，85Bayerlein等人，86Liu等，87,88Wang等，89马哈茂德等人，90Luong等人，91牟等，92和Yan等人。93专注于下一代无线通信的强化学习。 无人机网络比车辆自组网和移动自组网更容易受到干扰攻击。Wang等.89提出了一种强化模型来解决网络中的干扰器。该模型由无人机源、无人机作为中继和无人机接收器组成。中继无人机会发送一些假信号来迷惑网络中的入侵者（干扰者）。在这里，通过控制无人机的发射功率来提高能源效率。Mahmud等人研究了UAV-NOMA网络的强化学习。90分析了该框架的总和率和误码率。无人机网络中的资源分配需要谨慎进行。Luong等人研究了一种用于资源分配的强化学习方法。91牟等.92研究了一种基于RL的提高覆盖率的方法，而无人机的防撞是Yan等人的研究课题。93 为了提高容量、功率效率、覆盖范围以及有效利用可用频谱，必须优化约束条件。如表 13 所示，参与网络的设备越多，例如在 mMTC 的情况下，安全问题就越高。通过实施隐写术、密码学，甚至在干扰器的帮助下干扰入侵者，可以提高数据的安全性。“优化技术”部分介绍了可用于优化性能参数的技术。将云-边缘-设备网络与无人机的优点相结合是一个值得深入研究的未来。
LOS：视线;V2V：船对船;NOMA：非正交多址接入;MIMO：多输入多输出。 联网无人机和网络攻击无人机与人工智能、物联网和无线网络的集成增加了它们对网络攻击的脆弱性。89,125-129无人机通信网络可能应对的网络攻击包括消息伪造、路径变化、数据修改、GPS 欺骗、无人机欺骗、无人机劫持、病毒和恶意软件攻击、DDoS 攻击、干扰和路由攻击。125通过部署入侵检测系统（IDS）来采取对策。通过引入加密/解密技术，可以实现数据安全。干扰技术还可以通过干扰入侵者系统使无人机能够抵御网络攻击。欺骗是指出于恶意目的而操纵输入数据。McCoy 和 Rawat 开发了一种在通过无人机模拟测试的对手存在的情况下满足线性时间逻辑的信息物理系统。127 节点配置恢复可以缓解无人机欺骗攻击。这种算法可以保护网络控制器免受饱和和缓存未命中攻击。它有助于系统在必须知道攻击定义的情况下有效地处理欺骗攻击。GPS定位器算法可以通过对无人机节点进行负载均衡来减少网络拥塞，从而减轻GPS欺骗攻击。通过识别主动部署设备的准确位置，在最短的时间内恢复受影响的网络，从而提高通信性能。网络管理协议和网络参数分析区域也有效防止干扰攻击。网络参数分析方法可以有效地缓解干扰攻击。尽管此模型提供无故障服务，但它没有表现出协议灵活性。它的主要缺点是，此模型仅适用于已知的攻击类型，而网络管理协议可以强加网络弹性。从积极的一面来看，采用这种协议模型可以提高网络能源资源的利用率。总体而言，在管理协议的帮助下，可以降低无线通信网络中的端到端中断率。128 IDS可以放置在无人机上，也可以从地面控制站执行。安全级别是根据消息完整性、机密性、真实性和设备可用性来衡量的。如表14所示，无人机IDS采用了不同的机制。可以在现场或场外检测到入侵。现场检测，也称为动态检测，是指通过从现场无人机收集的实时数据检测到入侵。根据从IDS可用的所有信息源接收到的数据进行静态或非现场检测，并在数据分析后发布检测输出。信息是从有效载荷（如传感器数据）、通信链路、地面控制站和无人机组件收集的。
无人机：无人驾驶飞行器。 无人机群是一组无人机，旨在在无人值守或敌对环境中执行特定任务。无人机群容易受到损坏，从而降低性能和连接性。Lykou 等人。129和阿卜杜勒卡德尔等人。130引入一个临时模型来从攻击中恢复无人机群。群体智能损伤弹性（SIDR）模型将群体网络恢复到统一形态，分为三个阶段，即良好工作阶段、损伤识别阶段和网络聚合阶段。在第一阶段利用了 swarm 的存储能力，每个节点都记住了网络路径、结构和配置。值得注意的是，群体节点以统一的方向和速度行进。损害识别阶段由控制群网络的主节点领导。主节点分析和监督网络以识别任何损坏或攻击。如果发现损坏，则启动网络恢复。子网的飞行行为由相应的子网主节点控制。一旦网络聚合阶段结束，网络将重新进入良好工作阶段。129还开发了反无人机技术，以保护机场免受故意空袭以破坏社会经济状况。阿卜杜勒卡德尔等人。130对网络攻击和反无人机技术进行了详尽的调查，以从此类攻击中恢复过来。 优化技术尽管性能参数因领域而异，但无线通信领域研究人员的主要目标是改进现有的硬件或软件模型。正如“第五代蜂窝网络”一节中所讨论的，有许多关键因素可以研究。随着一个参数的提高，如果其他关键因素受到影响，那么整个系统的功效就会受到影响。因此，必须找到一个解决方案，使大多数关键参数值得到平衡，从而实现高效的系统输出。要实现这一点，需要优化技术。优化问题涉及基于设计约束的最小化或最大化函数。解计算的复杂度取决于优化问题。最小二乘、凸优化和线性规划问题等优化问题是最简单的问题类型。131本节介绍了一些可用于在无人机应用中获得优化结果的优化算法。小规模衰落、空对地路径损耗和空对空信道建模等研究问题可以通过光线追踪技术和机器学习进行评估。通过ABC算法、GA、PSO和随机优化，可以实现无人机优化部署的覆盖增强和最大化。机器学习优化技术可用于优化资源分配、无人机部署、资源管理和能源效率。贪婪算法技术最适合无人机关联、定位和部署问题。 分类类型优化算法大致分为两种：确定性和随机性。随机优化技术用于无人机部署研究问题、移动性考虑下的性能分析以及URLLC和控制。线性规划、非线性规划、基于梯度和无梯度是确定性优化算法的示例。线性规划中的单纯形方法是确定性的。当梯度信息用于确定性优化时，它们被称为基于梯度的信息。Newton-Raphson 方法是基于梯度的一个例子。优化算法可以基于传统方法，也可以基于机器学习。传统的优化算法大致可分为启发式和元启发式。启发式算法和元启发式算法是一类随机算法。元启发式优化算法分为基于群体智能的算法、基于轨迹的算法和基于进化的算法。启发式算法利用基于试错的学习和适应技术。尽管启发式算法无法找到最佳解决方案，但它们旨在达到尽可能最佳的解决方案。连续凸近似、圆停放理论、块坐标下降和 dinkelbacks 方法是启发式优化算法的示例。131而基于元启发式的算法即使对于棘手的优化问题也表现良好。这两种算法都受到自然进化行为的启发。131常用的元启发式算法有PSO、ACO、萤火虫算法、ABC算法、GA算法，以及模拟退火和变邻域搜索算法。变邻域搜索算法和模拟退火是基于轨迹的元启发式优化算法的例子。上述所有优化技术都用于无人机应用。 优化算法的形成方式可以在规定的时间内解决问题。然而，对于复杂的优化问题，启发式算法的时间要求可能会随着问题的大小呈指数级增加。131优化技术的性能可能因应用场景而异。图 6 描述了可用于无人机部署、分析和无人机通信系统优化设计的主要数学方案。优化技术并不局限于图 6 中的算法。还有许多其他算法可用，但我们只考虑了无人机部署中常用的优化技术。图 6 中标记的大多数算法都是元启发式算法。
优化问题在性质上也各不相同。优化问题可以根据目标、约束、景观、函数形式、确定性以及变量/响应进行分类。132优化问题的目标可以是单目标，也可以是多目标。多目标也称为多标准优化。根据约束，优化问题可以是有约束的，也可以是无约束的。根据形状，优化问题可以是单模态或多模态。优化问题被称为单峰问题，当只有一个谷或峰具有唯一的全局最优时。凸优化是单峰优化的一类。设计变量可以是离散的、连续的和混合的。如果优化问题由离散问题和连续问题组成，则此类问题属于混合变量的范畴。离散优化是指所有设计变量的值都是离散的优化技术。如果设计变量包含整数值，则称为整数规划问题。132目标函数可以是线性的，也可以是非线性的。当目标函数和约束本质上是线性的时，它表示线性规划优化问题。非线性优化处理约束和函数为非线性的优化问题。 离散优化又名组合优化是最流行的优化类型。背包问题、旅行推销员问题、车辆路线规划、最小生成树问题和航空公司调度是组合优化问题的示例。如果所有设计变量都取区间或连续的实值，则称为连续优化问题。基于参数值或噪声的不确定性，优化技术可分为确定性和随机性。在确定性中，参数值是精确的，没有不确定性或噪声水平。对于一定程度的不确定性和噪声水平，优化技术称为随机优化。对于通道建模，使用了光线追踪和机器学习方法。为了解决无人机部署的研究问题，集中优化理论和设施理论经常被使用。概率论、随机理论和信息论用于性能分析。无人机的蜂窝网络规划可以通过集中优化理论、设施定位理论和最优运输理论来完成。资源管理和能源效率问题可以通过集中优化理论、最优运输理论、博弈论和机器学习得到很好的解决。对于路径规划和轨迹优化，使用的优化技术是集中优化理论和机器学习。蜂窝连接无人机UE的研究问题可以通过集中优化理论、机器学习、博弈论、随机几何和最优输运理论进行优化。 ABC算法ABC算法类似于蜜蜂的蜜蜂收集策略。据它说，食物来源很多，食物位置也在不断变化。蜂群由三种类型的蜜蜂组成，即旁观蜂、雇佣蜂和侦察蜂。受雇蜜蜂的数量取决于可用食物来源的数量。受雇的蜜蜂会找到食物来源并在那里跳舞。旁观的蜜蜂检查受雇的蜜蜂，并从受雇蜜蜂确定的食物来源中提取蜂蜜。侦察蜂是一种被遗弃食物来源的受雇蜜蜂。最初，所有受雇的蜜蜂都可以获得食物来源，然后每只受雇的蜜蜂都会找到最近的食物来源。然后，旁观者将选择任何来源并测量花蜜量。被遗弃的食物来源被侦察员发现的新食物来源所取代。然后登记最佳食物来源。94Tahat等人研究了应用于BS部署的ABC算法，55Li 等，67卡拉博加和巴斯图尔克，94和Zhang等人。95通过扩大覆盖范围并最大限度地服务用户，可以通过ABC算法优化无人机部署。Tahat等人的工作。55讨论了 UAV-BS 3D 部署问题。ABC 算法输出全局最优值。它首先找到一个局部解决方案，然后更新该解决方案，使其达到全局最优值。该全局最优值将为无人机放置提供最佳位置。Zhang等.95讨论了无人机-BS的3D部署，以最少的无人机数量为用户服务。使用基于ABC的用户聚类算法。尽管本文在部署方面取得了良好的结果，但必须进一步扩展工作，以扩展到更大的区域和更多的用户。 遗传算法GA是元启发式优化的一个例子，可用于获得基于生物进化过程的优化解。该算法类似于突变、交叉和选择等生物遗传过程。这导致了许多解决方案。在每一步中都会删除“坏”解决方案，而在下一次迭代的解决方案集中只考虑“好”解决方案。同样，随着世代的发展，只有解决方案集中最好的才能进入最后一步。从所有获得的解决方案中选择最佳解决方案。GA 过程涉及染色体和基因的实体。每条染色体由许多基因组成。处理步骤首先随机选择染色体并计算适应度函数。在每一代中，染色体都会被选择，并且发生突变、交叉和选择等遗传过程，以便为下一代产生更好的染色体。131启动、选择、遗传算子、启发式和终止是涉及的步骤。96,97Sonmez 等人确定了最佳的可飞行路径。98将 GA 与旅行推销员方法结合使用。无人机路径规划是通过 GA 执行的。GA 也用于 Pehlivanoglu 和 Pehlivanoglu 的自主无人机。99无人机需要时间才能从事件触发的位置到达特定位置。GA 通过优化轨迹和路径实现了时间的显着缩短。在周等人中，100将GA与分而治之的路径优化算法相结合，缩短了目标搜索时间。值得注意的是，上述工作没有研究能源效率。 PSO组织PSO在大量解决方案中搜索。这是基于群体智能的算法的一个例子。最初，PSO 无法在第一次迭代时计算出最佳解决方案。因此，它从一组粒子群（一组随机解）开始，并尝试更新最佳解。在每次迭代中获得的解被认为是局部最佳解。这些本地最佳解决方案被保存下来。从本地最佳解决方案集中，最佳解决方案被视为全局最佳解决方案。PSO不要求优化问题可微分。PSO试图通过迭代检查解决方案并对其进行改进来找到最佳解决方案。每个粒子的运动都受到其局部最知名位置的影响，但也会被引导到搜索空间中最知名的位置，这些位置会随着其他粒子找到更好的位置而更新。预计这将使蜂群朝着最佳解决方案发展。101使用PSO技术可以采用最少数量的AirBS的无人机部署策略。PSO的灵感来自一群鸟的食物搜索概念。Plachy 等人。102研究PSO在AirBS与用户联想的联合定位中的应用。随着数据速率的提高，用户满意度得到了最大化。PSO的复杂程度略低于GA，而GA在AirBS数量较少的相同场景中表现良好。该研究没有反映AirBS不同高度对系统性能的影响。 ACO公司ACO 是一种基于元启发式群体智能的优化算法。PSO算法的灵感来自一群鸟类的食物搜索，而ACO的灵感来自蚂蚁的自然食物搜索现象。蚂蚁在发现食物的地方分泌一种叫做信息素的激素。蚁群中的其他蚂蚁会跟随荷尔蒙，找到距离最短的食物。随着更多的蚂蚁到达食物位置，激素强度增加，并代表对该特定路径的偏好概率更高。131ACO 利用概率模型，并使用该信息来寻找最佳路径。最佳路径是在图表的帮助下找到的。科纳托夫斯基和帕夫沃夫斯基的作品103讨论了 ACO 在无人机路径规划中的应用。岳和陈104在无人机路径规划中使用ACO，首先通过分析路径构建进行分析，然后通过分析信息素更新进行分析。蚁群被放置在一个离散的空间中，与时间无关。选择策略决定了下一次更新中的值。最佳路径是根据信息素更新计算的。104 随机优化随机优化基于随机近似。此方法适用于随机性问题。随机优化侧重于最小化或最大化优化问题。是最小化还是最大化，这取决于所考虑参数的类型。随机优化的详细理论分析132由作者在 Spall 中执行。105Qin 等人提出了随机优化结合机器学习来部署 AirBS。64虽然 ABC、PSO 和 K-means 聚类方法已被用于无人机 BS 的协同部署，但 Qin 等人研究了 AirBS 的非协同放置。64它减少了 AirBS 和中央控制器之间对可靠链路的需求。这项工作成功地找到了一个合理的局部最优值，而不是全局最优值。需要进一步的研究来扩展这种方法，以在非合作方法中达到全局最优。 贪婪算法贪婪算法是一种在每一步生成局部最优值的方法。通过外推局部最优值，可以生成全局值。贪婪算法的一个局限性是，生成的解决方案可能不是最佳解决方案。它有五个组成部分，即候选集、选择函数、可行性函数、目标函数和求解函数。从候选集中提取解决方案。在选择功能的帮助下，将最佳候选者添加到解决方案中。可行性函数确定候选人是否可以为解决方案做出贡献。解决方案的值由目标函数赋值。一旦发现完整的解决方案，它就会由解决方案函数指示。106该方法可以很好地优化信道建模、路径规划、网络规划和用户关联分析。贪婪的方法在Sharafeddine和Islambouli中使用59用于用户关联、流量卸载和网络恢复。本文讨论了交通数据的卸载问题，结果表明，该算法在卸载过程中是有效的;然而，该研究缺乏对将产生的额外功耗的分析。优化理论、传输理论、随机几何、机器学习、设施定位理论和博弈论是用于无人机通信相关研究的一些关键数学工具。 基于机器学习的优化算法机器学习 （ML） 是 AI 的一个子领域，它允许机器访问数据并从数据中学习。机器学习技术可用于优化。监督学习、无监督学习、强化学习、半监督学习和联邦学习是不同的 ML 优化技术。深度学习算法也被视为 ML 算法的一部分。监督学习被细分为分类和回归，而聚类、关联规则和降维则被归类为无监督机器学习的分类。 分类涉及识别数据中隐藏的模式。回归可以是线性回归、多项式、岭、逐步回归、套索回归和逻辑回归。131线性回归为因变量提供连续输出值。回归技术将自变量和因变量相关联。逻辑回归产生分类输出。因此，逻辑回归有时被视为一种分类技术，也是一种回归技术。K 均值聚类、K 中值聚类和分层聚类是聚类技术的示例。可以使用朴素贝叶斯、K 最近邻 （KNN） 算法、支持向量机 （SVM） 等实现分类。在无线通信中，深度学习实现的Q网络（Deep Q-network）用于检测多输入多输出（MIMO）网络中的信号。 无人机的应用用例相当高。下面提到了一些最新的作品。无人机可以与5G技术相结合。107将视频合成孔径雷达的概念与无人机相结合，可用于雷达通信。111福斯曼和韦斯特格伦112提出了一种通过结合无人机和静态伏安无功（VAR）补偿器（SVC）来提高电力系统暂态性能的方法133.Khosravi 和 Samadi 介绍了在无人机飞行并从传感器收集数据的场景中均方误差 （MSE） 的最小化。134Tong等人提出了使用无人机航拍图像以及完全解耦卷积滤波器对铁路系统进行自动检查。135Tang 等人对具有轨迹控制的安全无人机通信进行了建模。113和 Han 等人。114为了识别无人机，Shoufan 等人提出了一种基于 e-SIM 的身份验证协议。136Serrano等人进一步研究了Google的Loon项目的特点。1373D定位、干扰管理、信道建模和切换管理是无人机作为UE应用需要考虑的具有挑战性的研究领域，而对于基站而言，应用在优化3D部署、资源分配、网络规划和轨迹优化方面面临挑战。138 结论在本文中，我们调查了无人机作为下一代新兴技术的基站和中继节点的应用。对每个领域的研究问题进行了简要介绍。对于那些刚进入无人机领域的人来说，这项工作将有助于清楚地了解无人机支持的应用。无人机的可用性很普遍，从海事部门到人工智能。解决与参数优化相关的研究问题所需的数学优化技术。为了提高效率、资源管理和覆盖率，首选联合优化方法。多个系统参数的联合优化还有待研究。一种自适应算法，无论航道条件如何，都可以针对不同的地理地形部署和维护无人机，这是研究人员的一个课题。开发图形用户界面 （GUI） 模拟器模型，其中可以嵌入优化的部署、路径规划或资源管理算法，并提供无人机性能的真实体验，这是一个需要关注的领域。 该星球用于分享技术、情报和军事类的技术知识，目前该知识星球已有1800份文档了和各类技术分享，后续每天都会有不同的技术资料分享，如果有需要的可以扫知识星球的码加入，内容很丰富，包含雷达技术文档、智能仿真代码，包括无人机蜂群代码等，及其他雷达技术仿真代码、武器系统技术、技术情报、武器分系统技术等知识. |
|
|
