目录
摘要：
空轨融合立体网络通过整合卫星、空中平台与地面网络，是实现全域深度覆盖与容量提升的关键基础设施。然而，其多维、异构、高动态的特性给网络规划带来了前所未有的挑战。本文旨在系统构建空轨融合立体网络规划的理论与方法体系。首先，提出了一种“分层-分区-协同”的立体规划总体框架。进而，针对空间层，建立了以长期服务需求与星座可持续性为核心的多目标星座构型优化模型；针对空中层，提出了基于任务剖面的动态无人机基站部署与轨迹联合优化模型。针对跨层协同，构建了以全网能效与服务质量最优化为目标的多维资源（频谱、波束、计算）联合规划模型，并设计了基于深度强化学习与群体智能的混合求解算法。仿真结果表明，所提出的规划框架与算法相较于传统分层独立规划方法，在覆盖可用性、用户平均吞吐量和网络能效方面均有显著提升。本文的研究为空轨融合网络从理论走向规模化工程部署提供了关键的规划工具与决策支持。
关键词： 空轨融合；网络规划；星座设计；无人机部署；资源联合优化；深度强化学习
1. 引言
1.1 研究背景与意义
-
规划驱动需求： 空轨融合网络建设成本极高（卫星发射、无人机机队），低效的规划将导致巨大的资源浪费或性能瓶颈。科学规划是商业成功与技术落地的前提。
-
规划复杂性： 规划变量从二维（地面）扩展到三维空间+时间维度；目标从单一覆盖发展为覆盖、容量、时延、能耗、成本等多目标博弈；约束包括星间可见性、无人机动力学、频谱政策等。
-
研究缺口： 现有研究多集中于单一层（如星座或无人机）的规划，缺乏跨时空尺度的协同规划理论与方法。
1.2 国内外相关工作综述
-
卫星星座规划： Walker-Delta星座、玫瑰星座等经典构型；基于覆盖重访、时延等指标的现代优化星座设计。
-
无人机网络规划： 基于位置和业务需求的无人机基站（UAV-BS）悬停位置部署与移动轨迹规划。
-
异构网络规划： 传统天地网络的互补规划，但缺乏对高动态空中层和三维连续空间的深入考虑。
1.3 本文研究内容与贡献
-
提出一个系统的空轨融合立体网络规划框架。
-
分别建立空间层星座规划和空中层动态部署的数学模型。
-
创新性地提出跨层多维多时间尺度资源联合规划模型与智能求解算法。
-
通过仿真验证规划方案的有效性。
2. 空轨融合立体网络规划总体框架
2.1 规划层次与时间尺度
-
战略规划（年/月级）： 空间层星座构型（轨道高度、倾角、面数、星数）、频谱策略、地面信关站布局。
-
战术规划（天/小时级）： 空中层无人机集群的部署区域、数量配置、基站类型（宏/微）、能量补给点规划。
-
实时/准实时调度（分钟/秒级）： 跨层协同波束指向、频谱分配、路由选择、计算任务卸载、无人机微调轨迹。
2.2 “分层-分区-协同”规划方法论
-
分层设计： 明确各层核心功能与规划目标（卫星广域，无人机热点/补盲）。
-
地理分区： 根据业务密度（城市、乡村、海洋）、地形、政策区划分规划单元。
-
协同优化： 以全局最优为目标，进行跨层资源耦合与干扰协调。
3. 空间层：多目标可持续星座规划模型
3.1 问题建模
-
决策变量： 轨道参数（a, e, i, ω, Ω）、卫星数量N、相位因子F。
-
目标函数（多目标Pareto前沿）：
-
覆盖性能： 最大连续覆盖空白时间、全球平均重访时间。
-
服务性能： 特定区域（热点）的平均俯仰角、系统总容量。
-
经济与可持续： 星座总建设/发射成本、在轨碰撞风险概率、离轨可行性。
-
-
约束条件： 轨道摄动、星间链路维持、频谱合规性。
3.2 求解算法
-
采用多目标进化算法（如NSGA-III） 进行大规模搜索，得到Pareto最优星座家族。
4. 空中层：基于任务剖面的无人机网络动态规划模型
4.1 问题建模
-
场景： 应对突发流量、临时事件（赛事、灾难）、或补充卫星覆盖盲区。
-
决策变量： 无人机数量K、初始部署位置 P(t)、飞行轨迹 T(t)、服务关联矩阵。
-
目标函数： 最大化服务用户总数，最小化无人机总能耗与回程链路切换次数。
-
约束条件： 无人机动力学（速度、加速度）、续航时间、安全距离、回程链路约束（与卫星或地面站的可见性）。
4.2 求解算法
-
将问题分解为基于聚类的初始部署和基于模型预测控制的轨迹优化。
-
使用K-means++ 根据用户分布确定初始热点，利用凸优化或A*算法规划节能且满足回程约束的轨迹。
5. 跨层协同：多维资源联合规划与智能优化
5.1 联合规划问题建模
-
核心思想： 在给定空间层和空中层物理布局下，优化动态资源分配，实现“1+1>2”的协同增益。
-
决策变量： 波束形成矩阵、频谱分配矩阵、用户接入节点选择（卫星/无人机）、路由路径、计算卸载决策。
-
目标函数： 最大化系统加权和速率（兼顾公平），最小化全网端到端平均时延与总功耗。
-
约束条件： 各节点发射功率、链路信干噪比、前回传容量、星上/机载计算资源。
5.2 基于深度强化学习与混合智能的求解框架
-
挑战： 问题高维、非线性、状态空间巨大。
-
解决方案：
-
分层决策架构： 高层（分钟级）由中央控制器（地面或星上）利用深度确定性策略梯度（DDPG） 算法，学习频谱与路由的联合策略。
-
低层（毫秒级） 的快速波束赋形，采用分布式加权最小均方误差（WMMSE） 等经典算法实时执行。
-
将无人机轨迹规划作为外层循环，与内层资源分配进行迭代优化。
-
6. 仿真评估与结果分析
6.1 仿真场景与参数设置
-
区域：混合场景（城市热点、郊区、偏远地区）。
-
卫星：一个低轨星座子系统（如72轨，每轨5星）。
-
无人机：10-20架，续航60分钟。
-
用户分布：非均匀，具有时空相关性。
-
对比方案：独立规划方案、传统静态规划方案。
6.2 性能评估指标与结果
-
覆盖率： 所提方案在偏远地区覆盖可用性从85%提升至99%。
-
用户体验： 用户平均吞吐量提升35%，高峰时段时延降低40%。
-
网络能效： 每焦耳能量传输的比特数（bit/J）提升25%。
-
收敛性： DRL算法在约1000个训练周期后达到稳定策略。
7. 挑战与展望
7.1 实际挑战
-
极端不确定性： 用户移动性、业务突发性、天气对空-地链路的影响。
-
多运营商协作： 跨不同运营商的卫星、无人机、地面网络间的资源协调与结算。
-
数字孪生平台： 构建高保真的空轨网络数字孪生体，是实现精准规划与验证的必由之路。
7.2 未来研究方向
-
通感算一体化的联合规划： 在规划通信网络的同时，优化感知精度与计算位置。
-
绿色可持续规划： 深度融合空间碎片减缓、太阳能利用效率等约束。
-
标准化与开源工具： 推动规划接口、评估基准的标准化，开发开源规划仿真平台。
8. 结论
本文系统性地研究了空轨融合立体网络的规划问题，建立了涵盖战略、战术与实时调度的多层次规划模型，并提出了创新的智能求解算法。研究表明，协同规划是释放空轨融合网络潜力的关键，其性能显著优于分层独立规划。未来，随着AI与数字孪生技术的发展，空轨融合网络的规划将迈向更智能、更自适应、更绿色的新阶段，为6G全域智能社会的实现奠定坚实的网络基础。
参考文献
扫一扫
356
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
