多无人机部署优化：基于BCD+GA的吞吐量与飞行时间平衡方案

搞无人机通信仿真的同学，应该都有过这种体验：用户在地面那么分散，无人机到底应该放在哪几块区域，才能让整网吞吐量最高？现实中无人机起飞还要时间，飞太远覆盖是好了，但任务响应又慢了。这篇文章就来拆一个我在多无人机部署优化里反复打磨过的方案：用区块坐标下降（BCD）搭外层迭代框架，用遗传算法（GA）做内层位置搜索，目标就是在总吞吐量、系统容量与无人机飞行时间三个指标之间找到可解释、可复现的平衡关系。配套的MATLAB代码核心模块我会贴在正文里，建模思路、算法分工、参数调优和调试踩坑也一并写清楚。适合正在做无人机通信、无线网络优化、边缘计算调度相关课题的研究生，也适合需要一套现成算法框架去打数学建模或通信类竞赛的团队。

如果你的仿真还停留在“无人机随机摆一摆，用户信号算一算”的阶段，那这篇文章正好能帮你把问题层次拉起来：先建模，再拆算法，最后落到可跑的代码。

1. 问题建模：多无人机网络的三个指标到底在优化什么

1.1 系统模型与场景设计

我的仿真场景设置比较常规，但足够暴露这类问题的核心矛盾：一个1000m × 1000m 的正方形区域内，随机分布30个地面用户；4架无人机在100m高度飞行，充当空中基站，为地面用户提供下行通信服务。每架无人机发射功率30dBm，系统带宽20MHz，信道采用自由空间路径损耗模型，噪声功率谱密度取-174dBm/Hz。这个基本模型还原了无人机通信里最关键的“视线链路”特征——海拔够高，遮挡不算主导因素，距离越近，信道增益越大，SINR越高。

用户和无人机的关联规则，我选择最大SINR准则：每个用户只接入信号最好的那架无人机。这种关联方式是分布式无线网络里最自然的假设，也能让问题保持较好的可解释性。信道增益按下式计算：

g_ik = β0 / (d_ik²)

其中 β0 是参考距离1米处的信道增益，d_ik 是第 i 架无人机到第 k 个用户的欧氏距离（包含高度差）。SINR 的计算还要叠加上其他无人机的同频干扰以及接收端噪声：

SINR_k = P_t * g_ik / ( Σ_{j≠i} P_t * g_jk + σ² )

最终用香农公式得到第 k 个用户的数据速率：

R_k = B * log2(1 + SINR_k)

总吞吐量就是所有用户的速率之和。这个模型最大的特点是：吞吐量不是变量位置的线性函数——随着无人机移动，用户关联关系会突变，SINR 也会因为距离变化产生剧烈的非线性波动，所以整个优化问题天生就是非凸的。

1.2 总吞吐量、容量与飞行时间到底什么关系

把三个指标放到同一张图里，问题就清楚了。总吞吐量是网络实际达到的传输能力总和；容量则是系统在给定带宽和信道条件下的理论上限，可以用所有链路的香农容量之和来描述；飞行时间则代表从任务下达到无人机到位的时间成本。假设无人机飞行速度为25m/s，那飞行时间就是路径距离除以速度。

这里最关键的关系在于权衡机制：无人机飞得靠近用户簇，信道链路短、干扰小，总吞吐量自然上升，但飞行时间变长；反过来，限制飞行时间意味着无人机只能部署在离起始位置较近的区域，可能覆盖不到密集用户区，吞吐量就会下降。这个矛盾在应急通信场景中非常典型——到底要更快的服务响应，还是更高的传输容量？优化算法的核心任务，就是在这个权衡空间里给出一组尽量靠前的解。

从数学上说，三个指标并没有强耦合约束，不像温度、压力那种物理约束，它们是通过“无人机位置”这个中间变量产生关联的。位置决定覆盖和干扰，位置也决定飞行距离。所以本质上这是一个多目标优化问题，实践中最简单的做法是把飞行时间做成约束或惩罚项，把总吞吐量当作主目标。

1.3 为什么不能用单一经典算法解决

我刚开始做的时候，直接试过三种思路，效果都不太满意。

第一种是纯凸优化。把问题放松成凸问题后，可以用CVX之类的工具求解，但用户关联的0-1变量一出现，凸性就没了。即便放松，解出来也往往不是原始问题的可行解，离工程实践太远。

第二种是纯遗传算法。把所有无人机的位置参数拼成一条染色体，种群进化，理论上可行，但实际跑下来发现收敛慢，100次迭代后还在大范围振荡。原因很简单：染色体维度4架无人机×2坐标=8维，看着不高，但个体间的差异被用户关联突变放大了，适应度函数近似于带噪声的曲面，纯GA在这种场景下效率不高。

第三种是K-means聚类。先对用户位置聚类，把无人机放到质心。这个思路能保证基本的覆盖，但完全没考虑SINR干扰关系，更没有飞行时间约束，结果离最优吞吐量差得远，只能当作初始化手段。

于是就有了 BCD + GA 的组合方案：BCD 把原问题拆成“用户关联子问题”和“无人机位置子问题”，分别处理、交替迭代；GA 拿来做非凸的位置搜索，不依赖梯度、能跳局部最优。这个组合避开了单一算法最明显的短板。

2. 算法设计：区块坐标下降和遗传算法怎么分工

2.1 区块坐标下降的核心思想

区块坐标下降（Block Coordinate Descent，BCD）的思路用一句话总结就是：一次只优化一部分变量，固定其余部分，交替迭代到收敛。放在这个多无人机部署问题里，变量天然分成两个区块——无人机位置向量（连续变量，控制部署）和用户关联矩阵（离散0-1变量，控制接入）。

外层的BCD迭代流程很直接：固定当前无人机位置，按照最大SINR准则重新分配每个用户的关联；然后固定用户关联，进入内层去优化无人机位置。这样循环往复，每一次迭代都能保证某一组变量在另一组变量不变的前提下达到局部最优。BCD本身不保证全局最优，但在工程问题里能给出稳定且高质量的近似解，而且收敛速度比直接联合优化快得多。

用生活类比来解释：两个人抬一张桌子，一个人先调整自己这一侧的位置，另一个人再调整那一侧，来回几次，桌子就平稳了。比两个人同时盲目用力要可控得多。

2.2 遗传算法为什么适合做位置搜索子问题

内层的位置优化是整个算法最难啃的骨头。目标函数包含路径损耗的分式结构，还叠加了干扰项，对无人机坐标既不凸也不光滑，梯度类算法很容易一头撞进局部最优。遗传算法在这个子问题上非常合适：它不需要目标函数的梯度信息，只依赖适应度评估，天然支持实数编码，还能通过精英保留机制锁定好的解。

我在编码上直接采用实数编码，一条染色体就是一组无人机坐标的拼接：[x1, y1, x2, y2, ..., xM, yM]。适应度函数就是当前用户关联下的总吞吐量，如果加入了飞行时间惩罚项，则再做一次线性惩罚。算法跑的流程遵循经典的锦标赛选择、模拟二进制交叉、多项式变异，外加精英保留，保证最优个体永远不会丢失。

GA不是没有缺点，最大的痛点是计算量大。每一次适应度评估都要重新对全部用户计算SINR，如果种群50、迭代100，单轮就是5000次吞吐量计算。所以实际工程里不能太贪心，GA参数和BCD外层迭代次数要做平衡，这个我在第3节给出一组可以直接用的参数。

2.3 双算法配合的完整工作流

我实际跑通的框架可以拆成六步：

第一步，初始化。随机生成无人机初始位置，或者用K-means质心初始化。第二步，按最大SINR准则分配用户到最近的无人机。第三步，固定用户关联，调用GA优化无人机位置，以总吞吐量为适应度。第四步，用户基于新位置重新关联。第五步，检查迭代指标——吞吐量提升小于阈值，或达到最大迭代次数，则跳出；否则回到第三步。第六步，记录最终部署位置、总吞吐量、系统容量、飞行时间。

这里有个实现细节值得重点说：GA优化无人机位置时，我尝试过两种策略。一种是所有无人机坐标拼成一条多变量染色体联合优化，另一种是逐架无人机单独优化。实际测试后，我选择了联合优化——因为用户关联确定后，各无人机之间的服务簇基本独立，联合优化的染色体虽然维度高一些，但能同时考虑相邻无人机的相互干扰，收敛质量更高。逐架优化虽然每轮计算更快，但容易在架间干扰上陷入振荡。

伪代码如下，这里用文字描述关键流程：

初始化无人机位置 循环 t = 1, 2, ..., T_max: 根据当前无人机位置计算所有链路的SINR 分配用户到SINR最大的无人机 固定用户关联，以总吞吐量最大为目标， 用实数编码遗传算法优化无人机位置集合 计算本次迭代的吞吐量提升量 如果提升量 < 阈值则结束循环 输出最终部署位置与三个指标

这套框架写进MATLAB大概300行左右，不算复杂，但每一步都有容易踩的坑，下一节详细拆。

3. MATLAB实现：从仿真场景到核心代码落地

3.1 实验参数与环境准备

我用的是MATLAB R2023b，GA部分直接调用Global Optimization Toolbox的ga函数，同时自己写了BCD外层循环。如果你没有装工具箱，我也给过一版手写GA，但建议优先用内置函数——稳定性好，交叉变异算子都是现成的，能省下大量调参时间。具体参数如下：

这个表格直接抄就能跑通第一版。新手容易忽略的是噪声功率的单位换算：-174dBm/Hz是每赫兹的功率谱密度，乘以带宽20MHz后，还要换算成标准功率单位，dBm要用 10^(dBm/10) * 1e-3 转成瓦特。这个一步没搞对，后面SINR整个数值都会偏。

3.2 核心代码模块：适应度计算与GA调用

先放和吞吐量计算最核心的一段代码，这个函数会被频繁调用，逻辑简洁清晰最重要：

function total_rate = compute_total_rate(uav_pos, user_pos, params) % uav_pos: M x 2, 无人机水平坐标 % user_pos: K x 2, 用户水平坐标 % params: 场景参数结构体 M = size(uav_pos, 1); K = size(user_pos, 1); P_t = params.P_t; % 瓦特 B = params.B; % Hz noise = 10^((params.noise_psd + 10*log10(B)) / 10) * 1e-3; % 瓦特 % 预计算水平距离平方 + 高度平方 h = params.h; d2 = zeros(K, M); for m = 1:M dx = user_pos(:,1) - uav_pos(m,1); dy = user_pos(:,2) - uav_pos(m,2); d2(:,m) = dx.^2 + dy.^2 + h^2; end % 避免距离过小导致增益无限大 d2 = max(d2, params.min_d^2); g = params.beta0 ./ d2; % K x M 信道增益矩阵 % 对每个用户找SINR最大且信号最强的无人机 sinr = zeros(K,1); for k = 1:K sig = P_t * g(k,:); [max_sig, idx] = max(sig); inter = sum(sig) - max_sig; sinr(k) = max_sig / (inter + noise); end rates = B * log2(1 + sinr); total_rate = sum(rates); end

这段代码里有两个细节我吃过亏。第一是矩阵化预计算距离，把K×M的距离矩阵一次性算出来，再计算增益矩阵，避免了逐链路的for循环嵌套，30用户4无人机的场景算起来飞快。第二是 min_d 距离保护，我设为5米——如果不加这个保护，当无人机恰好飞到用户正上方时，距离逼近0，信道增益趋于无穷大，SINR直接变成Inf，适应度函数崩掉，整个GA就全乱了。

GA调用部分，我用MATLAB内置ga函数，但需要把无人机坐标包装成单一决策向量：

% 适应度函数匿名函数 nvars = M * 2; % 4架无人机 × 2坐标 lb = repmat([0, 0], M, 1); ub = repmat([L, L], M, 1); fitness_func = @(x) -compute_total_rate(reshape(x, M, 2), user_pos, params) ... + penalty_time(reshape(x, M, 2), params); % 调用ga options = optimoptions('ga', ... 'PopulationSize', 60, ... 'MaxGenerations', 80, ... 'Display', 'iter', ... 'UseParallel', true); [x_opt, fval] = ga(fitness_func, nvars, [], [], [], [], lb(:), ub(:), [], options);

注意这里我把总吞吐量取了负号，因为ga默认是最小化问题。如果要做飞行时间惩罚，就在目标函数后面再加上惩罚项——这是下一节要展开的重点。

3.3 飞行时间约束怎么处理

飞行时间不是直接出现在优化变量里的，它由部署位置决定。我处理的思路是：无人机从部署起始点（任务下发时的初始位置）飞到目标位置，距离除以速度，得到单架飞行时间；多无人机场景下，取最大值作为整个系统部署完成的时间。然后有两种软硬处理方式。

硬约束方式：给每个无人机的位置设一个可达区域——以起点为圆心、半径为 v * T_max 的圆，然后把边界约束直接传给ga的lb和ub。但圆形的约束用矩形边界很难表达，所以我采用罚函数方式，更适合GA。

软约束方式：在适应度函数里把飞行时间也算进去，写成：

fitness = TotalRate - λ * max(flight_time - T_max, 0)

当飞行时间超过设定上限T_max时，就减去一个惩罚项，λ控制惩罚力度。实际操作中λ不能太大也不能太小：太大，算法会过度牺牲吞吐量去满足时间约束；太小，约束形同虚设。我的经验是先定T_max，然后从λ = 1e6开始扫，观察总吞吐量曲线对λ的敏感度，选拐点位置作为最终参数。

还有一点要提醒：起始点位置会影响优化结果。刚开始我把所有无人机起点放在区域中心，结果GA很容易把无人机全部推向同一簇用户，导致重复覆盖。后来改成无人机起点分散在地图四周，效果立刻改善，因为惩罚项天然限制了每架无人机的飞行半径，分散起点等于给了算法更好的搜索起点空间。

3.4 BCD外层循环实现

BCD的主循环其实很短，核心逻辑就十几行：

uav_pos = init_uav_pos(...); % 初始位置 for t = 1:params.outer_iter % 固定无人机位置，更新用户关联 [user_assoc, total_rate_old] = assign_users(uav_pos, user_pos, params); % 固定用户关联，用GA优化无人机位置 [uav_pos, total_rate_new] = optimize_uav_position(uav_pos, user_pos, params); % 收敛判断 if abs(total_rate_new - total_rate_old) / total_rate_old < params.threshold break; end end

这里有个容易忽略的问题：用户关联在GA优化过程中是固定的，但GA找到新位置后，用户关联应该立即重新计算。所以每次BCD迭代，用户关联和无人机位置是交替更新的。实测下来，外层迭代5次左右，总吞吐量就基本稳定了，不需要把外层迭代设得太大。真正影响运行时间的是每次内层调用80代GA——所以我的建议是外层迭代控制在10以内，否则总运行时间会指数级膨胀。

4. 结果分析：三项指标的实际权衡曲线

4.1 部署位置的优化效果

跑通代码后，第一个值得看的图是无人机部署位置的前后对比。初始随机部署时，无人机位置散落在区域各处，有的架无人机离所有用户都很远，总吞吐量按30dBm发射功率算下来大约在150Mbps左右，明显偏低。经过BCD+GA迭代后，无人机自动飞到用户密集集聚的地方，4架无人机形成围着用户簇的覆盖拓扑，总吞吐量提升到接近260Mbps，涨幅超过70%。

这个提升是符合预期的。原因在于最大SINR关联准则下，每架无人机只需要覆盖离自己最近的那部分用户，位置优化把每架无人机往高密度用户簇中心拉，等效缩短链路距离，降低了路径损耗。再加上干扰项被隐性优化——无人机之间会保持一定距离，避免互相干扰——最终吞吐量自然就上去了。

4.2 总吞吐量与飞行时间上限的权衡

要画出“吞吐量-飞行时间”的关系曲线，做法是：把惩罚项里的T_max分别设为 10s、20s、40s、60s、100s、200s，每个T_max跑一次完整BCD+GA流程，记录最优总吞吐量。我实测的曲线呈明显的S形：飞行时间限制在10秒时，无人机几乎只能围绕起点小范围活动，吞吐量只有140Mbps左右；放宽到40秒，吞吐量快速爬升到240Mbps；到100秒以后提升放缓，逼近容量极限约270Mbps。

这条曲线的工程含义很明确：如果你的任务需要快速响应，比如应急通信要求5分钟完成部署，但实际留给飞行的时间只有40秒，那网络能做到的吞吐量是有限度的。想进一步提升，必须放宽时间预算或者增加无人机数量，而不是盲目调算法参数。

容量项的变化趋势也值得关注。系统容量随无人机位置变化相对温和，因为它描述的是整网在所有链路上能提供的理论上限，不依赖实际调度。飞行时间较短时，容量和吞吐量的差距大，说明网络“潜力”远超“实际”，瓶颈在部署覆盖不够好；飞行时间足够时，两条曲线逐渐靠近，说明部署已经逼近容量上限。

4.3 与其他方案的对比

为了验证BCD+GA不是自嗨，我做了三组基线对比：随机部署、K-means质心部署、只用GA（不拆分问题）。结果如下表：

纯GA跑出来的结果不稳定，同一组随机种子多次运行，吞吐量波动在220Mbps到245Mbps之间，原因是高维空间搜索效率不够高。BCD+GA把问题拆开后，用户关联交给最大SINR准则，GA只需要专注位置搜索，搜索空间相对规整，所以无论换多少次随机种子，最终结果都在260Mbps附近，波动维持在5%以内。这个稳定性在做学术实验写论文时很重要——审稿人最反感的就是“算法效果不稳定”。

5. 常见问题与调试心得

5.1 代码跑不通？先查这几个地方

我把自己调试过程中踩过的坑整理成了一张速查表，新手遇到问题可以先对着检查：

第一类问题里，功率单位换算是隐蔽性最高的。我有一次整个SINR全部偏大了约30dB，找了半天才发现是噪声功率用了dBm直接参与运算，忘了转成线性值。调试技巧很简单——在MATLAB里手动算一个已知距离下的链路增益，对照手算结果，能快速定位问题出在公式还是出在单位。

5.2 算法不收敛怎么办

如果跑完10轮BCD，总吞吐量还在明显上升，说明没有收敛。我遇到这种情况，首先检查的是字符间敏感参数有没有互相冲突。GA已经把位置优化得很好，但BCD重新分配用户后，无人机服务簇发生大范围改变，下一轮GA又从比较差的位置起步，形成振荡。解决办法有三种：一是对上一步的用户关联结果做记忆，只允许10%的用户切换无人机；二是减小GA每轮的迭代代数，让位置优化步子小一点；三是增大惩罚项的λ，限制无人机大幅位移。

GA早熟问题也很常见。纯GA跑到50代左右，种群多样性会快速下降，导致陷入局部最优。我用的策略是对精英个体做局部微扰——在种群合并时，把精英个体的坐标加上一个小幅高斯噪声生成一批变异子代，重新参与选择。这个小技巧不需要改框架，效果却很明显，能让收敛曲线平滑很多，最终吞吐量再涨5%到8%。

5.3 代码性能优化与扩展方向

如果你的用户数量上升到100甚至200，每次适应度评估都要对全量用户算一次矩阵运算，计算量会线性增长。我这里做了三步优化：第一，距离矩阵、增益矩阵全部向量化，不用for循环；第二，GA的适应度函数加 parfor 并行，四个工作者并行评估种群个体，加速比接近3倍；第三，把GA迭代数从80降到50，同时用K-means结果做初始化，保证收敛质量不下降。这三步做完，30用户场景从2分钟压到了40秒左右。

如果想把这个项目继续扩展，有几个方向我可以明确推荐。三维部署——把高度h也当作优化变量，因为有研究表明无人机高度对吞吐量有影响，低空覆盖好但干扰大，高空覆盖全局但信号衰减快，这个维度能让问题更有意思。多目标Pareto优化——直接用NSGA-II把总吞吐量和飞行时间作为双目标同时优化，输出一组非支配解集，让使用者根据任务需求选择部署方案。动态应急场景——用户位置随时间变化，给算法加上在线重规划能力，每10秒重新优化一次无人机位置，应对火灾、震后等动态救援场景。这些方向都是在现有代码基础上做小改动，但研究价值一下子就上去了。

我在实际做这个项目的过程中，最深的体会是：优化算法的框架并不难，真正难的是把问题参数和算法参数对齐。飞行时间的权重、GA的种群规模、BCD的迭代次数，任何一个配比不合理，结果都可能南辕北辙。建议你拿到代码后不要直接跑完看一眼数字就收工——先把T_max从10扫到200，画出那条权衡曲线，你会对无人机网络部署这个问题的本质理解得更透彻。如果调试中遇到奇怪的报错或者结果不合理的现象，欢迎把现象描述和关键参数发在评论区，我看到了会尽量帮你定位。