无人机边缘计算抗干扰信道分配：基于Stackelberg博弈的建模与仿真实践-北京尧图网络

无人机通信场景里一旦牵扯上“博弈论”“边缘计算”“抗干扰”这几个词很多同学第一反应就是头大。我最早看到这个项目标题时心里也在犯嘀咕Stackelberg博弈不是经济学里的东西吗怎么跑到信道分配来了后来真正把模型跑通、把Matlab代码一行行调出来之后才发现这条路其实是有清晰逻辑可循的。这篇东西我想把整个项目的来龙去脉、建模思路、仿真实现和踩坑记录一次性讲清楚给正在做无人机通信方向毕业设计或者课题研究的同学一个可以直接参考的完整路线。这项目解决的核心问题说直白点就是一架无人机给地面多个用户提供边缘计算服务的时候环境里存在干扰源信道资源又有限怎么给每个用户分配信道才能让“用户获得的服务质量”和“无人机自身的开销”之间达到一个平衡。传统做法要么是纯随机分配要么是简单轮询效果都比较粗糙。这里引入Stackelberg博弈就是让博弈双方有一个先后决策的顺序无人机作为主导者先定信道价格用户作为跟随者根据价格决定买多少信道资源最后达到一个双方都能接受的稳定状态。这篇内容适合正在做无人机通信、边缘计算、资源分配方向课题的本硕学生也适合想快速上手Matlab仿真的研究者参考。下面我会从建模思路、数学推导、代码实现到调试避坑把整个项目完整拆开来讲。1. 项目到底在做什么拆解标题背后的真实需求1.1 三个关键词的分工理解先把这个标题拆成三块来看每块解决一个独立的问题。第一块是“无人机边缘计算”。传统边缘计算是把服务器放在地面基站旁边无人机边缘计算说白了就是把算力搬到天上去。为什么要这么干因为很多场景下地面基础设施是缺失的比如灾区救援、临时赛事保障、偏远地区巡检地面根本没有基站可用。无人机飞过去本身就是一个移动的边缘节点既能通信又能计算。第二块是“抗干扰”。无人机通信链路是开放空间传播的非常容易被干扰源影响。这个干扰源可能是恶意的比如有人故意发射同频干扰也可能是非恶意的比如其他通信系统的同频信号。干扰一强信噪比就掉传输速率就崩。所以信道分配必须把干扰因素考虑进去不能只盯着信道本身的带宽。第三块是“信道分配”。资源是有限的无人机可用的信道就那么几个用户却可能有几十个。分配策略的好坏直接决定了用户的体验质量和无人机的资源利用率。分配得不好有的用户饿死有的信道闲着整体性能自然上不去。1.2 这题的核心矛盾利益冲突如果只有一个用户信道分配问题就没什么好研究的把最好的信道给他就行。麻烦就麻烦在多用户场景下每个用户都想要好信道、多信道但无人机手里的资源是有限的。更麻烦的是无人机自己也有开销。信道给用户用无人机就要消耗发射功率、处理资源还要承受干扰带来的性能损失。如果每个用户都想要最多的信道无人机就会因为开销过大而吃不消。这就是典型的利益冲突。用户站在自己的角度希望信道越多越好无人机站在自己的角度希望收益尽量大、开销尽量小。这种多方决策、利益互相牵制的场景天然就是博弈论的用武之地。1.3 为什么不能拍脑袋直接分配有同学可能会问我直接按用户数量均分信道不行吗或者按照用户离无人机的距离来分配远的用户多分点信道行不行这两种直观思路在实际场景里都会出问题。均分方案完全没有考虑用户的实际需求差异有的用户只需要传个小指令给一堆信道纯属浪费有的用户在传高清视频需求大给少了直接卡顿。按距离分倒是考虑了信道质量差异但干扰这个因素没有进来——一个距离近但被干扰严重的用户和一个距离远但干扰很小的用户到底谁该多分信道这账不好算。这些问题靠直觉解决不了必须建立一个数学模型把用户需求、信道质量、干扰强度、无人机开销这些因素全部折进一个统一的框架里来优化。Stackelberg博弈就是这个框架。2. 为什么偏偏是Stackelberg博弈建模思路的来龙去脉2.1 博弈论解决了什么层面的问题很多人一听“博弈论”三个字就发怵觉得是高深的经济学理论。其实博弈论的核心思想非常朴素当多个决策者的利益互相影响时每个决策者做决定的时候都必须考虑别人会怎么反应。用在信道分配里就是无人机决定信道价格的时候必须意识到用户会根据这个价格调整自己的信道需求反过来用户决定买多少信道的时候也会猜测无人机的定价策略。双方在这个互动过程中不断调整最后稳定在某个状态上。这个过程跟菜市场买菜特别像。菜贩子定价高了买的人就少定价低了利润又薄。买菜的人呢也会根据价格决定买多买少。摊主和顾客之间就是一个典型的博弈关系。2.2 Stackelberg博弈 vs 普通博弈决策顺序的价值博弈论里面学问很多但这里用Stackelberg博弈是有明确原因的。它最大的特点是决策有先后次序一方先行动另一方观察到对方的行动后再做自己的决策。这个先后次序不是随便定的它对应了实际场景里无人机和用户之间的真实关系。无人机是网络的管理者它先公布信道价格和分配规则这符合管理者的角色用户是服务的接受者根据价格调整自己的需求这符合用户的行为逻辑。如果用普通纳什博弈来建模相当于假设无人机和用户同时做决策这不符合实际场景算出来的结果也很难对应到真实系统中去。所以这里选Stackelberg博弈本质上是让数学模型跟物理场景严格对应起来。2.3 谁是领导者谁是跟随者在这个项目里无人机是领导者用户是跟随者。这个关系确立之后后面的推导逻辑就清楚了无人机先宣布一个信道单位价格用户看到价格后会以自身效用最大化为目标决定购买多少信道资源。然后无人机再做第二轮优化根据用户的需求反馈调整自己的定价策略让自己的收益最大化。这个过程反复迭代直到价格和需求量都收敛到稳定值这个稳定值就是Stackelberg均衡点。有个细节值得注意有些类似项目里会让用户当领导者无人机当跟随者。那适用于用户有更强议价能力或者用户需求起主导作用的场景。这个项目里无人机是服务提供方更有主导权所以让无人机当领导者更合理。建模顺序决定了解题难度。选对了谁先动、谁后动后面的数学推导会顺很多选反了整个求解过程可能急转直下。我在另一个类似项目里就吃过这个亏当时没有想清楚角色的主从关系模型建出来怎么推都不收敛。3. 系统模型与数学表达从物理场景到公式3.1 网络角色和拓扑结构先把系统的角色理清楚。这个项目里一共有三类节点一架无人机、多个地面用户、一个或多个干扰源。无人机的位置可以假设是固定的悬停在某个高度这个高度要能覆盖所有地面用户。用户分布在一个区域内每个用户和无人机之间的距离不同信道增益自然也不同。干扰源位置固定向无人机方向发射干扰信号。整个系统的通信链路是这样的用户把数据传到无人机无人机做边缘计算后再把结果回传给用户。这个过程需要上行信道和下行信道。为了简化模型很多项目里只考虑上行传输这一段把问题聚焦在用户到无人机的信道分配上。每个用户的需求不同有的计算任务重需要传的数据量大对信道需求就高有的只是传个控制信号需求低。系统建模的时候要用一个数值把这些需求差异表达出来比如每个用户的“计算任务数据量”或者“最小传输速率需求”。3.2 信道模型怎么建信道模型是整个仿真里最基础的部分模型选得不好后面所有数据都不靠谱。常见的做法是把信道增益分解成两部分大尺度衰落和小尺度衰落。大尺度衰落跟距离相关距离越远信号衰减越厉害。小尺度衰落是快衰落可以用瑞利分布或者莱斯分布来模拟。在无人机场景里视距传播是主要的传输模式所以莱斯信道模型通常比瑞利信道更贴近实际。但很多论文为了简化直接用自由空间路径损耗模型加一个随机衰落因子效果也足够。干扰建模部分干扰源对接收端的干扰功率取决于干扰源的发射功率和干扰源到无人机之间的距离。干扰源的位置可以假设是固定的但发射功率可以动态变化这样能模拟不同强度的干扰环境。核心数学模型可以写成% 信道增益计算包含路径损耗和小尺度衰落 path_loss_dB 20*log10(distance) 20*log10(frequency) 32.44; small_scale_fading (randn(1,1)^2 randn(1,1)^2) / 2; % 瑞利衰落 channel_gain 10^(-path_loss_dB/10) * small_scale_fading; % 信干噪比计算 SINR (user_power * channel_gain) / (noise_power jammer_power * jammer_gain);3.3 效用函数的设计逻辑建模的核心是设计效用函数。用户的效用函数要反映两件事获得数据速率带来的收益和购买信道资源付出的代价。用户的数据速率可以通过香农公式计算rate bandwidth * log2(1 SINR);用户的效用速率带来的满意度 - 信道成本。这个满意度可以用对数函数来表示因为对数函数的特性是速率低的时候提升一点速率带来的满意度提升很大速率已经很高的时候再增加速率满意度提升就变缓了。这符合边际效用递减的规律。无人机的效用函数包含两块向用户收取信道资源费用的收益和信道分配所消耗的功率成本以及干扰带来的性能损失。3.4 Stackelberg均衡的定义与求解路线Stackelberg均衡的定义是在这个状态下领导者的策略在考虑跟随者的最优反应后是最优的跟随者的策略也是对领导者策略的最优反应任何一方单方面改变策略都无法提高自己的效用。求解方法用的是逆向归纳法。先从跟随者开始在给定信道价格的情况下把用户的效用函数对信道需求量求导令导数等于零解出用户的最优需求量表达式。这个表达式是信道价格的函数。然后把这个函数代回到无人机的效用函数里无人机的最优化问题就从二维问题变成一维问题——只要求出最优价格。求解无人机的最优价格可以用KKT条件。构造拉格朗日函数对价格求偏导结合约束条件的对偶变量解出最优价格的闭式解。如果闭式解推不出来也可以用数值方法比如梯度下降或者黄金分割搜索在代码里迭代逼近最优值。4. Matlab实现与仿真细节4.1 代码整体架构安排拿到一个Matlab仿真项目千万不能上来就埋头写代码。先把代码的模块划分想清楚后面调试和维护都会省很多力气。我建议按这五个模块来组织代码结构第一个模块是参数初始化。所有用到的参数都集中放在这个模块里包括用户数量、信道数量、干扰源功率、噪声功率、频谱带宽、无人机的功率上限、迭代次数上限等。把这些参数统一放在文件头部后面要改仿真条件直接改这里就行不用满文件找参数。第二个模块是信道生成。按照第3节说的方法生成所有用户到无人机的信道增益矩阵。这里注意信道矩阵的维度是用户数乘以信道数每个元素代表一个用户在一个信道上的信道增益。第三个模块是博弈迭代的核心循环。这个循环负责执行Stackelberg博弈的迭代过程初始化价格计算用户最优需求更新无人机价格检查收敛条件。第四个模块是性能计算。迭代收敛之后计算每个用户的速率、效用无人机的总效用以及整个系统的平均吞吐量等指标。第五个模块是画图。把仿真结果可视化包括收敛曲线、不同参数下的性能对比图等。4.2 关键参数怎么设置参数设置是整个仿真里最容易被忽略但又最重要的一环。参数设置不合理轻则仿真结果不好看重则算法根本不收敛。下面这组参数来自我实际调试过的配置可以作为起点参考% 系统基本参数 num_users 8; % 用户数量 num_channels 6; % 可用信道数量 total_bandwidth 10e6; % 总带宽 10 MHz noise_power 1e-12; % 噪声功率 jammer_power 0.5; % 干扰源功率 0.5 W % 信道模型参数 carrier_frequency 2e9; % 载波频率 2 GHz drone_height 100; % 无人机高度 100 m % 博弈迭代参数 price_initial 0.1; % 信道初始价格 learning_rate 0.05; % 价格更新步长 max_iterations 200; % 最大迭代次数 convergence_threshold 1e-4; % 收敛阈值初学的时候很容易犯一个错误把干扰源功率设得特别大或者特别小。设得太大所有用户的信干噪比全被压到很低速率几乎为零整个系统就没法看了设得太小干扰对系统的影响微乎其微抗干扰算法的优势也体现不出来。我自己的经验是先把干扰源功率设在跟用户发射功率同一个数量级比如用户发射功率是0.1W到1W之间干扰功率先取0.5W左右看效果再调整。4.3 博弈迭代核心函数实现博弈迭代部分是整个代码的核心逻辑说白了就是三层循环外层是价格更新中间层是用户需求计算内层是每个用户自己的最优需求求解。核心代码框架可以写成%% Stackelberg博弈主循环 price price_initial; history_price zeros(max_iterations, 1); history_demand zeros(max_iterations, num_users); for iter 1:max_iterations % 跟随者问题给定价格用户计算最优信道需求 for u 1:num_users % 用户的效用函数对需求量的导数令其等于零 % 用数值求解方式例如fzero demand_func (x) get_user_utility_deriv(x, price, channel_gain(u,:), jammer_gain(u,:)); demand(u) fzero(demand_func, 1); end % 领导者问题无人机根据用户需求更新价格 % 目标函数为无人机效用用数值优化求解最优价格 price_new fminbnd((p) -get_uav_utility(p, demand, channel_gain), price_initial_range(1), price_initial_range(2)); % 记录历史判断收敛 history_price(iter) price_new; history_demand(iter, :) demand; if abs(price_new - price) convergence_threshold disp([迭代收敛于第 , num2str(iter), 次]); break; end price price_new; end这里用了fzero和fminbnd这两个Matlab内置函数。fzero用来解用户的效用函数导数为零的方程fminbnd用来在给定区间内找无人机效用的最大值。这两个函数是Matlab最基础的数值求解工具对于这种一维问题非常稳定不需要自己去写复杂的梯度下降逻辑。编程实现里有两种路线可选一种是把数学推导做完得到闭式解然后代码里直接代入公式求值速度快且结果准另一种是像上面这样直接用数值方法求解代码写起来简单但每次迭代都要调优化函数速度会慢一些。如果数学功底比较好强烈建议走闭式解的路线仿真效率会高一个数量级。4.4 仿真流程和结果分析整个仿真的流程是这样的先生成信道然后跑博弈迭代得到收敛的信道分配结果再算各种性能指标最后画图。画图部分一般至少需要四张图第一张是价格迭代收敛曲线横轴是迭代次数纵轴是信道价格。这张图能直观看到价格从初值逐步收敛到稳定值的过程一眼就能判断算法是否收敛。第二张是用户信道分配柱状图横轴是用户编号纵轴是分配到的信道数可以看到不同用户之间信道需求的差异。第三张是用户速率分布图对比不同算法比如Stackelberg博弈算法 vs 随机分配 vs 平均分配下每个用户获得的数据速率。第四张是无人机收益和干扰源功率的关系曲线横轴是干扰源功率纵轴是无人机总效用可以看到随着干扰增强无人机的收益如何变化。我实际跑出来的结果有一个很明显的特点Stackelberg博弈得到的系统总效用要明显高于随机分配和平均分配而且用户之间的速率更均匀不会出现有的用户速率特别高、有的用户几乎没法用的情况。这背后的道理是博弈过程会撮合出一个价格信号这个价格信号自动调节了供需关系。信道条件好的用户愿意出更高的价格获得更多信道信道条件差的用户也不会花冤枉钱去抢那些被干扰很严重的信道。整个系统的资源就这样被价格机制自然配置到了最合理的位置。5. 常见问题与调试心得实战避坑记录5.1 迭代不收敛怎么办这是被问得最多的问题。运行完代码发现价格一直在震荡就是不收敛或者干脆数值越变越大直接溢出报错。这个问题九成以上出在两个地方。第一个地方是价格更新步长没调好。最直接的解决方法是缩小步长比如从0.05改到0.01或者在代码里加一个衰减因子让步长随着迭代次数逐渐变小这样即使在最优解附近有震荡振幅也会越来越小最终落下去。第二个更隐蔽的原因是用户的信道需求函数没有唯一解。比如某个用户在某个价格下买一个信道和买三个信道获得的效用一样大这时候fzero可能返回一个随机解导致整个系统震荡。解决办法是检查效用函数的设计确保用户的需求函数在可行域内是严格凹函数这样才能保证有唯一的极值点。5.2 信道增益矩阵的随机性问题信道增益矩阵每次运行都是随机生成的这就导致一个现象代码明明没改两次运行结果差异却很大。有的同学以为程序出了bug急得不行。这不是bug是信道随机性的自然结果。解决办法也简单做仿真对比的时候固定随机种子。在代码最开头加一行rng(42); % 固定随机数种子这样每次跑出来的信道都一样结果就可复现了。做算法对比的时候尤其要注意这一点否则你没法确定性能差异是算法带来的还是信道随机性带来的。5.3 算法对比必须控制变量写论文的时候光有Stackelberg博弈的结果是不够的必须跟其他算法做对比才能体现这个方法的优越性。常见的对比算法有随机信道分配、平均分配、贪心算法、以及多用户均衡博弈。对比实验最需要注意的是控制变量。所有算法必须在完全相同的信道条件和参数条件下运行。最好写一个通用的仿真框架把信道生成和参数初始化放在主文件里三个算法分别做成不同的子函数主文件里统一调用。数据整理上有一个经验不要只比最终指标还要比迭代时间。有时候一个算法效果好但计算时间特别长在真实系统里可能根本用不了。用Matlab的tic和toc函数记录每个算法的运行时间对比结果会更有说服力。5.4 画图细节让结果更专业Matlab画图默认的样式比较朴素直接用于论文或报告视觉效果不够好。我习惯在画图前统一设置一下图形参数set(0, DefaultAxesFontSize, 12); set(0, DefaultLineLineWidth, 1.5); set(0, DefaultAxesFontName, Times New Roman);这样设置之后图里的字体、线宽都会自动变得规范不用每次画图都手动调整。此外几张图放在一起对比时配色和线型要注意区分。比如Stackelberg博弈用红色实线随机分配用蓝色虚线平均分配用黑色点线一眼看过去就分得清清楚楚。5.5 从仿真走向论文几点核心经验项目跑通之后接下来就是把这套工作整理成论文或者报告。这里分享几个我认为最关键的写作经验。第一系统模型图一定要画好。评审专家拿到论文第一眼看的往往就是模型图模型图信息密度高、逻辑清晰整篇文章的可信度立刻就能上一个台阶。画图推荐用Visio或者Matlab自带的绘图工具务必把无人机、用户、干扰源、通信链路、干扰链路全部画清楚。第二数学公式的推导过程要写完整。从系统模型到效用函数从效用函数到Stackelberg均衡中间的推导一步都不能省。很多人在写论文的时候直接从模型跳到结果中间的博弈均衡推导全都省略了这是大忌。评审专家最关注的就是这个推导过程这是整个工作的理论支撑。第三仿真部分要提供复现条件。论文里要把参数设置表格列清楚每个参数什么含义、取什么值、依据是什么都要写明白。这一步既方便评审专家判断仿真结果的可信度也方便其他研究者在你的基础上接着做工作。补充一个很多初学者不会注意的小地方仿真结果图和理论推导最好能够互相印证。比如你的理论推导得到均衡价格跟干扰功率成正比那仿真结果曲线上就应该到处呈现这个趋势。如果理论上推出来是这个趋势仿真结果却对不上那就要回去查模型了这是找建模错误非常有效的一种方式。6. 项目进一步扩展的方向这套模型跑通之后可以扩展的方向其实不少。如果时间充裕在原有基础上做几个扩展点项目的工作量和创新性可以显著提升。一个方向是多无人机协同。这个项目里只有一架无人机真实场景往往需要多架无人机协同覆盖一片区域。多无人机场景下问题就复杂了用户不仅要选择信道还要选择接入哪架无人机这变成了一个双重决策问题博弈的层次也会多一层。另一个方向是动态干扰场景。当前模型里干扰源功率是固定的真实环境中干扰源很可能是移动的或者是功率可变的甚至干扰策略跟无人机之间有对抗关系。把干扰源也建模成一个博弈参与者构成一个三层博弈这样整个模型的层次会更丰富也更有学术价值。再一个方向是把其他因素加进来比如无人机自身的移动性。无人机边缘计算里无人机不是一直悬停不动的它可能要沿着一条路径飞行给沿途的用户提供服务。飞行轨迹优化跟信道分配联合起来做又是一个新的优化问题。这些扩展方向虽然看起来工作量很大但核心方法论跟现在这个项目是一样的建立博弈模型、设计效用函数、求解均衡点、仿真验证。基础打牢了往上加东西就是量变到质变的过程。我个人的体会是做这种带博弈论的项目最重要的不是代码技术有多牛而是建模思路上能不能把物理场景跟数学模型对应起来。很多人的代码写得挺顺畅但模型不对跑出来的结果再怎么分析都没意义。反过来模型想清楚了代码就是水到渠成的事情。这套思路不管是拿来做毕设还是发论文都值得你沉下心来把它吃透。

无人机边缘计算抗干扰信道分配：基于Stackelberg博弈的建模与仿真实践

相关推荐

三相电力电子变压器（PET）的Simulink仿真建模：含中间直流母线

PostgreSQL Table Access Method 实现指南：从回调到存储引擎

artcraft从概念到成品：树脂渐变摆件实操与避坑指南

更多资讯

ANSYS不同单元连接指南：自由度匹配与刚柔选择

从灵感到落地：手作文创的完整创作方法论与避坑指南

AI漫剧工具横评：11款主流软件对比与选型指南

BigDecimal精度陷阱实践：从double误差到金额计算的正确解法

同一篇文档反复检测分数不同？AIGC检测波动原因与有效修改方法

R语言常用函数汇总：数学统计、概率与字符处理全覆盖

今日更新

微信云开发旅游小程序实战：LBS打卡+UGC社交全栈方案

金融AI代理平台核心拆解：从多代理协作到财报分析实战

基于大数据的智慧旅游推荐与可视化平台架构实践

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？