概述
随着下一代物联网（NG-IoT）的快速发展，大规模连接、高网络容量和低时延的需求对通信网络提出了严峻挑战。无人机基站（DBSs）凭借其灵活部署、快速响应的优势，成为弥补传统固定基站不足、拓展物联网覆盖范围、增强网络韧性的关键手段。然而，无人机基站的优化部署面临非线性、多约束、多目标的复杂问题，传统数学规划方法难以高效求解。本文选取布谷鸟搜索（CS）、大象群体优化（EHO）、灰狼优化（GWO）、帝王蝴蝶优化（MBO）、鲨鱼群算法（SSA）和粒子群优化（PSO）六种经典智能优化算法，深入研究其在物联网无人机基站布局规划、路径规划及资源分配中的应用。通过构建数学模型与仿真实验，对比分析各算法在求解效率、优化精度、收敛速度等方面的性能差异，明确不同算法的适用场景，为物联网无人机基站的优化决策提供理论依据与技术支撑。
1 引言
1.1 研究背景
物联网作为新一代信息技术的核心组成部分，已广泛渗透到智能交通、环境监测、工业制造、应急救援等多个领域，推动社会向智能化转型。随着物联网设备数量的激增和业务需求的升级，传统固定基站在复杂地形、偏远地区或突发灾害场景下，暴露出部署成本高、灵活性差、覆盖不足等问题，难以满足物联网设备的通信需求和服务质量要求。
无人机基站作为一种移动空中通信平台，可快速部署、灵活调整位置，能够有效弥补固定基站的短板，在应急通信、偏远地区覆盖、热点区域流量卸载等场景中发挥重要作用。然而，无人机基站的优化运行面临诸多挑战：有限的能量储备限制了续航时间，空地链路的信号衰减影响通信质量，三维空间中的部署位置、飞行路径及资源分配需同时兼顾多个优化目标（如覆盖最大化、时延最小化、能耗最低化），这些问题共同构成了复杂的多目标优化问题，传统优化方法难以实现高效求解。
智能优化算法源于对生物群体行为的模拟，具有全局搜索能力强、自适应特性好、无需复杂数学建模等优势，为解决物联网无人机基站的优化问题提供了全新思路。布谷鸟搜索（CS）、大象群体优化（EHO）、灰狼优化（GWO）、帝王蝴蝶优化（MBO）、鲨鱼群算法（SSA）和粒子群优化（PSO）作为六种典型的群体智能算法，各自具备独特的搜索机制和性能优势，已在各类复杂优化问题中得到广泛应用。因此，系统研究这六种算法在物联网无人机基站优化中的应用，对比其性能差异，具有重要的理论价值和实际意义。
1.2 研究意义
本文的研究意义主要体现在理论和实践两个层面：在理论层面，通过系统梳理六种优化算法的核心原理，构建适用于物联网无人机基站的优化模型，丰富智能优化算法在通信领域的应用研究，为多算法对比分析提供标准化的实验框架；在实践层面，明确不同优化算法在无人机基站部署、路径规划及资源分配中的适用场景，为工程实践中算法的选择和改进提供指导，助力提升物联网无人机基站的运行效率、覆盖质量和能源利用率，推动无人机通信与物联网技术的深度融合。
1.3 研究内容与框架
本文围绕六种优化算法在物联网无人机基站中的应用展开研究，具体内容如下：首先，阐述物联网无人机基站的核心需求和优化目标，梳理六种优化算法的核心原理与实现流程；其次，构建物联网无人机基站优化模型，明确优化约束条件和目标函数；再次，通过 Matlab 仿真实验，对比六种算法在不同场景下的性能表现；最后，总结各算法的优劣的适用场景，提出未来研究方向。本文的研究框架清晰，层层递进，确保研究内容的系统性和完整性。
2 相关理论基础
2.1 物联网无人机基站核心优化需求
物联网无人机基站的优化核心围绕'覆盖、效率、能耗'三大目标展开，具体包括：一是覆盖最大化，确保无人机基站的信号覆盖范围能够满足物联网设备的通信需求，减少覆盖盲区；二是时延最小化，优化无人机基站的位置和通信链路，降低数据传输时延，满足实时业务需求；三是能耗最低化，合理规划无人机的飞行路径和工作模式，延长续航时间，降低运行成本；四是资源分配最优化，合理分配通信带宽、功率等资源，提升网络容量和服务质量。这些优化目标相互关联、相互约束，构成了多目标优化问题，需要高效的优化算法实现多目标的平衡。
2.2 六种优化算法核心原理与实现
2.2.1 布谷鸟搜索（CS）算法
布谷鸟搜索算法由 Yang 和 Deb 于 2009 年提出，模拟布谷鸟的寄生繁殖行为和莱维飞行机制实现全局搜索。其核心原理在于：布谷鸟随机选择宿主鸟巢产蛋，若新蛋被宿主发现，宿主会抛弃该巢或破坏蛋，通过这种方式实现种群的更新；莱维飞行机制使布谷鸟在搜索过程中能进行长距离跳跃，有效跳出局部最优，增强全局搜索能力。
在物联网无人机基站优化中，CS 算法可用于确定无人机基站的最佳位置，以最大化网络覆盖并最小化路径损耗。算法通过迭代更新布谷鸟的位置（对应无人机基站的部署位置），逐步逼近最优解，其随机游走特性有助于在三维搜索空间中寻找全局最优解，适用于需要较强全局搜索能力的场景。
2.2.2 大象群体优化（EHO）算法
大象群体优化算法受大象群体生活习性启发，模拟大象的觅食、迁徙、社交等行为实现解空间的搜索。大象群体中存在领导者，其他大象会根据领导者的位置和行为调整自身行动，觅食时会考虑食物源的质量和距离，迁徙过程中会受到环境因素影响，这些行为规则被转化为算法的更新公式，不断优化解的质量。
在无人机基站研究中，EHO 算法可用于解决三维空间中的基站部署问题，通过模拟象群的协作行为快速有效地找到最优或次优的基站位置；同时，该算法还可应用于无人机路径规划，尤其是在复杂地形下的避障和三维航迹规划，展现出较强的环境适应性。
