CN109164826B - 一种基于改进蚁群算法的大规模无人集群控制方法 - Google Patents

一种基于改进蚁群算法的大规模无人集群控制方法 Download PDF

Info

Publication number
CN109164826B
CN109164826B CN201810928381.8A CN201810928381A CN109164826B CN 109164826 B CN109164826 B CN 109164826B CN 201810928381 A CN201810928381 A CN 201810928381A CN 109164826 B CN109164826 B CN 109164826B
Authority
CN
China
Prior art keywords
node
information
control
position quality
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810928381.8A
Other languages
English (en)
Other versions
CN109164826A (zh
Inventor
迟凯
吴道龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 20 Research Institute
Original Assignee
CETC 20 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 20 Research Institute filed Critical CETC 20 Research Institute
Priority to CN201810928381.8A priority Critical patent/CN109164826B/zh
Publication of CN109164826A publication Critical patent/CN109164826A/zh
Application granted granted Critical
Publication of CN109164826B publication Critical patent/CN109164826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/14Relay systems
    • H04B7/15Active relay systems
    • H04B7/185Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502Airborne stations
    • H04B7/18506Communications with or from aircraft, i.e. aeronautical mobile service

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于改进蚁群算法的大规模无人集群控制方法,针对传统蚁群算法收敛速度慢,在多目标情况下不易收敛导致节点无法完成路径规划的问题,通过无人节点中的任务节点自发探测目标区域,并形成多等级的位置质量信息逐级传播,未处于目标区域的无人节点根据位置质量信息的梯度变化,自主进行路径规划,最终区域范围内的所有无人节点都能够收敛到多个目标区域范围内,协同完成任务。本发明能够提升无人集群对环境的自主适应能力,增强协同效果,从而提升协同任务效能。

Description

一种基于改进蚁群算法的大规模无人集群控制方法
技术领域
本发明属于无人系统控制技术领域,涉及一种大规模无人节点控制策略。
背景技术
大规模无人集群协同能够完成复杂的任务,在民用领域如大型测绘、抗险救灾,军用领域如协同侦查、协同干扰等均有广泛应用。然而目前无人机的操控需要1至3名人员在后方控制,大规模的集群协作需要数量庞大的操控人员,不具有可行性。此外,传统的组网及测控技术也无法满足大规模集群对于复杂动态环境的高适应性要求,无法发挥出集群协作的优势。加强无人机集群控制技术研发与应用是提升无人集群协同的重要手段。
传统的蚁群算法存在收敛很慢容易发散,多目标时无法收敛的问题,不适用于大规模无人集群。
发明内容
为了克服现有技术的不足,本发明提供一种基于改进蚁群算法的大规模无人集群控制方法,基于智能集群理论的动态协同策略,能够实现后方极少数控制人员监视控制大量无人机集群。本发明能够提升无人集群对环境的自主适应能力,增强协同效果,从而提升协同任务效能。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1,在包含任务节点和控制节点的网络中,遍历所有节点,判断当前节点类型,如果是任务节点,转到步骤2,如果是控制节点,转到步骤7;
步骤2,任务节点探测周围区域,若发现自身不处于目标区域中,转到步骤3;若发现自身处于目标区域中,则标记自己为1级位置质量节点,并向周围一跳通信范围发送1级位置质量信息,然后返回步骤1;
步骤3,任务节点p尝试接收位置质量信息,如果接收不到任何位置质量信息,转到步骤5;如果接收到d级位置质量信息,则标记自身为d+1级位置质量节点,并向周围一跳通信范围发送d+1级位置质量信息;
节点p标记自身信息强度S(t+1,p)=E*S(t,p)+r(t,p)+q(t,p),其中,S(t,p)表示t时刻节点p的质量位置信息强度;r(t,p)表示t时刻额外的质量位置信息强度输入,由新加入网络中的节点产生;E∈(0,1)为信息元素减弱参数;q(t,p)表示在t时刻传播到节点p的质量位置信息强度,
Figure BDA0001765910270000021
N表示节点间的邻居关系;F∈(0,1]为质量信息传播参数;转到步骤4;
步骤4,任务节点将本地接收的位置质量信息按照等级排序,朝向等级最高的位置质量信息标记区域移动;转到步骤2;
步骤5,任务节点尝试接收控制节点的区域引导信息,如果接收不到控制节点的区域引导信息,则进行随机移动,之后返回步骤2;如果接收到区域引导信息,转到步骤6;
步骤6,任务节点按照区域引导信息的方向进行路径调整,向引导区域移动,之后返回步骤2;
步骤7,控制节点探测周围区域,从控制链路上尝试接收区域引导信息,如果未接收到区域引导信息,转到步骤8;接收到区域引导信息后,转到步骤9;
步骤8,控制节点尝试接收位置质量信息,若未发现周围存在位置质量信息,则进行随机移动,转到步骤7;若接收到位置质量信息,则将位置质量信息生成区域引导信息,并通过控制节点间的控制链路在所有控制节点中共享;同时向周围广播区域引导信息;转到步骤1;
步骤9,控制节点尝试接收位置质量信息,未发现周围存在位置质量信息,则向周围广播区域引导信息;接收到位置质量信息,则将位置质量信息与本地控制信道接收到的区域引导信息等级进行比对,将等级高者生成为新的区域引导信息,通过控制节点间的控制链路在所有控制节点中共享;同时向周围广播区域引导信息;转到步骤1。
本发明的有益效果是:
1)本发明面向大规模无人集群控制,传统的点对点控制链路方法无法对大规模集群进行控制,必须采用集群控制的策略完成任务协同。本发明提出的带有控制节点的改进蚁群策略,能够有效加速收敛,使得无人节点自主探测目标区域并形成梯度信息,自主路径规划引导无人节点到达目标区域进行协同,不需要对每个无人节点分别进行控制引导,极大的提升了大规模无人系统执行复杂任务的协同效能。
2)传统的以蚁群算法为代表的集群策略存在收敛速度很慢甚至无法收敛导致系统发散和紊乱的问题。本发明引入了能够保证网络一致性收敛的控制节点信息,能够快速对无法进入信息梯度进行收敛的节点进行引导,加快收敛过程,有效避免因为收敛过慢造成的路径规划失败无法协同的问题。
3)本发明采用一跳通信范围逐级传递信息的服务规则,对系统整体而言,具有减小系统开销,节省无人系统能耗的作用,即节省了系统资源。
附图说明
图1是本发明的整体流程示意图;
图2是本发明中任务节点的集群算法流程示意图;
图3是本发明中控制节点的集群算法流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明主要面向空中大规模无人节点,节点通过协同算法自主协同进行航路规划控制,进而完成大规模协同任务,具体是一种基于改进的蚁群算法的大规模无人节点控制策略,用于大规模无人集群协同。
针对传统蚁群算法收敛速度慢,在多目标情况下不易收敛导致节点无法完成路径规划的问题,本发明引入了无人控制节点,控制节点探测到目标区域的位置质量信息,生成区域引导信息,并通过控制节点间的控制链路在多个控制节点之间共享。控制节点按照预先路径设计,其路径尽可能大范围的覆盖任务节点所处的整个区域,未捕获到位置质量信息的无人任务节点可在控制节点的引导区域信息的指引下,大概率的向目标区域小范围移动,并能快速的接收到位置质量信息从而迅速收敛。本发明属于无人系统控制技术领域,在不采用传统的一对一控制链路的情况下,能够实现大规模广域范围的无人集群自主路径规划和目标协同,有效降低无人集群的管理复杂度,提升容错性和智能性,有效支撑无人集群系统的自主协同。
本发明提出的提升无人集群自主性、智能型的基于改进蚁群算法的大规模控制策略,包含两种节点类型,定义为:任务节点,执行具体侦查探测收集数据等具体任务的无人节点。控制节点,不执行具体任务,对网络进行收敛性控制的节点。实现本发明目的的技术方案包括如下步骤:
步骤1,遍历网络中所有节点,判断当前节点类型,如果是任务节点,转到步骤2,如果是控制节点,转到步骤7。
步骤2,任务节点探测周围区域,发现自身不处于目标区域中,转到步骤3;发现自身处于目标区域中,则标记自己为1级位置质量节点,并向周围一跳通信范围内发送1级位置质量信息。返回步骤1。
步骤3,任务节点尝试接收位置质量信息,如果接收不到任何位置质量信息,转到步骤5。
如果接收到1级位置质量信息,则标记自身为2级位置质量节点,并向周围一跳通信范围发送2级位置质量信息;如果接收到2级位置质量信息,则标记自身为3级,发送3级位置质量信息,以此类推;节点自身按照如下公式标记自身信息强度:
S(t+1,p)=E*S(t,p)+r(t,p)+q(t,p) (1)
其中,p={pi}表示网络中所有节点的集合;S(t,p)表示t时刻节点的质量位置信息强度;r(t,p)表示t时刻额外的质量位置信息强度输入,由新加入网络中的节点产生;q(t,p)表示在t时刻传播到节点p的质量位置信息强度,由节点的一跳范围邻居节点产生;E∈(0,1)为信息元素减弱参数。
公式(1)描述了在节点p处信息元素强度的变化,第一项为随时间弱化的强度,第二项为新的输入带来的信息元素加强的强度,第三项为邻居节点发送的信息元素带来的强度。
节点按照如下公式,标记发出的位置质量信息强度:
Figure BDA0001765910270000041
N表示节点间的邻居关系;q(t+1,p)为发出的质量信息强度标记,F∈(0,1]为质量信息传播参数。公式(2)描述了网络中以节点p为邻居节点的节点,将本地位置质量信息强度按照一定比例发送至p,比例取决于发送参数F以及邻居节点数量。转到步骤4。
步骤4,任务节点将本地接收的位置质量信息按照等级排序,朝向等级最高的位置质量信息标记区域进行移动。转到步骤2。
步骤5,任务节点尝试接收控制节点的区域引导信息,如果接收不到控制节点的区域引导信息,则进行随机移动,之后返回步骤2。如果接收到区域引导信息,转到步骤6。
步骤6,任务节点接收到区域引导信息,按照引导信息的方向进行路径调整,向引导区域移动,之后返回步骤2。
步骤7,控制节点探测周围区域,从控制链路上尝试接收区域引导信息,如果未接收到区域引导信息,转到步骤8;接收到区域引导信息后,转到步骤9。
步骤8,控制节点尝试接收位置质量信息,未发现周围存在位置质量信息,则进行随机移动,转到步骤7。接收到位置质量信息,则将位置质量信息生成区域引导信息,并通过控制节点间的控制链路在所有控制节点中共享。同时向周围广播区域引导信息。转到步骤1。
步骤9,控制节点尝试接收位置质量信息,未发现周围存在位置质量信息,则向周围广播区域引导信息;接收到位置质量信息,则将位置质量信息与本地控制信道接收到的区域引导信息等级进行比对,将等级高者生成为新的区域引导信息,通过控制节点间的控制链路在所有控制节点中共享。同时向周围广播区域引导信息。转到步骤1。
本发明采用带有控制节点的改进的蚁群策略,在任务节点之间传递不同等级的位置质量信息,形成信息梯度差,节点按照梯度移动准则能够自主路径规划,同时对目标区域的变更具有极强的适应能力。控制节点的作用在于提升整个系统的收敛能力,避免多个目标区域的情况下,信息传递慢导致的系统收敛慢或无法收敛。
本实施例通过一个具体场景的仿真来说明本发明的实施过程。
1.仿真场景
归一化任务场景为10×10单位空间,节点的1跳通信范围为1个单位。网络中有1000个无人任务节点和100个无人控制节点。其中任务场景中有6个目标区域。1000个无人任务节点和100个无人控制节点都随机分布在任务场景中。
2.仿真具体实现
本发明是一种基于改进蚁群算法的大规模无人集群控制方法,仿真包括如下步骤:
步骤1,遍历网络中所有节点,首先判断当前节点类型,如果是任务节点,转到步骤2,如果是控制节点,转到步骤7。
步骤2,任务节点探测周围区域,发现自身不处于目标区域中,转到步骤3;发现自身处于目标区域中,则标记自己为1级位置质量节点,并向周围一跳通信范围内发送1级位置质量信息。由于1000个任务节点随机分布,在本次仿真中,有145个节点探测到目标区域,将自己设置为一级位置质量信息节点,向周围1个单位范围内传播位置质量信息。返回步骤1。
步骤3,任务节点尝试接收位置质量信息,如果接收不到任何位置质量信息,转到步骤5。如果接收到位置质量信息,则进行处理,本次仿真中靠近一级位置质量信息节点的203个节点接收到1级位置质量信息,将自身标记为2级位置质量节点,并按照如下公式更新信息强度:
S(t+1,p)=E*S(t,p)+r(t,p)+q(t,p) (1)
其中,p={pi}表示网络中所有节点的集合;S(t,p)表示信息元素强度;r(t,p)表示额外的信息元素强度输入,由新加入网络中的节点产生,此刻为0;q(t,p)表示在t时刻传播到节点p的信息元素强度;E∈(0,1)为信息元素减弱参数,设置为0.5;则假设203个点中某一点p接收到10个单位强度的位置质量信息,则下一时刻该点p的信息强度约束为:S(t+1,p)=0.5*S(t,p)+10。
之后任务节点按照如下公式,将2级位置质量信息发送至周围一跳通信范围,
Figure BDA0001765910270000061
N表示节点间的邻居关系,F∈(0,1]为信息元素传播参数,设置为1,r(t,p)为0。(2)式描述了以p为邻居的节点发出的位置质量约束。假定p点1跳通信范围内有15个邻居节点,则点p向每个邻居节点发出的位置质量发送约束为:
Figure BDA0001765910270000062
收到二级位置质量信息的节点标记自身为3级位置质量节点,继续上述过程。本次仿真中,总共传播了4次,形成了1级到5级位置质量信息节点。占1000个节点中的507个,下一步通过信息传播,将扩散至所有节点。转到步骤4。
步骤4,任务节点将本地接收的位置质量信息按照等级排序,按照等级最高的位置质量信息标记区域进行移动。本地接收消息处理之后位置质量信息中最高等级为1级、其次为2级,以此类推。转到步骤2,进行新一轮的位置质量信息传递。
步骤5,493个任务发现自身不处于目标区域中,同时也接收不到任何位置质量信息,尝试接收控制节点的区域引导信息,如果接收不到控制节点的区域引导信息,则进行随机移动,之后返回步骤2再次搜索。如果接收到区域引导信息,转到步骤6。
步骤6,任务节点接收到区域引导信息,按照引导信息的方向进行路径调整,向引导区域移动,之后返回步骤2。
步骤7,100个控制节点初始化后探测周围区域,从控制链路上尝试接收区域引导信息,如果未接收到区域引导信息,转到步骤8,;接收到区域引导信息后,转到步骤9
步骤8,控制节点尝试接收位置质量信息,51个节点未发现周围存在位置质量信息,则进行随机移动,转到步骤7。有49个节点发信周围存在位置质量信息后,生成引导区域信息,并通过控制节点专用链路在所有100控制节点中共享。同时向周围广播区域引导信息。返回步骤1。
步骤9,控制节点尝试接收位置质量信息,未发现周围存在位置质量信息,则向周围广播区域引导信息;接收到位置质量信息,则将位置质量信息与本地控制信道接收到的区域引导信息等级进行比对,将等级高者生成为新的区域引导信息,通过控制节点间的控制链路在所有控制节点中共享。同时向周围广播区域引导信息。返回步骤1。
仿真结果:在控制节点的引导区域信息的作用下,5个等级的位置质量信息迭代三此,场景中995个节点即能通过位置质量信息等级由低向高的方向移动,收敛至目标区域附近,即可认为完成了集群自主路径规划。

Claims (1)

1.一种基于改进蚁群算法的大规模无人集群控制方法,其特征在于包括下述步骤:
步骤1,在包含任务节点和控制节点的网络中,遍历所有节点,判断当前节点类型,如果是任务节点,转到步骤2,如果是控制节点,转到步骤7;
步骤2,任务节点探测周围区域,若发现自身不处于目标区域中,转到步骤3;若发现自身处于目标区域中,则标记自己为1级位置质量节点,并向周围一跳通信范围发送1级位置质量信息,然后返回步骤1;
步骤3,任务节点p尝试接收位置质量信息,如果接收不到任何位置质量信息,转到步骤5;如果接收到d级位置质量信息,则标记自身为d+1级位置质量节点,并向周围一跳通信范围发送d+1级位置质量信息;
任务节点p标记自身信息强度S(t+1,p)=E*S(t,p)+r(t,p)+q(t,p),其中,S(t,p)表示t时刻任务节点p的质量位置信息强度;r(t,p)表示t时刻额外的质量位置信息强度输入,由新加入网络中的节点产生;E∈(0,1)为信息元素减弱参数;q(t,p)表示在t时刻传播到任务节点p的质量位置信息强度,
Figure FDA0003096764000000011
公式q(t+1,p)描述了以p为邻居的节点发出的位置质量约束,N表示节点间的邻居关系;F∈(0,1]为质量信息传播参数;转到步骤4;
步骤4,任务节点将本地接收的位置质量信息按照等级排序,朝向等级最高的位置质量信息标记区域移动;转到步骤2;
步骤5,任务节点尝试接收控制节点的区域引导信息,如果接收不到控制节点的区域引导信息,则进行随机移动,之后返回步骤2;如果接收到区域引导信息,转到步骤6;
步骤6,任务节点按照区域引导信息的方向进行路径调整,向引导区域移动,之后返回步骤2;
步骤7,控制节点探测周围区域,从控制链路上尝试接收区域引导信息,如果未接收到区域引导信息,转到步骤8;接收到区域引导信息后,转到步骤9;
步骤8,控制节点尝试接收位置质量信息,若未发现周围存在位置质量信息,则进行随机移动,转到步骤7;若接收到位置质量信息,则将位置质量信息生成区域引导信息,并通过控制节点间的控制链路在所有控制节点中共享;同时向周围广播区域引导信息;转到步骤1;
步骤9,控制节点尝试接收位置质量信息,未发现周围存在位置质量信息,则向周围广播区域引导信息;接收到位置质量信息,则将位置质量信息与本地控制信道接收到的区域引导信息等级进行比对,将等级高者生成为新的区域引导信息,通过控制节点间的控制链路在所有控制节点中共享;同时向周围广播区域引导信息;转到步骤1。
CN201810928381.8A 2018-08-15 2018-08-15 一种基于改进蚁群算法的大规模无人集群控制方法 Active CN109164826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810928381.8A CN109164826B (zh) 2018-08-15 2018-08-15 一种基于改进蚁群算法的大规模无人集群控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810928381.8A CN109164826B (zh) 2018-08-15 2018-08-15 一种基于改进蚁群算法的大规模无人集群控制方法

Publications (2)

Publication Number Publication Date
CN109164826A CN109164826A (zh) 2019-01-08
CN109164826B true CN109164826B (zh) 2021-07-16

Family

ID=64895804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810928381.8A Active CN109164826B (zh) 2018-08-15 2018-08-15 一种基于改进蚁群算法的大规模无人集群控制方法

Country Status (1)

Country Link
CN (1) CN109164826B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814598B (zh) * 2019-02-25 2021-02-19 中国科学院地理科学与资源研究所 无人机低空公共航路网设计方法
WO2021102951A1 (zh) * 2019-11-29 2021-06-03 深圳市大疆创新科技有限公司 数据处理方法、无人机和计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186145A (zh) * 2011-05-04 2011-09-14 西安电子科技大学 基于地理位置和速度信息的空中高速自组织路由方法
CN103067524A (zh) * 2013-01-18 2013-04-24 浪潮电子信息产业股份有限公司 一种基于云计算环境的蚁群优化计算资源分配方法
CN105791117A (zh) * 2016-03-21 2016-07-20 广东科学技术职业学院 一种基于蚁群算法快速求解QoSR的方法
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106452841A (zh) * 2016-09-13 2017-02-22 中国电子科技集团公司第三十二研究所 在机器人操作系统中使用传输服务质量的方法
CN106774331A (zh) * 2016-12-30 2017-05-31 广东华中科技大学工业技术研究院 一种分布式控制无人艇集群分簇编队方法
CN107037829A (zh) * 2017-05-09 2017-08-11 广东容祺智能科技有限公司 一种集群无人机航线规划方法
CN107491343A (zh) * 2017-09-08 2017-12-19 中国电子科技集团公司第二十八研究所 一种基于云计算的跨集群资源调度系统
EP3301826A1 (en) * 2016-09-29 2018-04-04 EE Limited Cellular telephony

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN106705970B (zh) * 2016-11-21 2020-07-07 中国航空无线电电子研究所 一种基于蚁群算法的多无人机协同路径规划方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186145A (zh) * 2011-05-04 2011-09-14 西安电子科技大学 基于地理位置和速度信息的空中高速自组织路由方法
CN103067524A (zh) * 2013-01-18 2013-04-24 浪潮电子信息产业股份有限公司 一种基于云计算环境的蚁群优化计算资源分配方法
CN105791117A (zh) * 2016-03-21 2016-07-20 广东科学技术职业学院 一种基于蚁群算法快速求解QoSR的方法
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106452841A (zh) * 2016-09-13 2017-02-22 中国电子科技集团公司第三十二研究所 在机器人操作系统中使用传输服务质量的方法
EP3301826A1 (en) * 2016-09-29 2018-04-04 EE Limited Cellular telephony
CN106774331A (zh) * 2016-12-30 2017-05-31 广东华中科技大学工业技术研究院 一种分布式控制无人艇集群分簇编队方法
CN107037829A (zh) * 2017-05-09 2017-08-11 广东容祺智能科技有限公司 一种集群无人机航线规划方法
CN107491343A (zh) * 2017-09-08 2017-12-19 中国电子科技集团公司第二十八研究所 一种基于云计算的跨集群资源调度系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多无人机系统协同多任务分配模型与仿真;龙国庆 等;《飞行力学》;20110831;第29卷(第4期);第69-71页 *
舰载小型无人机集群协同作战的智能控制策略研究;迟凯;《舰船电子对抗》;20180630;第41卷(第3期);第20-23,58页 *

Also Published As

Publication number Publication date
CN109164826A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
Peng et al. Vehicular communications: A network layer perspective
Rabbat et al. Decentralized source localization and tracking [wireless sensor networks]
Yan et al. Task allocation and route planning of multiple UAVs in a marine environment based on an improved particle swarm optimization algorithm
CN109164826B (zh) 一种基于改进蚁群算法的大规模无人集群控制方法
CN103365293A (zh) 一种基于动态区域划分的机器人安全路径规划方法
Mallmann-Trenn et al. Crowd vetting: Rejecting adversaries via collaboration with application to multirobot flocking
Han et al. Early warning obstacle avoidance-enabled path planning for multi-AUV-based maritime transportation systems
Liu et al. Improved AODV routing protocol based on restricted broadcasting by communication zones in large-scale VANET
CN102065446B (zh) 面向群组移动环境的拓扑控制系统及控制方法
Hasson et al. A clustering approach to model the data dissemination in VANETs
Li et al. An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems
Kim et al. Localization of multiple unknown transient radio sources using multiple paired mobile robots with limited sensing ranges
Koshimizu et al. Normalized multi-dimensional parameter based affinity propagation clustering for cellular V2X
CN114442664A (zh) 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法
Amudhavel et al. An robust recursive ant colony optimization strategy in VANET for accident avoidance (RACO-VANET)
Zhu et al. A prediction-based route guidance method toward intelligent and green transportation system
Adrian et al. ABNC: Adaptive Border Node Clustering Using Genes Fusion Based on Genetic Algorithm to Support the Stability of Cluster in VANET.
Krayani et al. Integrated sensing and communication for joint gps spoofing and jamming detection in vehicular v2x networks
CN116405503A (zh) 一种无人机集群网络拓扑推断方法
Khalil et al. Artificial Intelligence-based intrusion detection system for V2V communication in vehicular adhoc networks
CN115993839A (zh) 一种通信受限状况下多无人机协同对地搜索在线规划方法
Pandey et al. IoV Enabled Route Optimization Technique for Combat Vehicles
Yang et al. UAV‐Based Collaborative Electronic Reconnaissance Network for 6G
Marwah et al. Congestion-free routing based on a hybrid meta-heuristic algorithm to provide an effective routing protocol by analyzing the significant impacts of QoS parameters in a dynamic VANET environment
Chanak et al. Quad-tree approach for obstacle discovery and tracking in wireless sensor networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant