CN109587055A - 一种微纳星群拓扑快速重建方法 - Google Patents

Abstract

本发明提供了一种微纳星群拓扑快速重建方法，其包括步骤为：星群网络拓扑构建；星群网络拓扑构型优化；星群拓扑快速重建。本发明用人工鱼群算法优化星群网络拓扑，网络通信距离短、拓扑生存时间长，实现最优的网络拓扑构型；针对拓扑动态变化以及网络节点增加或减少的问题，利用Dijkstra算法重新快速构建网络拓扑。本发明解决了空间网络动态拓扑优化与快速重建问题，可应用于大规模星群的复杂网络拓扑构建方面。

Description

一种微纳星群拓扑快速重建方法

技术领域

本发明涉及纳卫星集群飞行技术。属于卫星系统总体设计技术领域。

背景技术

目前卫星集群技术已经得到国内外学者的重视，正处于技术研究和技术储备阶段，很多关键技术发展仍不成熟，其中包括：无线通信技术、网络拓扑技术、集群飞行技术、分布式计算技术以及分布式载荷操作技术等。

网络拓扑技术是星群自组织网络技术。其工作模式和拓扑特性不同于地面其他相似的系统，需要更加完善其在拓扑控制方面的协议，使其更适合空间组网通信特性。空间网络拓扑主要特点是网络拓扑结构不断改变，各节点发送和接收带宽有限，传输功率受限，每个节点的覆盖范围较小。因此，需要设计优化的网络拓扑结构，以保证网络的通信覆盖度、通信范围等。在网络节点增加或减少时，快速重建拓扑网络，以保证星群的连通性。

现有网络拓扑技术的基本模型均是建立在地面环境下，不能很好地适应空间特殊环境。而针对空间的网络拓扑，现有技术仅支持若干颗星的拓扑，对复杂的空间网络拓扑研究较少。

自组织网络技术的研究分为两个方向：功率控制和睡眠调度。功率控制简化为一个图论问题，睡眠控制算法主要是控制网络中暂时无任务执行的节点，将其状态设置为睡眠从而实现网络整体能好点减低，延长网络生命周期。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供了一种微纳星群拓扑快速重建方法，解决了大规模星群网络拓扑优化以及快速重建的问题。

一种微纳星群拓扑快速重建方法，包括如下步骤：

步骤一，星群网络拓扑构建

采用无线自组织网络中的分级结构，网络被划分为多个簇，每个簇由一个簇头和多个簇成员组成，这些簇头形成了上一级骨干网络，在上一级网络中又可以分簇，再次形成更上一级的网络，直至最上级；

步骤二，星群网络拓扑优化

采用人工鱼群算法，模拟鱼的觅食、聚群、追尾、随机行为，采用自下而上的设计方法，从构造一条鱼的底层行为做起，通过鱼群中每一条人工鱼个体的局部寻优，来达到找到群体中全局最优值的目的；

步骤三，星群拓扑快速重建

当非簇头节点发生故障，要求该星簇内部经过重建或引入外部星簇节点能够恢复功能，当簇头节点发生故障，要求动态快速的在星簇内选取头节点，重新建立拓扑结构。

本发明与现有技术相比的有益效果是：

(1)本发明由于采用分层结构，星群网络被划分为多个簇，每个簇包括一个簇头，然后簇头间组建成更高一层的骨干网络。这种网络结构规模不受限制，可以随时根据需求扩充网络中节点的数量，增强网络的功能；并且，网络中数据路由和控制信号的能量开销较小，有利于延长网络生命周期。

(2)本发明采用人工鱼群算法，模拟了鱼的觅食、聚群、追尾、随机行为，采用自下而上的设计方法，从构造一条鱼的底层行为做起，通过鱼群中每一条人工鱼个体的局部寻优，来达到找到群体中全局最优值的目的。优点是对初值设置不敏感、算法的鲁棒性强、全局优化能力强。

(3)当非簇头节点发生故障，要求该星簇内部经过重建或引入外部星簇节点能够恢复功能，或者当簇头节点发生故障，要求动态快速的在星簇内选取头节点时，本发明采用Dijkstra算法，通过最短路径搜索，重新建立最优的网络拓扑结构，或者重新选取最优的星簇头节点。

附图说明

图1为本发明实施例的星群拓扑构建方案流程图；

图2为发明实施例的簇群归属优化示意图；

图3为发明实施例的星群拓扑结构快速重建算法流程图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细说明。

本发明提供了一种微纳星群拓扑快速重建方法。

以下从星群拓扑构建、拓扑优化和拓扑快速重建三个方面进行说明：

(1)星群拓扑构建

分层结构将网络划分为多个簇，星群网络被划分为多个簇，每个簇包括一个簇头。然后簇头间组建成更高一层的骨干网络。在每个簇内，其余所有模块航天器均直接同簇头航天器进行数据交换，簇头航天器再同骨干网络中其余航天器进行通信，这种通信模式使得簇头的能力消耗比较快。所以，在分层结构中需要依赖簇头选举算法周期性地选举出新簇头。但是，这种网络结构规模不受限制，可以随时根据需求扩充网络中节点的数量，增强网络的功能；并且，网络中数据路由和控制信号的能量开销较小，有利于延长网络生命周期。

每一个航天器节点均可以通过已知的轨道六根数计算出当前时刻邻居航天器的轨道参数，然后基于改进的微粒群拓扑构建算法计算出整个网络的邻接矩阵。最后根据最危险路径，确定下一时刻的拓扑更新。

集群航天器拓扑构建方案具体算法过程和流程如下。

步骤1：为拓扑更新初始化阶段。上一网络拓扑生命末期的某一时刻，即上一次拓扑确定时计算得到的某一时刻(通常为网络拓扑生命时长Tl的80％，该时间过短会导致网络更新频繁，浪费网络节点能量消耗；过长会太靠近拓扑存活结束那一时刻，拓扑可能因为突然中断造成数据传输错误，降低通信性能)，网络中基础服务型航天器进入拓扑更新初始化阶段，而功能型航天器在时间Td后才进入初始化阶段。初始化阶段是指，节点u根据内部储存的所有星历轨道数据以及UBG算法计算出邻居节点集合v(u)。

步骤2：为拓扑更新准备阶段。步骤1结束后，所有的航天器均得到一个邻居节点集合，然后将该集合中节点按照由近及远||uv_i||≤||uv_i+1||排序，其中，i∈(1,m)，且m是邻居节点数量。然后将每一个邻居节点所对应的处理标识置零(未处理)，即PROCESSED(v_i)＝0。

步骤3：为微粒群拓扑构建阶段。每颗执行到第三步骤的航天器均执行以下操作：若邻居节点v_i满足PROCESSED(v_i)＝0，则以连线uv_i为中心线建立张角为θ的通信锥角，并将该锥角内其它邻居节点v_j(其中，j∈(1,m),j≠i)对应的处理标识置1(已处理)，即PROCESSED(v_i)＝1。将边uv_i加入拓扑图的边集E。每颗航天器经过该步骤会得到微粒群拓扑图，即得到整个网络基本路由表。

步骤4：为拓扑优化阶段。各航天器节点将微粒群邻居节点中满足关系||uv_i||＞E_d，且m＞β的节点从邻居集合中删除，这样得到最终拓扑结构图。同时，判断该拓扑最危险路径，即确定该网络拓扑存活时长Tl，并将该0.8Tl对应的时刻作为下一次拓扑更新时间。

步骤5：为拓扑确认维护阶段。由于步骤1中功能型航天器延迟初始化，基础服务型航天器首先广播信息并要求对应的邻居航天器给予恢复，T_d时间后，功能型航天器作出相同操作。若航天器没有接收到邻居航天器恢复，则广播全网搜索航天器，并将其归为异常航天器，然后在邻居航天器集合中将其列为不可达。

(2)星群拓扑优化

星群网络的自组织成簇过程就是基于网络分层体系结构下的路由优化过程，包括簇头节点形成阶段和簇内路由生成阶段。

簇头节点选取标准主要有：

a.由于簇头节点不仅要与簇内成员进行通讯传输，还有进行簇之间的通讯传输任务，因此要求簇头节点数据容量较大、计算能力强；

b.簇头节点周边子节点的密度要高，保证其覆盖性；

c.考虑簇内通讯代价，簇头节点应该分布在任务量大的传感器节点附近。

建立星群成簇问题模型以及多目标优化问题模型。星群节点集为V＝{v₁,v₂,…,v_n,v_n+1,…,v_m}，v₁,v₂,…,v_n是子节点，v_n+1,…,v_m是选出来的簇头节点。W＝{W_ij|i,j-1,2,…,m}是星间传输数据的代价集。定义x_ij∈{0,1}，x_ij＝1时表示节点i和j直接连接，且表示i到j方向，x_ij＝0时表示节点i和j非直接连接。每个子节点只能和邻近的节点进行通讯传输，因此子节点可能需要经由父节点多跳才能到达簇头节点。数学优化模型的目的是寻找一个网络拓扑，能够使每个子节点将数据发送到簇头节点所消耗的总能量与簇头节点之间数据传输所消耗的总能量的总和最小

对于该优化问题，不仅计算量大且计算复杂，有效的思路是通过群体智能算法来寻求最优解。人工鱼群算法模拟了鱼的觅食、聚群、追尾、随机行为，采用自下而上的设计方法，从构造一条鱼的底层行为做起，通过鱼群中每一条人工鱼个体的局部寻优，来达到找到群体中全局最优值的目的。优点是对初值设置不敏感、算法的鲁棒性强、全局优化能力强。采用人工鱼群算法研究星群自组织成簇问题。算法步骤如下：

Step 1设定m-n个簇头节点，人工鱼参数初始化(种群数目、初始位置、视野、步长、拥挤度因子等)。

Step 2计算出每个子节点经由相邻的父节点到达各个簇头节点的能量消耗，确定下来每个子节点的簇群归属，然后计算该网络拓扑人工鱼的适应度值。

Step 3记录全局最优的人工鱼的状态。

Step 4对每条人工鱼进行行为评价，对其要执行的行为进行选择，包括觅食、聚群、追尾和随机行为。

Step 5执行人工鱼选择的行为，基于全局信息和局部信息更新人工鱼的位置信息。

Step 6更新全局最优人工鱼的状态。

Step 7判断当前的迭代次数是否达到最大迭代次数，达到最大迭代次数则将适应度值赋给公告牌；未达到最大迭代次数则转到Step 2。

Step 8输出结果。

(3)星群拓扑快速重建

当非簇头节点发生故障，要求该星簇内部经过重建或引入外部星簇节点能够恢复功能，当簇头节点发生故障，要求动态快速的在星簇内选取头节点，重新建立拓扑结构。该任务背景下要求重建过程具有快速性，对整个任务影响的代价最小。

任意两点之间收发数据倾向于选择在能力允许范围内的距离最短的路径，此时时延越小，付出的代价最小。而选择距离越长的路径，时延越大，付出的代价越大。所以在卫星网络中，链路代价可以定义为链路长度的正相关函数，用矩阵C_ij表示。

Dijkstra算法又称为最短路径算法，在网络拓扑中倾向于对网络进行遍历，寻找任意两点之间的最短路径进行连接，此算法考察每一步接入的开销。根据星群任务需求，采用Dijkstra算法，建立两个集合U和V，U集合中是未加入拓扑的节点，V集合中是已加入拓扑的节点，每一步从U集合中不断找出距离头节点最近或者经过父节点多跳到达头节点最近的节点，并把该节点加入到V集合中，同时更新代价矩阵。

按照以下算法生成种群拓扑结构：

a将簇内节点根据通信能力、重要性、链路代价等定量考量，依据簇头节点选取原则确定使整个网络平均代价最小的新产生的簇头节点。

b生成拓扑过程，每次取剩余节点中与中心节点的链路开销最小的一个节点接入网络，逐步接入剩余子节点，直至网络中的N个节点全部接入网络。

c每次选取节点之前，都需要对节点间的开销进行修正。若修正后该节点与中心节点的开销更小，则更新此开销，否则不更新。

说明书中未进行详细描述部分属于本领域技术人员公知常识。

Claims (6)

1.一种微纳星群拓扑快速重建方法，其特征在于，包括如下步骤：

步骤一，星群网络拓扑构建

采用无线自组织网络中的分级结构，网络被划分为多个簇，每个簇由一个簇头和多个簇成员组成，这些簇头形成了上一级骨干网络，在上一级网络中又可以分簇，再次形成更上一级的网络，直至最上级；

步骤二，星群网络拓扑优化

采用人工鱼群算法，模拟鱼的觅食、聚群、追尾、随机行为，采用自下而上的设计方法，从构造一条鱼的底层行为做起，通过鱼群中每一条人工鱼个体的局部寻优，来达到找到群体中全局最优值的目的；

步骤三，星群拓扑快速重建

当非簇头节点发生故障，要求该星簇内部经过重建或引入外部星簇节点能够恢复功能，当簇头节点发生故障，要求动态快速的在星簇内选取头节点，重新建立拓扑结构。

2.根据权利要求1所述的一种微纳星群拓扑快速重建方法，其特征在于，所述步骤二中，根据单星的个体行为，通过单星与其邻居之间的局部通信，其优点是对初值设置不敏感、算法的鲁棒性强、全局优化能力强。

3.根据权利要求1所述的一种微纳星群拓扑快速重建方法，其特征在于，所述步骤三中，该任务背景下要求重建过程具有快速性，对整个任务影响的代价最小，采用基于Dijkstra算法的星群自组建拓扑结构研究；任意两点之间收发数据倾向于选择在能力允许范围内的距离最短的路径，此时时延越小，付出的代价最小；而选择距离越长的路径，时延越大，付出的代价越大。

4.根据权利要求1所述的一种微纳星群拓扑快速重建方法，其特征在于，所述分级结构中，在每个簇内，其余所有模块航天器均直接同簇头航天器进行数据交换，簇头航天器再同骨干网络中其余航天器进行通信；在分层结构中需要依赖簇头选举算法周期性地选举出新簇头。

5.根据权利要求3所述的一种微纳星群拓扑快速重建方法，其特征在于，所述的Dijkstra算法，在网络拓扑中倾向于对网络进行遍历，寻找任意两点之间的最短路径进行连接，此算法考察每一步接入的开销。

6.根据权利要求5所述的一种微纳星群拓扑快速重建方法，其特征在于，建立两个集合U和V，U集合中是未加入拓扑的节点，V集合中是已加入拓扑的节点，每一步从U集合中不断找出距离头节点最近或者经过父节点多跳到达头节点最近的节点，并把该节点加入到V集合中，同时更新代价矩阵。