CN109978053B - 一种基于社团划分的无人机协同控制方法 - Google Patents
一种基于社团划分的无人机协同控制方法 Download PDFInfo
- Publication number
- CN109978053B CN109978053B CN201910228567.7A CN201910228567A CN109978053B CN 109978053 B CN109978053 B CN 109978053B CN 201910228567 A CN201910228567 A CN 201910228567A CN 109978053 B CN109978053 B CN 109978053B
- Authority
- CN
- China
- Prior art keywords
- community
- unmanned aerial
- aerial vehicle
- merging
- modularity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004891 communication Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0202—Control of position or course in two dimensions specially adapted to aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于社团划分的无人机协同控制方法,每隔Δt的时间间隔,根据无人机群在Δt时间段内相互之间的通信关系建立无权无向网络,其中,网络中的节点为无人机,若两架无人机在Δt时间内进行过通信则两架无人机之间有一条连边,进而通过改进的更为稳定的FN社团检测算法对该无权无向网络进行社团划分并且找出每个社团内度最大的节点,通过每个社团内度最大的节点相应的无人机对社团内的其它无人机发送指令进而控制各个无人机社团,最终实现对无人机群的协同控制。本发明能够处理空域内大量飞行器的协同控制问题,算法复杂度低,控制效率高。
Description
技术领域
本发明属于飞行器技术领域,涉及一种协同控制方法,具体的说,是指一种基于社团划分的无人机协同控制方法。
背景技术
无人机是指利用无线电遥控设备和自备的程序控制装置操纵的无人驾驶飞机。无人机最早应用于战争中作为训练用的靶机,由于其相比普通飞机具有造价低、无人员伤亡风险的优点以及能在极端环境下作业的特点越来越广泛的应用于农业、航拍、环保检测、遥感测绘、灾后救援等领域。现代无人机作业的场地越来越大,执行的任务越来越复杂,往往一次任务需要多架无人机协同完成,因此寻找可靠、高效的无人机协同控制方法已成为无人机研究的一个热点。
在很多实际网络中,发现网络中都具有这样的子图,这些子图中的节点彼此之间的连边比较密集,而与网络中的其他节点的连边比较稀疏,这就是网络的社团结构。社团结构广泛的存在于社交网络、生物网络、金融网络、电力网络等各种各样的网络中,在这些网络中进行社团结构的检测能够帮助我们理解网络的拓扑结构,指导资源的合理分配。目前为止,社团检测问题课划分为非重叠社团检测和重叠社团检测两大类。非重叠社团检测算法又包含基于模块度优化的社团检测算法、基于谱分析的社团检测算法、基于信息论的社团检测算法以及基于标号传播的社团检测算法等。目前应用较广泛的社团检测算法有BGLL、CNM、FN等。FN社团检测算法具有低时间复杂度和空间复杂度,能够应用于规模巨大的复杂网络,但其算法稳定度较差。
由于社团检测算法能够挖掘网络的拓扑性质,指导资源的合理分配,因此本发明将社团检测算法应用于无人机群协同控制中。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于社团划分的无人机协同控制方法,具有较低的时间复杂度和空间复杂度,且控制原理简单,执行效率高。
本发明技术解决方案:
本发明一种基于社团划分的无户人机协同控制方法,每隔Δt的时间间隔,根据无人机群在Δt时间段内相互之间的通信关系建立本时间段内的无权无向无人机通信网络。其中,网络中的节点为无人机,若两架无人机在Δt时间间隔内进行过通信则两架无人机之间有一条连边,进而通过社团检测算法对该无权无向网络进行社团划分并且找出每个社团内度最大的节点。通过每个社团内度最大的节点相应的无人机(称为中控无人机)向该社团内其它无人机发出指令,其他无人机接收中控无人机发出的指令同时对本机传感器信息进行处理获取本机状态,进而调整本机状态完成中控无人机发送的指令,最终实现对无人机群的协同控制。应当注意到,本发明中每隔Δt的时间间隔无人机通信网络就要进行更新,相应的要重新划分社团结构以及确定中控无人机。特别的,本发明中用到的社团检测方法为改进的更为稳定的FN社团检测法。该方法与FN社团检测方法最大的区别是在进行社团划分的每一步,若最大模块度增量对应多种社团合并方案,则先计算采取每种合并方案合并之后下一步社团合并可能带来的最大模块度增量,采取两步模块度增量之和的最大值对应的本步合并方案进行合并。该方法在初始时,将网络中的每一个节点都分别视为一个独立的社团,整个网络的模块度函数Q初始化为0。接下来计算所有有连边的社团之间两两合并可能带来的模块度增量ΔQ,找出模块度增量最大值以及相应的合并方案称为备选合并方案。判断备选合并方案是否只有一种,若是,则进行相应的社团合并同时更新模块度否则,先计算采取每种备选合并方案后下一步社团合并可能带来的最大模块度增量,取两步最大模块度增量之和最大对应的备选合并方案进行合并,更新模块度重复上述步骤直至网络中所有节点都合并至一个社团。找出过程中模块度达到最大时对应的社团划分即为最终的社团划分结果。优化后的FN社团检测方法具有更高的稳定度,同时最大程度的保留了FN社团检测方法低时间复杂度和空间复杂度的优点,仍可以用于大规模的复杂网络中。
具体的,如图1所示,本发明的一种基于社团划分的无人机协同控制方法包括如下步骤:
步骤1:利用t0~t0+Δt时间段内无人机群之间的相互通信情况,构建该时间段内的无人机通信网络。
步骤2:利用改进的更稳定的社团检测算法对无人机通信网络进行社团划分,改进的更稳定的社团检测算法是基于模块度函数优化的社团检测算法。
特别的,步骤2中提到的模块度函数Q是衡量社团划分质量的指标,它表示各个社团内部的边数之和占整个网络总边数的比例与具有相同度分布的随机网络在进行相同的社团划分时各个社团内部总边数占整个网络总边数比例之差。假设某个时刻无人机通信网络的社团划分为{C1,C2,…,Ck…},则其模块度值Q的具体计算公式如下:
其中M为无人机通信网络中的总边数。
特别的,步骤2中提到的社团划分方法具体步骤如下:
步骤2.1:将网络中的每一个节点都分别视为一个独立的社团。初始化模块度Q=0。
步骤2.2:计算所有有连边的社团之间两两合并可能带来的模块度增量ΔQ1。
特别的,经过化简可以得到社团Ck与社团Cl合并模块度函数的增量为:
步骤2.4:判断备选合并方案是否只有一种。若是,则进行步骤2.5;若有s种备选合并方案(s>1),则进行步骤2.6到步骤2.7。
步骤2.7:计算每种备选合并方案两步最大模块度增量之和:
步骤2.8:重复步骤2.2至步骤2.7直至网络中所有节点合并至一个社团内。
步骤2.9:找出上述2.1-2.8社团合并过程中模块度函数Q达到最大时对应的社团划分即为最终的社团划分结果。
步骤3:在步骤2划分的各个无人机社团中找到度值最大的无人机称为中控无人机。通过控制各个社团的中控无人机,中控无人机向本社团内的其他无人机发送指令。
步骤4:社团内的非中控无人机接收来自中控无人机的指令同时获取自本机传感器设备的信号经过处理得到本机状态进而调整自身状态完成中控无人机发送的指令。
步骤5:在t0+2Δt,t0+3Δt,…t0+NΔt,…时刻重复步骤1至步骤4。
本发明与现有技术相比的优点在于:
(1)本发明整体具有较低的时间复杂度和空间复杂度,且控制原理简单,执行效率高。
(2)本发明中改进的更稳定的社团检测算法更为稳定且最大程度上保留了FN(Fast Newman社团检测算法)社团检测算法低时间复杂度和空间复杂度的优点;优化后的FN社团检测方法具有更高的稳定度,同时最大程度的保留了FN社团检测方法低时间复杂度和空间复杂度的优点,仍可以用于大规模的复杂网络中。
附图说明
图1为本发明实施流程图;
图2为本发明中优化的社团划分算法流程图;
图3为本发明进行社团划分之后通过主控飞机控制本社团内其他飞机示意图。
具体实施方式
下面结合附图及实施例对本发明进行说明说明。
本发明中,每隔Δt的时间间隔,根据无人机群在Δt时间段内相互之间的通信关系建立无权无向网络。其中,网络中的节点为无人机,若两架无人机在Δt时间内进行过通信则两架无人机之间有一条连边。进而通过改进的更为稳定的FN社团检测算法对该无权无向网络进行社团划分并且找出每个社团内度最大的节点,通过每个社团内度最大的节点相应的无人机对社团内的其它无人机发送指令进而控制各个无人机社团,最终实现对无人机群的协同控制。特别的,本方法中用到的改进的更为稳定的FN社团检测方法是一种基于模块度函数优化的凝聚社团检测方法,该方法与FN社团检测方法最大的区别是在每一步进行社团合并时,若最大模块度增量对应多种社团合并方案,则先计算采取每种合并方案合并之后下一步社团合并可能带来的最大模块度增量,采取两步模块度增量之和的最大值对应的本步合并方案进行合并。优化后的FN社团检测方法具有更高的稳定度,同时最大程度的保留了FN社团检测方法低时间复杂度和空间复杂度的优点,仍可以用于大规模的复杂网络中。本发明能够处理空域内大量飞行器的协同控制问题,算法复杂度低,控制效率高,为无人机群的协同控制提供了一种新的思路。
如图1所示,本发明本实施例中,一种基于社团划分的无人机协同控制方法是按照如下步骤进行的:
步骤1:利用t0~t0+Δt时间段内无人机群之间的相互通信情况,构建该时间段内的无人机通信网络G(V,E)。其中V为网络的节点集,E为网络的边集。相应的该网络的邻接矩阵为A,其元素为aij。
该时间段内建立的无人机通信网络如图3所示。
步骤2:利用改进的更稳定的社团检测算法对无人机通信网络进行社团划分,得到划分后的各个无人机社团,具体如下:
步骤2.1:利用改进的更稳定的社团检测算法对图3所示无人机通信网络进行社团划分,将网络中的每一个节点都分别视为一个独立的社团。初始化模块度Q=0。
步骤2.2:计算所有有连边的社团之间两两合并可能带来的模块度增量ΔQ1。
步骤2.3:找出步骤2.2中模块度增量ΔQ1的最大值以及相应的社团合并方案称为备选合并方案。图3所示无人机通信网络中,模块度增量的最大值为0.0168,相应的备选合并方案共3种,分别为编号为6和7的无人机合并为一个社团,编号为7和17的无人机合并为一个社团以及编号为27和30的无人机合并为一个社团。
步骤2.4:判断备选合并方案是否只有一种。若是,则进行步骤2.5;若有s种备选合并方案(s>1),则进行步骤2.6到步骤2.7。图3所示无人机通信网络在步骤2.3中计算得备选合并方案共三种,因此进行步骤2.6到步骤2.7。
步骤2.6:计算假设采取第m种备选合并方案之后(m=1,2,…,s),下一步所有可能社团合并中能带来的最大模块度增量为图3所示无人机通信网络的三种备选合并方案进行此步计算后得到下一步所有可能社团合并方案能带来的最大模块度增量分别为0.0237,0.0225,0.0173。
步骤2.7:计算每种备选合并方案两步最大模块度增量之和:
找到对应的备选合并方案进行合并,更新模块度图3所示无人机通信网络三种备选合并方案两步最大模块度增量之和分别为0.0405、0.0393、0.0341,的最大值为0.0405,编号为6和7的无人机合并为一个社团,更新模块度Q′=0+0.0168=0.0168。
步骤2.8:重复步骤2.2至步骤2.7直至网络中所有节点合并至一个社团内。
步骤2.9:找出过程中模块度函数Q达到最大时对应的社团划分即为最终的社团划分结果。图3所示无人机通信网络进行社团划分,模块度函数Q达到最大时对应划分为3个社团,各社团成员如图3中圆圈中所示。
步骤3:在步骤2划分的各个无人机社团中找到度值最大的无人机称为中控无人机。图3中箭头所指的圆圈中的无人机即为相应社团中的中控无人机。通过控制各个社团的中控无人机,中控无人机向本社团内的其他无人机发送指令。
步骤4:社团内的非中控无人机接收来自中控无人机的指令并且接收来自本机传感器设备的信号经过处理获取本机状态,进而调整自身状态完成中控无人机发送的指令。
以上虽然描述了本发明的具体实施方法,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明原理和实现的前提下,可以对这些实施方案做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (1)
1.一种基于社团划分的无人机协同控制方法,其特征在于,采用改进的更为稳定的FN社团检测法,该方法在进行社团划分的每一步,若最大模块度增量对应多种社团合并方案,则先计算采取每种合并方案合并之后下一步社团合并可能带来的最大模块度增量,采取两步模块度增量之和的最大值对应的本步合并方案进行合并;该方法在初始时,将网络中的每一个节点都分别视为一个独立的社团,整个网络的模块度函数Q初始化为0,接下来计算所有有连边的社团之间两两合并可能带来的模块度增量ΔQ1,找出模块度增量最大值以及相应的合并方案称为备选合并方案,判断备选合并方案是否只有一种,若是,则进行相应的社团合并同时更新模块度否则,先计算采取每种备选合并方案后下一步社团合并可能带来的最大模块度增量,取两步最大模块度增量之和最大对应的备选合并方案进行合并,更新模块度重复上述社团合并直至网络中所有节点都合并至一个社团;找出过程中模块度达到最大时对应的社团划分即为最终的社团划分结果;优化后的FN社团检测方法具有更高的稳定度,同时最大程度的保留了FN社团检测方法低时间复杂度和空间复杂度的优点,仍可以用于大规模的复杂网络中;
具体包括如下步骤:
步骤1:利用t0~t0+Δt时间段内无人机群之间的相互通信情况,构建该时间段内的无人机通信网络G(V,E),其中V为网络的节点集,E为网络的边集,相应的该无人机通信网络的邻接矩阵为A,其元素为aij,
网络中的节点为无人机;
t0为开始执行算法的时刻,Δt为人为设定的某一时间间隔;
步骤2:利用改进的更稳定的社团检测算法对无人机通信网络进行社团划分,得到划分后的各个无人机社团;
步骤3:在步骤2划分的各个无人机社团中找到度值最大的无人机称为中控无人机,通过控制各个社团的中控无人机,中控无人机向本社团内的其他无人机发送指令;
步骤4:社团内的非中控无人机接收来自中控无人机的指令,同时获取自本机传感器设备的信号经过处理得到本机状态,进而调整自身状态完成中控无人机发送的指令;
步骤5:在t0+2Δt,t0+3Δt,…t0+NΔt,…时刻重复步骤1至步骤4,直至任务结束;N为大于等于2的整数;
所述步骤2中,所述改进的更稳定的社团检测算法是基于模块度函数优化的社团检测算法,其中模块度函数Q是衡量社团划分质量的指标,它表示各个社团内部的边数之和占整个网络总边数的比例与具有相同度分布的随机网络在进行相同的社团划分时各个社团内部总边数占整个网络总边数比例之差,假设某个时刻无人机通信网络的社团划分为{C1,C2,…,Ck…},则其模块度值Q公式如下:
其中M为无人机通信网络中的总边数,若k=l,e(Ck,Cl)表示社团Ck内部的连边占网络总边数的比例;若k≠l,则e(Ck,Cl)表示社团Ck与Cl之间的连边占网络总边数的比例的二分之一,为社团Ck内的节点的度值之和占无人机通信网络中节点总度值之和的比例;
所述步骤2中,社团划分方法步骤如下:
步骤2.1:将网络中的每一个节点分别视为一个独立的社团,初始化模块度函数Q=0;
步骤2.2:计算所有有连边的社团之间两两合并可能带来的模块度函数的增量ΔQ1;
经过化简得到社团Ck与社团Cl合并,模块度函数的增量为:
步骤2.4:判断备选合并方案是否只有一种,若是,则进行步骤2.5;若有s种备选合并方案,s>1,则进行步骤2.6到步骤2.7;
步骤2.7:计算每种备选合并方案两步最大模块度函数的增量之和:
步骤2.8:重复步骤2.2至步骤2.7,直至无人机通信网络中所有节点合并至一个社团内;
步骤2.9:找出上述2.1-2.8社团合并过程中模块度函数Q达到最大时对应的社团划分即为最终的社团划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228567.7A CN109978053B (zh) | 2019-03-25 | 2019-03-25 | 一种基于社团划分的无人机协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228567.7A CN109978053B (zh) | 2019-03-25 | 2019-03-25 | 一种基于社团划分的无人机协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978053A CN109978053A (zh) | 2019-07-05 |
CN109978053B true CN109978053B (zh) | 2021-03-23 |
Family
ID=67080386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228567.7A Active CN109978053B (zh) | 2019-03-25 | 2019-03-25 | 一种基于社团划分的无人机协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978053B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2370931A1 (en) * | 2008-12-04 | 2011-10-05 | Nokia Corporation | Method, apparatus and computer program product for providing an orientation independent face detector |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN106127146A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于手势识别的无人机航迹指引方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7497376B2 (en) * | 2004-06-08 | 2009-03-03 | Donald M. Landwirth | Business method of implementing an automated vault machine |
CN102202012B (zh) * | 2011-05-30 | 2015-01-14 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的社团划分方法与系统 |
CN105467981A (zh) * | 2015-12-24 | 2016-04-06 | 中南大学 | 一种针对多个智能体的编队方法以及装置 |
CN109116868B (zh) * | 2018-10-31 | 2021-07-13 | 中国人民解放军32181部队 | 分布式无人机编队协同控制方法 |
-
2019
- 2019-03-25 CN CN201910228567.7A patent/CN109978053B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2370931A1 (en) * | 2008-12-04 | 2011-10-05 | Nokia Corporation | Method, apparatus and computer program product for providing an orientation independent face detector |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN106127146A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于手势识别的无人机航迹指引方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978053A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
CN110703795B (zh) | 一种基于切换拓扑的无人机群协同安全控制方法 | |
US11481634B2 (en) | Systems and methods for training a neural network to control an aircraft | |
Zhang et al. | Deep learning for robust automatic modulation recognition method for IoT applications | |
CN113543066B (zh) | 感通导指一体化交互与多目标应急组网方法及系统 | |
CN106507275B (zh) | 一种无线传感器网络的鲁棒分布式滤波方法和装置 | |
CN111490848A (zh) | 一种基于异构认知传感网的电子对抗侦察体系架构 | |
CN109144099B (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN111983923B (zh) | 一种受限多智能体系统编队控制方法、系统及设备 | |
CN114442095B (zh) | 蜂群无人机收发组网sar资源优化与动态重构方法 | |
CN108934028A (zh) | 一种多伯努利滤波器分布式融合方法 | |
CN109062677B (zh) | 一种无人机系统计算迁移方法 | |
CN109978053B (zh) | 一种基于社团划分的无人机协同控制方法 | |
Chen et al. | Multi-UAV cooperation based edge computing offloading in emergency communication networks | |
CN113703482B (zh) | 大型无人机群中基于简化注意力网络的任务规划方法 | |
CN111770133A (zh) | 一种多体慧联云控平台 | |
CN110673651A (zh) | 一种通信受限条件下的无人机群鲁棒编队方法 | |
CN114598721A (zh) | 基于轨迹与资源联合优化的高能效数据收集方法及系统 | |
CN111190438B (zh) | 一种基于分布式优化的无人机群协同定位气体泄漏源方法 | |
Latif et al. | Cloudlet Federation Based Context-Aware Federated Learning Approach | |
CN113741542A (zh) | 应急处置场景下的无人机控制方法、装置、无人机及介质 | |
CN113495574A (zh) | 一种无人机群飞行的控制方法、装置 | |
CN114745693B (zh) | 基于pso-ga混合算法的uav辅助车联网资源分配方法 | |
Liu et al. | Enhanced decentralized federated learning based on consensus in connected vehicles | |
CN111669248A (zh) | 无人机信号压制方法、装置、电子设备与存储介质 |
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 |