CN110634331A

CN110634331A - 基于负载均衡的多uav路径设计方法

Info

Publication number: CN110634331A
Application number: CN201910861570.2A
Authority: CN
Inventors: 刘贵云; 林立新; 李致富; 蒋文俊; 彭百豪; 张杰钊; 唐冬
Original assignee: Guangzhou University
Current assignee: Guangzhou University
Priority date: 2019-09-12
Filing date: 2019-09-12
Publication date: 2019-12-31

Abstract

本发明涉及无人机技术，具体为基于负载均衡的多UAV路径设计方法，首先根据分簇效果的轮廓系数确定聚类分簇数；将多个传感器结点划分成独立的、相互之间无重叠的多个簇群；在分簇结果基础上优化蚁群智能算法；挑选出最多结点数目的簇群，从该簇群内选出与另外簇群的簇心最短路径的传感器结点作为可疑结点，动态调整可疑结点的归属簇群；建立簇头负责机制，通过蚁群智能算法挑出使通信路径最短的传感器结点作为簇头，簇头统一负责所述小簇群内的归属结点与外界交流；异构UAV，根据不同UAV所携带能量的不同设定其飞行时间。本发明能避免无人机之间相互碰撞，不需要借助多无人机之间大量的信息通信，减小了无人机的能量消耗，提高了系统的性能。

Description

基于负载均衡的多UAV路径设计方法

技术领域

本发明涉及无人机技术，具体为基于负载均衡的多UAV路径设计方法。

背景技术

近几年无人机UAV由于它的操作性、续航性、价格等方面有较好的优点，得到了世界各国的关注，也成为当今研发的热点。已经在多个方面，比如军事、环境保护、搜救行动上有广泛的应用。

随着无人机技术的普及，Multi-UAV(多无人机)的问题也逐渐被引起重视，但是大部分文献的重点在于UAV的路径如何规划、障碍物的避免及其无人机的相互通信上，在全面地考虑多无人机的负载均衡问题上的研究是比较缺乏的。如何在传感器结点随机的情况下尽可能均衡地分配给无人机进行采集，这一多无人机的负载均衡问题正是本发明要解决的。

现有部分文献通过对系统中多UAV的划分，分成了两派，分别为决策集合部分和成员集合部分。两者处于不平等的地位，成员集合中UAV的分配调度和任务管理由决策集合里的UAV负责，决策集合里的UAV通过动态调整，调动成员集合中的UAV完成任务，并且兼顾均衡性与总体高效性。这样虽然可以动态地划分，使得处理过程更加灵活，但是却使得通信的开销加大，而传感器结点的一次寿命也会因此缩短，而这对传感器网络系统是高代价的，会导致系统总的生存时间缩短。

现有部分文献通过k-means聚类分簇算法提前对系统的结点进行分簇，通过引入聚类指数来评判算法的优劣性。总体来说，这类算法考虑得比较全面，兼顾了负载分配均衡的任务要求。但是实验模拟场景人为设定过于理想化，结点数为固定不变的，而且实验开始到结束结点位置也是固定的，所以该算法是否能满足当初始结点为随机时的情况仍需深入探索，而大部分实际运用的结点位置是不固定的，因此需要进一步验证。

发明内容

为解决现有技术所存在的技术问题，本发明提供基于负载均衡的多UAV路径设计方法，该方法对需要采集信息的任务结点进行分配，将所有结点分成一个个互不干扰的簇，每一个簇内使用蚁群算法，通过多次算法的迭代，计算出单无人机在其负责的簇内的最短路径，以满足多无人机负载均衡的要求。

本发明采用以下技术方案来实现：基于负载均衡的多UAV路径设计方法，包括以下步骤：

S1、根据分簇效果的轮廓系数，确定k-means++聚类分簇算法的聚类分簇数K；

S2、根据k-means++聚类分簇算法，将多个传感器结点划分成独立的、相互之间无重叠的多个簇群；

S3、在步骤S2中k-means++聚类分簇算法的分簇结果基础上，优化蚁群智能算法；

S4、基于步骤S2中k-means++聚类分簇算法的分簇结果，挑选出最多结点数目的簇群，从该簇群内选出与另外簇群的簇心最短路径的传感器结点，作为可疑结点；动态调整可疑结点的归属簇群，以满足多UAV负载均衡的要求；

S5、建立簇头负责机制，在步骤S2中k-means++聚类分簇算法的分簇结果所划分好的簇群内，再次将在通信范围内的传感器结点归并到同一小簇群，并通过蚁群智能算法挑出使通信路径最短的传感器结点作为簇头，簇头统一负责所述小簇群内的归属结点与外界交流；

S6、异构UAV，对UAV的飞行时间进行预先确定，根据不同UAV所携带能量的不同，设定UAV的飞行时间。

在优选的实施例中，所述分簇效果的轮廓系数S_i为：

设传感器结点d_i被k-means++聚类分簇算法分到簇群A中，则a_i表示传感器结点d_i与其所在簇群A的其它传感器结点的平均距离，D(d_i，C)表示传感器结点d_i与簇群C的平均距离，则传感器结点d_i与其它簇群的平均距离的最小值为：

在优选的实施例中，所述步骤S3将k-means++聚类分簇算法的分簇结果作为蚁群智能算法的输入值，在每个簇群的内部调用蚁群智能算法不断迭代，最终得到每个簇群内的UAV最优飞行路径。

在优选的实施例中，所述步骤S3的实现步骤包括：

S31、初始化N个随机分布的传感器结点；

S32、对N个传感器结点进行聚类分簇数K值的确定，寻找轮廓系数最优的K值作为后续k-means++聚类分簇算法的K值；

S33、调用k-means++聚类分簇算法对N个传感器结点划分成不同的任务子集；

S34、分别在各簇群内使用蚁群智能算法，依次得到各簇群内最优的遍历路径。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过k-means++算法对需要采集信息的任务结点进行分配，将所有结点分成一个个互不干扰的簇，每一个簇内使用蚁群算法，通过多次算法的迭代，计算出单无人机在其负责的簇内的最短路径，这样来满足多无人机负载均衡的要求。

2、本发明提出的k-means++分簇聚类蚁群优化算法，完全符合当传感器结点的初始位置为随机的、不固定的情形，且传感器结点具有数目未统一、量大的特点；本发明对初始结点分簇，将簇与簇之间分隔开来，从而避免无人机之间发生相互碰撞的问题，不需要借助多无人机之间大量的信息通信，减小了无人机的能量消耗，提高了系统的性能。

3、本发明对传统k-means分簇算法细节的多个方面提出了改进：一方面，在对随机数据处理前，k-means分簇算法需要人为给出K值，由于每一个簇里需用一架无人机去完成簇内任务，所以分簇算法的K值等于最终系统选择的无人机数量，然而无人机的数量并非越多越好，数量多会导致分簇的效果差，造成分配不均的结果；因此有必要选择最合理的K值，k-means++分簇聚类蚁群优化算法通过轮廓系数这个关键点，寻找最优的分簇K值，使传统k-means算法得到进一步改善。另一方面，传统k-means分簇算法在一开始对质心的选择上，既是随机的，也是无参考的，容易导致局部收敛；因而传统k-means分簇算法会导致各簇的分配结点数严重不均衡的情况，而本发明k-means++分簇聚类蚁群优化算法则优化了其初始簇心的选择，不再盲目地随机选择，而是通过选出尽可能远的几个初始簇心，这样局部收敛的分簇情况就能得到避免。

4、使用动态调整来完善算法的实现结果，针对最多结点簇群的结点，不断把可疑结点重新分配到其最近的簇群中，然后保留有益于负载均衡要求的调整结果，动态地调整极端不平衡的情况，使得负载的分配更加均衡。

5、引入时间的观念，与无人机携带的能量挂钩，在时间耗尽以前寻求尽可能合理的遍历路径，设定在能量方面异构的多UAV系统。使用簇头负责优化机制，优化多无人机的遍历路径，节省无人机的能量，有利于总体的负载均衡的完善。

附图说明

图1是本发明方法的流程图；

图2是分簇效果的轮廓系数随聚类分簇数k值的变化曲线图；

图3是蚁群智能算法的优化流程图；

图4是可疑结点的动态调整流程图；

图5是簇头负责机制的流程图；

图6是异构UAV与簇头优化方案流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明针对多无人机负载均衡的问题，提出了k-means++分簇聚类蚁群优化算法，这是一个先分簇后规划路径的算法，实现对传统k-means分簇蚁群算法的优化。具体操作是：首先根据轮廓系数，计算出能够使k-means、k-means++算法分簇效果最好的k值，然后使用k-means++分簇算法对传感器结点进行分簇，进而保证了负载分配均衡性的要求，接下来在各簇内部使用智能算法——蚁群算法，以规划出各无人机遍历其负责的簇里所有结点的最短路径。

本发明基于负载均衡的多UAV路径设计方法，包括如下步骤：

确定聚类个数K值的参照指标有两个，簇内凝合度和簇间分散度，这两个指标可作为选出聚类个数K值的依据，分簇的效果最好就是有较小的簇内凝合度，有较大的簇间分散度，这样才能得到最为均衡的分配结果。而这两个指标可以通过轮廓系数公式来表示，具体公式为：

其中，假设结点d_i被聚类算法分到代号为A的簇群中，则a_i表示结点d_i与其所在簇群A的其它结点的平均距离，用D(d_i，C)表示结点d_i与簇群C的平均距离，则结点d_i与其它簇群的平均距离的最小值为：

在本发明设计场景中，K为聚类分簇数，N为传感器结点总数；S_i为代表分簇效果的轮廓系数，其值越大，则证明分簇的效果越好，就越能得到较小的簇内凝合度，较大的簇间分散度。本实施例将2-12代入K，在100个随机结点的情况下，使用k-means聚类算法得到的轮廓系数如图2所示。由图可知，当K定为4时，轮廓系数达到了峰值，这样分簇的效果也最令人满意；K值与轮廓系数的关系并非线性，并非说使用的K值越大，分簇的效果就越好，当K值超过一定界限时，分簇效果并非比小的K值好。因此本实施例将K选取为4，作为k-means分簇算法和k-means++分簇算法的聚类分簇数。

S2、根据k-means++聚类分簇算法，将多个传感器结点划分成独立的、相互之间无重叠的多个簇群，以规避各无人机之间可能发生的摩擦、干扰等情形。

在每个簇群内，各无人机通过智能算法规划好其最优的飞行路径，从起点开始逐一遍历传感器结点，直至完成全体传感器结点的信息采集。

在划分簇群的过程，尽可能考虑各无人机的负载分配均衡性的要求，保证总体任务量不增的前提下，使得负载的分配更加合理。因此本发明引入k-means++聚类分簇算法，在提炼出最优的k值的前提下，优化k均值算法，最后引入判定标准，验证优化算法在负载均衡方面的优越性。

本发明设定的模拟场景为：各无人机飞行在同一水平上，它们的速率固定，不考虑实际可能出现的山峰等碰撞物的干扰。

设全体传感器结点的采集任务为R集合，R＝{C₁,C₂....C_N}，C为传感器结点代号，N为全体传感器结点的个数；设UAV的集合为U，U＝{U₁,U₂...U_K}，K为整个系统用到的UAV个数；每个簇内只使用一台UAV去完成采集任务，结点数N远远大于K。

将任务规模为N的R集合划分成K个独立自主的子集T₁,T₂...T_K，因此可以得到总任务与各子集的关系为：R＝T₁YT₂Y...YT_K；两个分配好的子集之间，不存在任何共同结点，并且任意分配好的子集都不为空，因此可以用标准数学公式表示为：

设每个子集中结点数分别为N₁,N₂...N_K,根据每个子集都不为空的条件，因此可以用标准数学公式表示为：

本发明借鉴图矩阵存储的方法，利用矩阵来存储传感器结点派给无人机的状况，矩阵初始化为u*v的空间。当一个代号为i的传感器结点，被分配到代号为j的UAV时，未分配的情况则为：

A_i,j≤1 1≤i≤N，1≤j≤M (5)

S3、在k-means++聚类分簇算法的分簇结果基础上，优化蚁群智能算法；

将k-means++聚类分簇算法的分簇结果作为蚁群智能算法的输入值，在每个簇的内部调用蚁群智能算法不断迭代，最终得到每个簇内的UAV最优飞行路径。该算法建立在二维的空间中，假定了各无人机的飞行高度一致且忽略了可能发生的障碍物碰撞的问题。如图3所示，主要实现步骤为：

S31、初始化N个随机分布的传感器结点，N值可以后期调整。

S32、对这N个传感器结点进行上述聚类分簇数K值的确定，寻找轮廓系数最优的K值作为后续k-means++算法的K值。

S33、调用k-means++聚类分簇算法对N个传感器结点划分成不同的任务子集。

S34、分别在各簇内使用蚁群智能算法，依次得到各簇群内最优的遍历路径，以此得到各簇群内最短飞行路径的变化，并且保存最短飞行路径。

蚁群智能算法的输入为N个初始传感器结点的坐标，也即为蚁群智能算法的最大循环次数；输出则为划分好的K个簇T₁,T₂...T_K，以及每个簇内的最短路径和每个簇的最短路径的长度。

S4、基于k-means++聚类分簇算法的分簇结果，挑选出最多结点数目的簇群，从该簇群内选出与另外簇群的簇心最短路径的结点，作为可疑结点；动态调整可疑结点的归属簇群，以满足多无人机负载均衡的要求。

如图4所示，本实施例通过不断验证可疑结点是否有利于提高评价函数θ＝W1*α+W2*β+W3*γ，一个接一个调整可疑结点，把可疑结点重新调整到与其距离最短的簇群，然后验算调整后负载均衡性的评价函数，若相比之前有优化，则保留该调整结果，否则回溯之前版本，直至所有可疑结点都验证完毕；然后重新选择最大簇群，依次循环，不断动态调整，使得负载均衡的目标越来越完善。

S5、建立簇头负责机制；

由于在很多情况下，UAV与传感器结点的信息交流是不需要对每个结点都进行的，在通信范围内，传感器结点之间可以相互传递信息；因此可以把满足通信要求的传感器结点分到同一簇群，UAV也就只需要对簇群内选出的簇头进行信息采集，簇头把簇群内各传感器结点的信息及簇头自己的信息传递给UAV。

如图5，簇头负责机制的流程为：在上述分簇结果所划分好的簇群内，再次将在通信范围内的传感器结点归并到同一小簇群，并通过蚁群智能算法挑出使通信路径最短的传感器结点作为簇头，簇头统一负责上述小簇群内的归属结点与外界交流，从而大大节省与UAV传递信息消耗的能量和UAV飞行消耗的能量。

应用上述簇头负责机制，设定传感器结点的通信半径为100，这样两个传感器结点之间的通信路径在这个通信半径内的都被分到同一簇群内。在该簇群中，在蚁群智能算法规划路径时选出让通信路径最优的传感器结点来作为簇头。接下来UAV遍历就只需要与这些簇头交流，这样UAV的飞行路径就会变短，能量消耗也随着减少。

在上述分簇结果所划分好的簇群内，通过评价函数公式θ＝W1*α+W2*β+W3*γ，计算出每个簇群的评价函数，然后将其乘以根据实际情况所设定的最大时间值T_max，即为在该簇群中UAV的飞行时间，即：

time＝θ*T_max (6)

在遍历传感器结点的同时，计算飞行路径的长度，选择最短的飞行路径遍历下一个传感器结点，将飞行路径除以飞行速度即为飞行时间。如果要在规定的时间内遍历尽可能多的传感器结点，则必须最先遍历已经分簇好的簇群，因为这些簇群的传感器结点数都是大于1的，优先级更高。遍历好这些已分簇的簇群之后如果还有时间剩余，就继续寻遍余下的传感器结点，直至时间耗尽，无人机回到起点，如图6。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.基于负载均衡的多UAV路径设计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于负载均衡的多UAV路径设计方法，其特征在于，所述分簇效果的轮廓系数S_i为：

3.根据权利要求1所述的基于负载均衡的多UAV路径设计方法，其特征在于，所述步骤S3将k-means++聚类分簇算法的分簇结果作为蚁群智能算法的输入值，在每个簇群的内部调用蚁群智能算法不断迭代，最终得到每个簇群内的UAV最优飞行路径。

4.根据权利要求1或3所述的基于负载均衡的多UAV路径设计方法，其特征在于，所述步骤S3的实现步骤包括：

S31、初始化N个随机分布的传感器结点；

5.根据权利要求1所述的基于负载均衡的多UAV路径设计方法，其特征在于，步骤S6中，计算出每个簇群的评价函数，然后将评价函数乘以根据实际情况所设定的最大时间值，即为在该簇群中UAV的飞行时间。