CN111263418B - 无线自组织网络中节点的移动路径规划系统及其方法 - Google Patents

无线自组织网络中节点的移动路径规划系统及其方法 Download PDF

Info

Publication number
CN111263418B
CN111263418B CN202010046421.3A CN202010046421A CN111263418B CN 111263418 B CN111263418 B CN 111263418B CN 202010046421 A CN202010046421 A CN 202010046421A CN 111263418 B CN111263418 B CN 111263418B
Authority
CN
China
Prior art keywords
agent
agents
wireless
optimal
current
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
CN202010046421.3A
Other languages
English (en)
Other versions
CN111263418A (zh
Inventor
王聪
田辉
马文峰
朱熠
陈裕田
郑翔
申麦英
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202010046421.3A priority Critical patent/CN111263418B/zh
Publication of CN111263418A publication Critical patent/CN111263418A/zh
Application granted granted Critical
Publication of CN111263418B publication Critical patent/CN111263418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种无线自组织网络中节点的移动路径规划系统及其方法，包括运行在所述智能体上的初始化模块、评价模块、更新模块和确定模块；所述初始化模块用于所述初始化；所述评价模块用于评价智能体位置；所述更新模块用于智能体的速度和位置更新；所述确定模块用于确定无线自组织网络中节点的路径。结合其它结构或方法有效避免了现有技术中无线自组织网络中的节点移动到禁区范围，将很大可能导致无线传输的中断，造成无线自组织网络的不稳定的缺陷。

Description

无线自组织网络中节点的移动路径规划系统及其方法
技术领域
本发明涉及无线自组织网络技术领域，也涉及移动路径规划技术领域，具体涉及一种无线自组织网络中节点的移动路径规划系统及其方法，尤其涉及一种无线传输行动禁区的路径智能规划系统及其方法。
背景技术
伴随着无线自组织网络的越来越广泛的应用，也就是说，无线自组织网络是无线网络的重要形态，在智能无线通信时代，具有重要的意义。此外，无线自组织网络，对于在缺乏基础设施的区域形成通联网络具有重要意义，尤其适合于抢险救灾、偏远地区应急行动等。当前，无线自组织网络越来越注重动态网络拓扑对于网络稳定性的影响的研究。无线自组织网络的节点的移动变化在给用户带来便利的同时，造成了网络拓扑的变化，而由于无线通信的距离受限、传输衰落等特点，节点位置的变化会导致网络连接的不稳定。因此，无线自组织网络的节点移动，不仅仅取决于节点移动路程优化的需要，还必须考虑到无线自组织网络的稳定性。
当前，无线自组织网络中的节点移动，主要考虑从开始位置到目的位置的路径较短，以及节点之间的相互位置关系。但是，在实际地形和电磁环境条件下，存在一些无线传输的禁区。比如，高大建筑物遮挡地域，电磁信号密集区域、无线频谱紧张区域、无线传输多径衰落严重区域等等。这些禁区的存在不一定是由无线自组织网络中各个节点之间的相互位置关系决定的，而是由所处环境决定的。如果节点移动到这些禁区范围，将很大可能导致无线传输的中断，造成无线自组织网络的不稳定。
发明内容
为解决上述问题，本发明提供了一种无线自组织网络中节点的移动路径规划系统及其方法，有效避免了现有技术中无线自组织网络中的节点移动到禁区范围，将很大可能导致无线传输的中断，造成无线自组织网络的不稳定的缺陷。
为了克服现有技术中的不足，本发明提供了一种无线自组织网络中节点的移动路径规划系统及其方法的解决方案，具体如下：
一种无线自组织网络中节点的移动路径规划系统的方法，包括如下步骤：
步骤1：初始化；
所述初始化，包括：在无线自组织网络中节点的路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置；
步骤2：评价智能体位置；
所述评价智能体位置，包括：各个智能体综合考虑其与目标位置的关系，以及与行动禁区的关系，对其当前所处位置进行评价计算；
步骤3：智能体的速度和位置更新；
所述智能体的速度和位置更新，包括：各个智能体根据评价智能体位置的结果，更新智能体的历史上的最优位置，并更新智能体的移动速度；
步骤4：确定无线自组织网络中节点的路径；
所述确定无线自组织网络中节点的路径，包括：从所有智能体在所述智能体速度和位置更新下形成的路径中，选择最优路径，作为无线自组织网络中节点的路径规划结果。
所述初始化，具体步骤包括：
步骤1-1：初始设定；
所述初始设定，包括：用S表示智能体集合，所述智能体集合中包含N个智能体，N为正整数；用{Oj|j＝1...J}表示无线自组织网络覆盖区域内的无线传输行动禁区集合,J为无线自组织网络覆盖区域内的无线传输行动禁区的个数，这里，j、J均为正整数；而第j个无线传输行动禁区Oj的空域范围为：该空域范围的半径为Rj，该空域范围的高度为Hj，且作为该空域位置的该空域范围的中心坐标在笛卡尔坐标体系下的x坐标、y坐标和z坐标分别用
Figure BDA0002369565360000031
中的三个元素表示，智能体集合S的第i个智能体的速度Vi(t)和该智能体的当前位置Xi(t)分别如公式(1)和公式(2)所示，这里i为正整数：
Vi(t)＝(Vi X(t),Vi Y(t),Vi Z(t)) (1)
Figure BDA0002369565360000032
公式(1)和公式(2)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(1)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下横轴、纵轴和竖轴方向上的速度分量，公式(2)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下的x坐标、y坐标和z坐标；
步骤1-2：智能体的位置和速度初始化；
所述智能体的位置和速度初始化，包括：在所述路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置；
其中，初始的位置X0如公式(5)所示：
Figure BDA0002369565360000041
而智能体的目的位置Xf如公式(6)所示：
Figure BDA0002369565360000042
公式(5)和公式(6)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(5)中等号右边的括号中的三个元素分别表示智能体的初始的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(6)中等号右边的括号中的三个元素分别表示智能体的目的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标。
所述评价智能体位置，具体步骤包括：
步骤2-1：计算每一个智能体的当前位置与目标位置的偏离度，其中，第i个智能体的当前位置与目标位置的偏离度fi 0(t)如公式(7)所示：
Figure BDA0002369565360000043
第i个智能体的当前位置Xi(t)距离目标位置Xf越近，则偏离度越小，即智能体的位置评价值会越高；
步骤2-2：计算每一个智能体的当前位置与无线传输行动禁区之间的关系，其中，第i个智能体的当前位置与无线传输行动禁区之间的关系为：第i个智能体是否与无线传输行动禁区的高度之间的距离小于阈值T；如果智能体的位置与无线传输行动禁区的空域位置的高度之间相距的距离小于设计的阈值，则如公式(8)所示来增大该智能体当前位置与目标位置的偏离度fiti(t)：
Figure BDA0002369565360000051
其中
Figure BDA0002369565360000052
表示第j个障碍物的中心坐标，j＝1...p,p为无线自组织网络区域内的无线传输禁区的数目，Φ为对路径探索过程中接近禁区的惩罚值，H为无线传输行动禁区的空域的高度。
所述智能体的速度和位置更新，具体步骤包括：
步骤3-1：计算每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，第i个智能体的最优位置为Pi,best(t)；
计算所述第i个智能体的最优位置Pi,best(t)的位置，包括：将新计算出来的偏离度fiti(t)和上一次更新保存的偏离度fiti(t-1)进行比较，若新的计算出来的偏离度fiti(t)大于上一次更新保存的偏离度fiti(t-1)，则保存最小的偏离度作为所述第i个智能体的偏离度的最优值，即fiti(t)＝fiti(t-1)，更新本智能体的当前最佳位置为Pi,best(t-1)，即Pi,best(t)＝Pi,best(t-1)；
若新计算出来的偏离度小于或等于上一次更新保存的偏离度，则不更新，新计算出来的偏离度fiti(t)就是到当前迭代为止的所述第i个智能体的偏离度的最优值，所述第i个智能体的当前位置Pi,best(t)就是该智能体的历史最佳位置；用fit(t)表示智能体集合S中所有智能体在第t次迭代中的最小的偏离度与所有智能体在第t-1次迭代中的最小的偏离度fit(t-1)之间的最小值，若fit(t-1)小于集合S所有智能体在第t次迭代最小偏离度，则智能体集合S中所有智能体在第t次迭代中的最小的偏离度为fit(t-1)，即fit(t)＝fit(t-1)，而智能体集合S的最优位置Pg,best(t)就为Pg,best(t-1)，即Pg,best(t)＝Pg,best(t-1)；否则fit(t)就为智能体集合S中所有智能体在第t次迭代的最小偏离度，而智能体集合S的最优位置Pg,best(t)就为其所有智能体在第t次迭代后的最小的偏离度对应的位置；
步骤3-2：根据计算出来的每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，计算每个智能体下一次迭代的速度和位置，其中，所述第i个智能体的下一次迭代的速度和位置分别为Vi(t+1)和Xi(t+1)；
所述第i个智能体的下一次迭代的速度Vi(t)可以计算公式为公式(9)所示：
Figure BDA0002369565360000061
其中，上标M代表笛卡尔坐标系下X轴、Y轴或Z轴方向；r1，r2表示服从均匀分布的随机变量，0≤r1≤1，0≤r2≤1；w(t)>0且w(t)是权重变量；c1≥0，c2≥0，c1和c2均是学习因子；
步骤3-3：在每一次智能体的所述下一次迭代的速度更新后再更新当前智能体的位置，其中，第i个智能体的所述下一次迭代的速度Vi(t+1)更新后，还需要如公式(10)所示来更新第i个智能体的当前位置Xi(t+1)：
Xi M(t+1)＝Xi M(t)+Vi M(t+1),M＝{X,Y,Z} (10)
上标M同样代表笛卡尔坐标系下X轴、Y轴或Z轴方向；
步骤3-4：如果智能体的当前位置不满足要求，或者没有完成预先规定的位置更新次数，则重复执行作为迭代的步骤3-1到步骤3-4，直至迭代结束。
每次步骤3的智能体位置和速度更新迭代结束后，每个智能体存储其当前最佳位置，其中，第i个智能体存储的其当前最佳位置Pi,best(t)如公式(3)所示；而智能体集合S中所有智能体的最佳位置Pg,best(t)如公式(4)所示：
Pi,best(t)＝(Pi X(t),Pi Y(t),Pi Z(t)) (3)
Pg,best(t)＝(Pg X(t),Pg Y(t),Pg Z(t)) (4)
其中，t为正整数且表示当前第i个智能体的最佳位置的序列号，公式(3)和公式(4)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(3)中等号右边的括号里的三个元素分别表示第i个智能体的当前最佳位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(4)中等号右边的括号里的三个元素分别表示所有智能体的当前最佳位置在笛卡尔坐标系下的x坐标的集合、y坐标的集合和z坐标的集合,i为正整数。
所述确定无线自组织网络中节点的路径的具体方式包括：根据所有智能体的路径探索结果，得到智能体集合S的最优位置中的从初始位置到目的位置的最优移动路径，作为无线自组织网络中节点的行动路径。
所述无线自组织网络中节点的移动路径规划系统，包括运行在所述智能体上的初始化模块、评价模块、更新模块和确定模块；
所述初始化模块用于所述初始化；
所述评价模块用于评价智能体位置；
所述更新模块用于智能体的速度和位置更新；
所述确定模块用于确定无线自组织网络中节点的路径。
本发明的有益效果为：
本发明采用多智能体搜寻，通过迭代更新多个智能体的位置和速度，找到最优节点移动路径，能有效避开无线自组织网络覆盖区域的无线传输禁区，使得无线自组织网络在节点移动路径规划中的路程优化和网络稳定得到综合优化，提高无线自组织网络中节点移动的效率，提高无线自组织网络的稳定性。
附图说明
图1是本发明一种无线自组织网络中节点的移动路径规划系统的方法的流程图。
图2是本发明一种无线自组织网络中节点的移动路径规划系统的方法的性能仿真图。
具体实施方式
在实际地形和电磁环境条件下，存在一些无线传输的禁区。比如，高大建筑物遮挡地域，电磁信号密集区域、无线频谱紧张区域、无线传输多径衰落严重区域等等。这些禁区的存在不一定是由无线自组织网络中各个节点之间的相互位置关系决定的，而是由所处环境决定的。如果节点移动到这些禁区范围，将很大可能导致无线传输的中断，造成无线自组织网络的不稳定。所以，有必要提出如下的一种考虑无线传输进去的的自组织网络中节点的移动路径智能规划方法。该方法具有较强的实用背景和多场景适用性，在技术上也有较强的创新意义，因此具有较强的理论和实用价值。
下面将结合附图和实施例对本发明做进一步地说明。
如图1所示，无线自组织网络中节点的移动路径规划系统的方法，包括如下步骤：
步骤1：初始化；
所述初始化，包括：在无线自组织网络中节点的路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置；这里的无线自组织网络中的节点能够是智能手机、PDA或者平板电脑，所述智能体能够是移动智能体。
所述初始化，具体步骤包括：
步骤1-1：初始设定；
所述初始设定，包括：用S表示智能体集合，所述智能体集合中包含N个智能体，N为正整数；用{Oj|j＝1...J}表示无线自组织网络覆盖区域内的无线传输行动禁区集合,J为无线自组织网络覆盖区域内的无线传输行动禁区的个数，这里，j、J均为正整数；而第j个无线传输行动禁区Oj的空域范围为：该空域范围的半径为Rj，该空域范围的高度为Hj，且作为该空域位置的该空域范围的中心坐标在笛卡尔坐标体系下的x坐标、y坐标和z坐标分别用
Figure BDA0002369565360000101
中的三个元素表示，智能体集合S的第i个智能体的速度Vi(t)和该智能体的当前位置Xi(t)分别如公式(1)和公式(2)所示，这里i为正整数：
Vi(t)＝(Vi X(t),Vi Y(t),Vi Z(t)) (1)
Xi(t)＝(Xi X(t),Xi Y(t),Xi Z(t)) (2)
公式(1)和公式(2)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(1)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下横轴、纵轴和竖轴方向上的速度分量，公式(2)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下的x坐标、y坐标和z坐标；这里，无线传输行动禁区就比如，高大建筑物遮挡地域，电磁信号密集区域、无线频谱紧张区域、无线传输多径衰落严重区域等等这些无线信号传输不畅的区域。
步骤1-2：智能体的位置和速度初始化；
所述智能体的位置和速度初始化，包括：在所述路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置来让所述智能体从初始的位置开始移动；
其中，初始的位置X0如公式(5)所示：
Figure BDA0002369565360000102
而智能体的目的位置Xf如公式(6)所示：
Figure BDA0002369565360000111
公式(5)和公式(6)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(5)中等号右边的括号中的三个元素分别表示智能体的初始的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(6)中等号右边的括号中的三个元素分别表示智能体的目的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标。所述目的位置能够是规划的路径的终点位置。所述初始的位置也能够是规划的路径的初始位置。
步骤2：评价智能体位置；
所述评价智能体位置，包括：各个智能体综合考虑其与目标位置的关系，以及与行动禁区的关系，对其当前所处位置进行评价计算；
所述评价智能体位置，具体步骤包括：
步骤2-1：计算每一个智能体的当前位置与目标位置的偏离度，其中，第i个智能体的当前位置与目标位置的偏离度fi 0(t)如公式(7)所示：
Figure BDA0002369565360000112
第i个智能体的当前位置Xi(t)距离目标位置Xf越近，则偏离度越小，即智能体的位置评价值会越高；
步骤2-2：计算每一个智能体的当前位置与无线传输行动禁区之间的关系，其中，第i个智能体的当前位置与无线传输行动禁区之间的关系为：第i个智能体是否与无线传输行动禁区的高度之间的距离小于阈值T；如果智能体的位置与无线传输行动禁区的空域位置的高度之间相距的距离小于设计的阈值，则如公式(8)所示来增大该智能体当前位置与目标位置的偏离度fiti(t)：
Figure BDA0002369565360000121
其中
Figure BDA0002369565360000122
表示第j个障碍物的中心坐标，j＝1...p,p为无线自组织网络区域内的无线传输禁区的数目，p也就是上述的J。Φ为对路径探索过程中接近禁区的惩罚值，H为无线传输行动禁区的空域的高度。其具体的阈值和惩罚值的设置，可以根据无线自组织网络稳定性的具体需求来决定。
步骤3：智能体的速度和位置更新；
所述智能体的速度和位置更新，包括：各个智能体根据评价智能体位置的结果，更新智能体的历史上的最优位置，并更新智能体的移动速度，该移动速度包括移动的方向和速度绝对值；
所述智能体的速度和位置更新，具体步骤包括：
步骤3-1：计算每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，第i个智能体的最优位置为Pi,best(t)；
计算所述第i个智能体的最优位置Pi,best(t)的位置，包括：将新计算出来的偏离度fiti(t)和上一次更新保存的偏离度fiti(t-1)进行比较，若新的计算出来的偏离度fiti(t)大于上一次更新保存的偏离度fiti(t-1)，则保存最小的偏离度作为所述第i个智能体的偏离度的最优值，即fiti(t)＝fiti(t-1)，更新本智能体的当前最佳位置为Pi,best(t-1)，即Pi,best(t)＝Pi,best(t-1)；
若新计算出来的偏离度小于或等于上一次更新保存的偏离度，则不更新，新计算出来的偏离度fiti(t)就是到当前迭代为止的所述第i个智能体的偏离度的最优值，所述第i个智能体的当前位置Pi,best(t)就是该智能体的历史最佳位置；用fit(t)表示智能体集合S中所有智能体在第t次迭代中的最小的偏离度与所有智能体在第t-1次迭代中的最小的偏离度fit(t-1)之间的最小值，若fit(t-1)小于集合S所有智能体在第t次迭代最小偏离度，则智能体集合S中所有智能体在第t次迭代中的最小的偏离度为fit(t-1)，即fit(t)＝fit(t-1)，而智能体集合S的最优位置Pg,best(t)就为Pg,best(t-1)，即Pg,best(t)＝Pg,best(t-1)；否则fit(t)就为智能体集合S中所有智能体在第t次迭代的最小偏离度，而智能体集合S的最优位置Pg,best(t)就为其所有智能体在第t次迭代后的最小的偏离度对应的位置；
步骤3-2：根据计算出来的每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，计算每个智能体下一次迭代的速度和位置，其中，所述第i个智能体的下一次迭代的速度和位置分别为Vi(t+1)和Xi(t+1)；
所述第i个智能体的下一次迭代的速度Vi(t)可以计算公式为公式(9)所示：
Figure BDA0002369565360000131
其中，上标M代表笛卡尔坐标系下X轴、Y轴或Z轴方向；r1，r2表示服从均匀分布的随机变量，0≤r1≤1，0≤r2≤1；w(t)>0且w(t)是权重变量；c1≥0，c2≥0，c1和c2均是学习因子；
步骤3-3：在每一次智能体的所述下一次迭代的速度更新后再更新当前智能体的位置，其中，第i个智能体的所述下一次迭代的速度Vi(t+1)更新后，还需要如公式(10)所示来更新第i个智能体的当前位置Xi(t+1)：
Xi M(t+1)＝Xi M(t)+Vi M(t+1),M＝{X,Y,Z} (10)
上标M同样代表笛卡尔坐标系下X轴、Y轴或Z轴方向；
步骤3-4：如果智能体的当前位置不满足要求，或者没有完成预先规定的位置更新次数，则重复执行作为迭代的步骤3-1到步骤3-4，直至迭代结束。所述的不满足要求可以为：如果智能体的位置与某个无线传输行动禁区的空域位置的高度之间相距的距离小于设计的阈值。
步骤4：确定无线自组织网络中节点的路径；
所述确定无线自组织网络中节点的路径，包括：从所有智能体在所述智能体速度和位置更新下形成的轨迹路径中，选择最优路径，作为无线自组织网络中节点的路径规划结果。
所述确定无线自组织网络中节点的路径的具体方式包括：根据所有智能体的路径探索结果，得到智能体集合S的最优位置中的从初始位置到目的位置的最优移动路径，作为无线自组织网络中节点的行动路径，由此实现了路径较短与无线自组织网络稳定的联合优化。
每次步骤3的智能体位置和速度更新迭代结束后，每个智能体存储其当前最佳位置，其中，第i个智能体存储的其当前最佳位置Pi,best(t)如公式(3)所示；而智能体集合S中所有智能体的最佳位置Pg,best(t)如公式(4)所示：
Pi,best(t)＝(Pi X(t),Pi Y(t),Pi Z(t)) (3)
Figure BDA0002369565360000151
其中，t为正整数且表示当前第i个智能体的最佳位置的序列号，公式(3)和公式(4)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(3)中等号右边的括号里的三个元素分别表示第i个智能体的当前最佳位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(4)中等号右边的括号里的三个元素分别表示所有智能体的当前最佳位置在笛卡尔坐标系下的x坐标的集合、y坐标的集合和z坐标的集合,i为正整数。
所述无线自组织网络中节点的移动路径规划系统，包括运行在所述智能体上的初始化模块、评价模块、更新模块和确定模块；
所述初始化模块用于所述初始化；
所述评价模块用于评价智能体位置；
所述更新模块用于智能体的速度和位置更新；
所述确定模块用于确定无线自组织网络中节点的路径。
总之，本发明联合考虑节点移动路径的路程优化和无线自组织网络组网稳定所需避免的传输禁区，比如无线衰落较大的地形、高大障碍物、电磁干扰强的区域等等，采用多智能体搜寻的方法，通过迭代更新多智能体位置和速度，找到最优节点移动路径，使得无线自组织网络在节点移动路径规划中的路程优化和网络稳定得到综合优化，提高无线自组织网络中节点移动的效率，提高自组织网络的稳定性。
如图2所示，通过仿真实例来验证本发明的有效性，具体如下：
首先简要介绍实施例的场景，设置仿真场景如下：无线自组织网络覆盖地域为如图2所示地形，地域大小20km×20km。图2中，小圆圈o表示自组织网络中的可移动节点的出发位置，x表示节点移动的目的位置。大圆圈O表示该地域内的无线传输行动禁区。图2给出了在20km×20km的仿真区域内采用本发明所述方法得到的3个移动节点的路径规划结果。可以看出，在起始位置和目的位置之间存在禁区时，采用本方法得到的节点移动路径规划能高效的避开禁区影响范围，并到达目的位置。在起始位置和目的位置之间没有禁区时，采用本方法得到的节点移动路径规划结果几乎为直线，即最短路径，符合节点移动路程最短的要求。由此可以看出，本发明的方法能实现智能搜索的收敛，并且能兼容存在禁区与不存在禁区的两种情况，具有较强的通用性。
以上以用实施例说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。

Claims (4)

1.一种无线自组织网络中节点的移动路径规划系统的方法，其特征在于，包括如下步骤：
步骤1：初始化；
所述初始化，包括：在无线自组织网络中节点的路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置；
具体步骤包括：
步骤1-1：初始设定；
所述初始设定，包括：用S表示智能体集合，所述智能体集合中包含N个智能体，N为正整数；用{Oj|j＝1...J}表示无线自组织网络覆盖区域内的无线传输行动禁区集合,J为无线自组织网络覆盖区域内的无线传输行动禁区的个数，这里，j、J均为正整数；而第j个无线传输行动禁区Oj的空域范围为：该空域范围的半径为Rj，该空域范围的高度为Hj，且作为该空域位置的该空域范围的中心坐标在笛卡尔坐标体系下的x坐标、y坐标和z坐标分别用
Figure FDA0003460936370000011
中的三个元素表示，智能体集合S的第i个智能体的速度Vi(t)和该智能体的当前位置Xi(t)分别如公式(1)和公式(2)所示，这里i为正整数：
Vi(t)＝(Vi X(t),Vi Y(t),Vi Z(t)) (1)
Figure FDA0003460936370000012
公式(1)和公式(2)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(1)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下横轴、纵轴和竖轴方向上的速度分量，公式(2)中等号右边的括号中的三个元素分别表示第i个智能体在笛卡尔坐标系下的x坐标、y坐标和z坐标；
步骤1-2：智能体的位置和速度初始化；
所述智能体的位置和速度初始化，包括：在所述路径规划区域内，随机放置若干用于路径探索的智能体，其初始的位置和速度均随机设置；
其中，初始的位置X0如公式(5)所示：
Figure FDA0003460936370000021
而智能体的目的位置Xf如公式(6)所示：
Figure FDA0003460936370000022
公式(5)和公式(6)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(5)中等号右边的括号中的三个元素分别表示智能体的初始的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(6)中等号右边的括号中的三个元素分别表示智能体的目的位置在笛卡尔坐标系下的x坐标、y坐标和z坐标；
步骤2：评价智能体位置；
所述评价智能体位置，包括：各个智能体综合考虑其与目标位置的关系，以及与行动禁区的关系，对其当前所处位置进行评价计算；
具体步骤包括：
步骤2-1：计算每一个智能体的当前位置与目标位置的偏离度，其中，第i个智能体的当前位置与目标位置的偏离度fi 0(t)如公式(7)所示：
Figure FDA0003460936370000023
第i个智能体的当前位置Xi(t)距离目标位置Xf越近，则偏离度越小，即智能体的位置评价值会越高；
步骤2-2：计算每一个智能体的当前位置与无线传输行动禁区之间的关系，其中，第i个智能体的当前位置与无线传输行动禁区之间的关系为：第i个智能体是否与无线传输行动禁区的高度之间的距离小于阈值T；如果智能体的位置与无线传输行动禁区的空域位置的高度之间相距的距离小于设计的阈值，则如公式(8)所示，该智能体当前位置与目标位置的增大偏离度fiti(t)：
Figure FDA0003460936370000031
其中
Figure FDA0003460936370000032
表示第j个无线传输行动禁区的中心坐标，Φ为对路径探索过程中接近禁区的惩罚值，Hi为与当前智能体位置最接近的无线传输行动禁区的空域的高度，Ri为与当前智能体位置最接近的无线传输行动禁区空域范围的半径；
步骤3：智能体的速度和位置更新；
所述智能体的速度和位置更新，包括：各个智能体根据评价智能体位置的结果，更新智能体的历史上的最优位置，并更新智能体的移动速度；
步骤4：确定无线自组织网络中节点的路径；
所述确定无线自组织网络中节点的路径，包括：从所有智能体在所述智能体速度和位置更新下形成的路径中，选择最优路径，作为无线自组织网络中节点的路径规划结果。
2.根据权利要求1所述的无线自组织网络中节点的移动路径规划系统的方法，其特征在于，所述评价智能体位置，具体步骤包括：
所述智能体的速度和位置更新，具体步骤包括：
步骤3-1：计算每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，第i个智能体的最优位置为Pi,best(t)；
计算所述第i个智能体的最优位置Pi,best(t)的位置，包括：将新计算出来的偏离度fiti(t)和上一次更新保存的偏离度fiti(t-1)进行比较，若新的计算出来的偏离度fiti(t)大于上一次更新保存的偏离度fiti(t-1)，则保存最小的偏离度作为所述第i个智能体的偏离度的最优值，即fiti(t)＝fiti(t-1)，更新本智能体的当前最佳位置为Pi,best(t-1)，即Pi,best(t)＝Pi,best(t-1)；
若新计算出来的偏离度小于或等于上一次更新保存的偏离度，则不更新，新计算出来的偏离度fiti(t)就是到当前迭代为止的所述第i个智能体的偏离度的最优值，所述第i个智能体的当前位置Pi,best(t)就是该智能体的历史最佳位置；用fiti(t)表示智能体集合S中所有智能体在第t次迭代中的最小的偏离度与所有智能体在第t-1次迭代中的最小的偏离度fiti(t-1)之间的最小值，若fiti(t-1)小于集合S所有智能体在第t次迭代最小偏离度，则智能体集合S中所有智能体在第t次迭代中的最小的偏离度为fiti(t-1)，即fiti(t)＝fiti(t-1)，而智能体集合S的最优位置Pg,best(t)就为Pg,best(t-1)，即Pg,best(t)＝Pg,best(t-1)；否则fiti(t)就为智能体集合S中所有智能体在第t次迭代的最小偏离度，而智能体集合S的最优位置Pg,best(t)就为其所有智能体在第t次迭代后的最小的偏离度对应的位置；
步骤3-2：根据计算出来的每个智能体的最优位置和智能体集合S的最优位置Pg,best(t)，计算每个智能体下一次迭代的速度和位置，其中，所述第i个智能体的下一次迭代的速度和位置分别为Vi(t+1)和Xi(t+1)；
所述第i个智能体的下一次迭代的速度Vi(t)可以计算公式为公式(9)所示：
Figure FDA0003460936370000051
其中，上标M代表笛卡尔坐标系下X轴、Y轴或Z轴方向；r1，r2表示服从均匀分布的随机变量，0≤r1≤1，0≤r2≤1；w(t)>0且w(t)是权重变量；c1≥0，c2≥0，c1和c2均是学习因子；
步骤3-3：在每一次智能体的所述下一次迭代的速度更新后再更新当前智能体的位置，其中，第i个智能体的所述下一次迭代的速度Vi(t+1)更新后，还需要如公式(10)所示来更新第i个智能体的当前位置Xi(t+1)：
Figure FDA0003460936370000052
上标M同样代表笛卡尔坐标系下X轴、Y轴或Z轴方向；
步骤3-4：如果智能体的当前位置不满足要求，或者没有完成预先规定的位置更新次数，则重复执行作为迭代的步骤3-1到步骤3-4，直至迭代结束。
3.根据权利要求2所述的无线自组织网络中节点的移动路径规划系统的方法，其特征在于，每次步骤3的智能体位置和速度更新迭代结束后，每个智能体存储其当前最佳位置，其中，第i个智能体存储的其当前最佳位置Pi,best(t)如公式(3)所示；而智能体集合S中所有智能体的最佳位置Pg,best(t)如公式(4)所示：
Pi,best(t)＝(Pi X(t),Pi Y(t),Pi Z(t)) (3)
Figure FDA0003460936370000053
其中，t为正整数且表示当前第i个智能体的最佳位置的序列号，公式(3)和公式(4)中的上标X、Y和Z分别表示在笛卡尔坐标系下横轴、纵轴和竖轴方向，公式(3)中等号右边的括号里的三个元素分别表示第i个智能体的当前最佳位置在笛卡尔坐标系下的x坐标、y坐标和z坐标，公式(4)中等号右边的括号里的三个元素分别表示所有智能体的当前最佳位置在笛卡尔坐标系下的x坐标的集合、y坐标的集合和z坐标的集合,i为正整数。
4.根据权利要求1所述的无线自组织网络中节点的移动路径规划系统的方法，其特征在于，所述确定无线自组织网络中节点的路径的具体方式包括：根据所有智能体的路径探索结果，得到智能体集合S的最优位置中的从初始位置到目的位置的最优移动路径，作为无线自组织网络中节点的行动路径。
CN202010046421.3A 2020-01-16 2020-01-16 无线自组织网络中节点的移动路径规划系统及其方法 Active CN111263418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010046421.3A CN111263418B (zh) 2020-01-16 2020-01-16 无线自组织网络中节点的移动路径规划系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010046421.3A CN111263418B (zh) 2020-01-16 2020-01-16 无线自组织网络中节点的移动路径规划系统及其方法

Publications (2)

Publication Number Publication Date
CN111263418A CN111263418A (zh) 2020-06-09
CN111263418B true CN111263418B (zh) 2022-04-15

Family

ID=70952146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010046421.3A Active CN111263418B (zh) 2020-01-16 2020-01-16 无线自组织网络中节点的移动路径规划系统及其方法

Country Status (1)

Country Link
CN (1) CN111263418B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8411567B2 (en) * 2010-06-30 2013-04-02 Intel Corporation Swarm intelligence based methods to enable cooperative communication in a mesh network
CN106028417B (zh) * 2016-05-26 2019-04-05 重庆大学 一种基于节点能耗和剩余能量的无线传感网络路径规划方法
CN109803341A (zh) * 2018-09-29 2019-05-24 江苏开放大学（江苏城市职业学院） 无线传感器网络中的自适应路径规划方法
CN110274607A (zh) * 2019-05-21 2019-09-24 深圳壹账通智能科技有限公司 智能化路径规划方法、装置及计算机可读存储介质
CN110231824B (zh) * 2019-06-19 2021-09-17 东北林业大学 基于直线偏离度方法的智能体路径规划方法
CN110362081B (zh) * 2019-07-16 2020-04-24 武昌理工学院 一种移动机器人路径规划方法

Also Published As

Publication number Publication date
CN111263418A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
US8527457B2 (en) Arrangement for autonomous mobile network nodes to organize a wireless mobile network based on detected physical and logical changes
CN107017940B (zh) 无人机中继广播通信系统航迹优化方法
CN107607120B (zh) 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法
CN106054875B (zh) 一种分布式多机器人动态网络连通性控制方法
CN109831236B (zh) 一种基于蒙特卡洛树搜索辅助的波束选择方法
CN112947548B (zh) 一种基于频谱地图的无人机编队规划方法及系统
CN112683278B (zh) 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法
Chandrashekar et al. Providing full connectivity in large ad-hoc networks by dynamic placement of aerial platforms
Feng et al. Unknown hostile environment-oriented autonomous WSN deployment using a mobile robot
CN112929940B (zh) 一种基于链路生存时间预测的无人机自组网组播路由方法
CN112672398A (zh) 一种基于自适应kalman预测的3D-GPSR路由方法
CN111263418B (zh) 无线自组织网络中节点的移动路径规划系统及其方法
Syfullah et al. Mobility-based clustering algorithm for multimedia broadcasting over IEEE 802.11 p-LTE-enabled VANET
CN114039683A (zh) 无人机集群的无线紫外光通信网络抗干扰容错方法
Schindelhauer et al. Worst case mobility in ad hoc networks
Ghaffarkhah et al. Communication-aware target tracking using navigation functions-centralized case
CN112564766A (zh) 一种无人机网络连通修复方法
CN114640621B (zh) 一种低轨卫星网络中基于不确定链路参数的路由选择方法
CN111356039A (zh) 无线光通信网络的拓扑形成方法
Chaythanya Fuzzy logic based approach for dynamic routing in MANET
CN113382464B (zh) 一种基于最小生成树的定向自组网功率控制方法
CN116009527A (zh) 基于动态场景结构膨胀感知的路径规划算法
Lou et al. Terrain-Based UAV Deployment: Providing Coverage for Outdoor Users
CN113993099A (zh) 一种面向三维空间移动无人机用户的切换参数配置方法
CN115051758B (zh) 一种水下无线光传感器网络可靠数据传输方法

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