CN111553404B - 一种通信网络节点自适应动态规划方法 - Google Patents

一种通信网络节点自适应动态规划方法 Download PDF

Info

Publication number
CN111553404B
CN111553404B CN202010327689.4A CN202010327689A CN111553404B CN 111553404 B CN111553404 B CN 111553404B CN 202010327689 A CN202010327689 A CN 202010327689A CN 111553404 B CN111553404 B CN 111553404B
Authority
CN
China
Prior art keywords
user
clustering
unmanned aerial
users
class
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
CN202010327689.4A
Other languages
English (en)
Other versions
CN111553404A (zh
Inventor
陈勇
柴兴华
耿虎军
孙士勇
陈彦桥
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 54 Research Institute
Original Assignee
CETC 54 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 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202010327689.4A priority Critical patent/CN111553404B/zh
Publication of CN111553404A publication Critical patent/CN111553404A/zh
Application granted granted Critical
Publication of CN111553404B publication Critical patent/CN111553404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种通信网络节点自适应动态规划方法，用于基于无人机实现区域通信覆盖场景下的无人机节点位置的动态规划，利用有限的无人机资源实现最佳的通信覆盖效果。首先，该方法根据地面用户的当前位置和用户之间的通联关系确定用户分群，然后，再根据群内成员的整体运动方向趋势对群中心位置进行适当调整，以求每一次无人机的位置更新能够维持更久的通信覆盖有效性，有效减少无人机移动次数，降低无人机机载电源的能耗，最后，将调整后的群中心位置作为无人机节点的悬停位置。

Description

一种通信网络节点自适应动态规划方法
技术领域
本发明涉及通信领域中一种通信网络节点自适应动态规划方法，用于基于无人机实现区域通信覆盖场景下的无人机节点位置的动态规划，利用有限的无人机资源实现最佳的通信覆盖效果。
背景技术
突发自然灾害现场往往因无线基站遭遇毁坏而无法提供通信服务，由无人机搭载通信模块升空可以快速构建灾区现场通信服务网络，为现场救援人员提供应急通信服务，为了让通信网络能够为更多的分散在地面不同位置的救援人员提供通信接入服务，需要一种通信网络节点自适应动态规划方法，能够根据地面人员的位置移动情况，随时调整无人机节点的位置，形成最佳的网络拓扑结构，随时满足每一位地面救援人员的通信服务需求。为了实现基于有限的无人机资源覆盖更多地面人员，需要基于用户的位置和彼此通联关系进行聚类分析，将地面用户划分为若干个簇并获得簇中心，再根据簇内用户的运动方向趋势对簇中心进行调整，最终根据簇中心的位置确定各个无人机的位置。
发明内容
本发明所要解决的技术问题是因地面人员随机移动导致的通信中断甚至跨出通信覆盖范围的问题，本发明提供一种基于聚类算法的无人机通信网络节点自适应动态规划方法。
本发明解决其技术问题所采用的技术方案是:
一种通信网络节点自适应动态规划方法，包括步骤：
(1)基于各个用户的位置信息和用户之间的通联关系信息，利用聚类算法对用户进行分群并获取分群中心位置；
(2)对每一个用户分群结果，根据分群内各用户的运动趋势计算分群整体运动方向趋势；
(3)根据分群整体运动方向趋势对分群中心位置进行调整，形成最终的群中心位置；
完成通信网络节点自适应动态规划。
其中，步骤(1)具体包括以下步骤：
(1.1)根据下列公式计算出每对用户之间的聚类距离；
Figure BDA0002463808780000021
其中，
Figure BDA0002463808780000022
为用户数量，d(γ，τ)是用户γ与τ之间的空间距离，采用欧式距离公式计算；
Figure BDA0002463808780000023
k为用户γ与τ位置描述空间的维度，n为总的空间维度；/>
Figure BDA0002463808780000024
是用户γ与τ之间空间距离的归一化值；
c(γ，τ)是用户γ与τ的通联次数，
Figure BDA0002463808780000025
是用户γ与τ通联次数的归一化值；
ρ1和ρ2是权重系数，ρ1+ρ2＝1；
(1.2)采用聚类算法对用户进行分群，当无人机数量为已知时，采用C均值算法进行聚类，当无人机数量为未知时，采用DBSCAN算法进行聚类分析，并获取分群中心位置。
其中，步骤(1.2)中采用C均值算法进行聚类的步骤如下：
步骤1：设置C等于可用的无人机数量；
步骤2：从所有用户中随机选取C个用户作为C个类簇的初始类中心；
步骤3：计算每个用户与各个类中心的距离，根据距离确定每个用户的类归属；
步骤4：根据每个用户与类中心的距离更新类中心；
步骤5：与上一次类中心比较，如果相同或者类中心变化小于某一个偏差阈值，则输出C个类及各类的类中心，否则转向步骤2；
采用DBSCAN算法进行聚类的步骤如下：
步骤6：从用户集合中随机抽取一个未被处理的用户对象p，且在它的近邻满足邻域密度阈值要求时称为核对象；
步骤7：遍历整个用户集合，根据聚类距离找到所有用户对象p的密度可达对象；
步骤8：根据步骤2处理结果通过密度相连产生类簇结果，将形成簇的用户标为“已处理”；
步骤9：返回步骤6，直到数据集中所有对象都为“已处理”；
步骤10：计算各类的类中心并输出聚类结果。
其中，步骤(2)中根据分群内各用户的运动趋势计算分群整体运动方向趋势，具体计算公式为：
Figure BDA0002463808780000031
其中，
Figure BDA0002463808780000032
和/>
Figure BDA0002463808780000033
代表x和y方向的平均速度分量，k代表分群内的用户数量，vxi和vyi代表第i个用户分别沿x和y方向的速度。
其中，步骤(3)根据分群整体运动方向趋势对分群中心位置进行调整的方法为：
Figure BDA0002463808780000034
其中，x′和y′代表经过调整后的最终分群中心位置，a、b为上一时刻分群中心位置，t是一个时长参数，根据具体应用场景情况调整使用。
本发明相比现有技术的优点为：
目前，领域内主要采用合同网、拍卖、遗传等算法解决服务对象分配问题，再根据所分配负责对象的位置确定自身的位置，由于这些算法涉及复杂的约束模型和公式计算，因此，需要有高性能的计算环境作为支撑。本发明提出的算法基于经典的聚类算法，无需构建约束模型，同时计算过程简洁，在简单的计算环境下就可以开展工作，特别适合于机载计算能力受限环境的应用场景。
附图说明
图1是本发明的流程图。
图2是本发明的应用场景示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
本发明主要用于解决基于无人机提供区域通信网络覆盖服务时，无人机如何根据地面用户位置及通联关系情况实现最佳动态部署问题，即利用有限的无人机资源覆盖更多的地面通信用户，本发明把无人机按需动态部署问题看作是根据地面用户位置及通联关系的用户分群问题，它包括三个步骤，步骤一：基于用户的位置和用户之间的通联关系情况，利用聚类算法对用户进行分群并获取分群中心位置；步骤二：对每一个用户分群结果，根据分群内各成员的运动趋势计算分群整体运动方向；步骤三：根据群内成员的整体运动方向趋势对群中心位置进行调整，形成最终的群中心位置。
本发明流程，如图1所示，一种通信网络节点自适应动态规划方法，包括以下步骤：
(1)基于用户的位置信息和用户的通联关系信息，利用聚类算法对用户进行分群并获取分群中心位置；具体包括以下步骤：
(1.1)根据下列公式计算出每对用户之间的聚类距离；
Figure BDA0002463808780000041
其中，
Figure BDA0002463808780000045
为用户数量，d(γ，τ)是用户γ与τ之间的空间距离，采用欧式距离公式计算；
Figure BDA0002463808780000042
k为用户γ与τ位置描述空间的维度，n为总的空间维度；
Figure BDA0002463808780000043
是用户γ与τ之间空间距离的归一化值；
c(γ，τ)是用户γ与τ的通联次数，
Figure BDA0002463808780000044
是用户γ与τ通联次数的归一化值；
ρ1和ρ2是权重系数，ρ1+ρ2＝1；
(1.2)采用聚类算法对用户进行分群，当无人机数量为已知时，采用C均值算法进行聚类，当无人机数量为未知时，采用DBSCAN算法进行聚类分析，并获取分群中心位置。
采用C均值算法进行聚类的步骤如下：
步骤1：设置C等于可用的无人机数量；
步骤2：从所有用户中随机选取C个用户作为C个类簇的初始类中心；
步骤3：计算每个用户与各个类中心的距离，根据距离确定每个用户的类归属；
步骤4：根据每个用户与类中心的距离更新类中心；
步骤5：与上一次类中心比较，如果相同或者类中心变化小于某一个偏差阈值，则输出C个类及各类的类中心，否则转向步骤2；
采用DBSCAN算法进行聚类的步骤如下：
步骤6：从用户集合中随机抽取一个未被处理的用户对象p，且在它的近邻满足邻域密度阈值要求时称为核对象；
步骤7：遍历整个用户集合，根据聚类距离找到所有用户对象p的密度可达对象；
步骤8：根据步骤2处理结果通过密度相连产生类簇结果，将形成簇的用户标为“已处理”；
步骤9：返回步骤6，直到数据集中所有对象都为“已处理”；
步骤10：计算各类的类中心并输出聚类结果。
(2)对每一个用户分群结果，根据分群内各成员用户的运动趋势计算分群整体运动方向趋势；计算公式为：
Figure BDA0002463808780000051
其中，
Figure BDA0002463808780000052
和/>
Figure BDA0002463808780000053
代表x和y方向的平均速度分量，k代表分群内的用户数量，vxi和vyi代表第i个用户分别沿x和y方向的速度。
(3)根据群内成员的整体运动方向趋势对群中心位置进行调整，形成最终的群中心位置。调整的方法为：
Figure BDA0002463808780000061
其中，x′和y′代表经过调整后的最终分群中心位置，a、b为上一时刻分群中心位置，t是一个时长参数，根据具体应用场景情况调整使用；
完成通信网络节点自适应动态规划计算。
本实施利的示例场景如图2所示，地面上两组人员(N与O为一组，P与Q为一组)分别沿黄河路和长江路向一个十字路口的建筑物前进，在行进过程中，利用搭载有通信装置的旋翼无人机在空中提供通信保障，为四个人之间的通信联系提供保障，为此需要根据地面人员的位置、通联情况、运动趋势随时调整无人机的空中悬停位置，本发明主要是采用聚类算法对地面人员进行聚类分簇，选择类簇中心位置作为下一时刻无人机空中悬停位置。
假定当前时刻是第i时刻，需要对第i+1时刻的无人机悬停位置进行预测。
假定第i时刻，N、O、P、Q之间累积的通联情况如下：
N与O之间通信10次
N与P之间通信1次
N与Q之间通信0次
O与P之间通信0次
O与Q之间通信0次
P与Q之间通信10次
ρ1＝0.8；ρ2＝0.2
假定第i时刻N、O、P、Q的位置为：
N的位置：Nx＝5；Ny＝4
O的位置：Ox＝5.5；Oy＝4.5
P的位置：Px＝6；Py＝14
Q的位置：Qx＝6.5；Qy＝14.5
N、O、P、Q之间的空间距离分别为：
N与O之间的空间距离：dNO＝0.7071
N与P之间的空间距离：dNP＝10.0499
N与Q之间的空间距离：dNQ＝10.6066
O与P之间的空间距离：dOP＝9.6177
O与Q之间的空间距离：dOQ＝10.0499
P与Q之间的空间距离：dPQ＝0.7071
N、O、P、Q之间的聚类距离分别为：
N与O之间的聚类距离：DNO＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝-0.08168
N与P之间的聚类距离：DNP＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.183103
N与Q之间的聚类距离：DNQ＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.20329
O与P之间的聚类距离：DOP＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.18434
O与Q之间的聚类距离：DOQ＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.19262
P与Q之间的聚类距离：DPQ＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝-0.08168
假定，已知有两架无人机可供使用，因此，C＝2，即聚成两个类，采用C均值算法进行用户分群的步骤如下：
步骤1：设置C＝2；
步骤2：随机选取N用户、P用户作为两个类的初始类中心C1和C2；
步骤3：分别计算O用户、Q用户与两个类中心的距离，根据距离确定每个用户的类归属；
N与O之间的聚类距离：DNO＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝-0.08168
N与Q之间的聚类距离：DNQ＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.20329
P与O之间的聚类距离：DOP＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝0.18434
P与Q之间的聚类距离：DPQ＝0.8×空间距离的归一化值-0.2×通联次数的归一化值＝-0.08168
假定一个用户成为某个类成员的条件是：其与类中心的距离不能大于0.09，则N用户与O用户成为一类簇，P用户与Q用户成为一类簇。
步骤4：根据每个用户与类中心的距离更新类中心C；
通过求类内各用户位置在x、y方向的平均值，形成新的类中心。
Figure BDA0002463808780000081
Figure BDA0002463808780000082
/>
Figure BDA0002463808780000083
Figure BDA0002463808780000084
步骤5：与上一次类中心比较，如果相同或者类中心变化小于某一个偏差阈值，转到下一步，否则转向步骤2；
新的类中心与当前类中心的欧式距离为：
Figure BDA0002463808780000085
Figure BDA0002463808780000086
步骤6：输出C个类。
假定偏差阈值为0.90，由于0.790569≤0.90，0.35355≤0.90，因此，满足偏差要求，可以停止迭代，输出C1new和C2new作为两架无人机在第i+1时刻的初始位置，此位置还需要根据类内成员的前期运动趋势进行调整。
以上内容是在无人机数量已知时，采用C均值算法的聚类过程，假如无人机资源数量未知，则采用DBSCAN算法对地面用户进行分群，由算法决定最终类簇数量，类簇的数量就代表着所需的无人机数量。
设邻域半径为0.09，邻域密度阈值为1。
步骤1：从4位用户中随机挑选一个未处理的N用户作为开始，根据邻域半径设置，以及与O、P、Q三个用户之间的距离进行判断，他有一个邻居用户O，满足邻域密度阈值为1的要求，因此N用户为核对象。
步骤2：由于P用户和Q用户与N用户的聚类距离都大于0.09，因此，P用户和Q用户不是N用户的密度可达对象。
步骤3：至此，可以确定N用户和O用户形成一个类簇，剩下的P用户和Q用户需进一步处理。
步骤4：，随机选择P用户作为开始，根据邻域半径判断，他有一个邻居Q用户，满足邻域密度阈值为1的要求，P用户为核对象，重复执行步骤2和步骤3，P用户和Q用户形成一个类簇。
步骤5：计算各类的类中心并输出聚类结果。
通过上述聚类过程，生成两个类簇，N用户和O用户形成一个类簇C1；P用户和Q用户形成一个类簇C2。
计算上述C1和C2的类中心：
Figure BDA0002463808780000091
Figure BDA0002463808780000092
Figure BDA0002463808780000093
/>
Figure BDA0002463808780000094
上述结果表明，需要两架无人机执行通信覆盖任务，两架无人机第i+1时刻的位置分别是C1new和C2new。
假定从第i-1时刻到第i时刻，N用户和O用户的平均运动速度为：
Figure BDA0002463808780000101
Figure BDA0002463808780000102
P用户和Q用户的平均运动方向为：/>
Figure BDA0002463808780000103
。
让t＝1秒，即根据1秒钟的移动量对簇类位置进行调整：
C1newx调整＝5.25+1＝6.25
C1newy调整＝4.75+1.5＝6.25
C2newx调整＝6.25+0.5＝6.75
C2newy调整＝14.25+1＝15.25

Claims (4)

1.一种通信网络节点自适应动态规划方法，其特征在于，包括以下步骤：
(1)基于各个用户的位置信息和用户之间的通联关系信息，利用聚类算法对用户进行分群并获取分群中心位置；
(2)对每一个用户分群结果，根据分群内各用户的运动趋势计算分群整体运动方向趋势；
(3)根据分群整体运动方向趋势对分群中心位置进行调整，形成最终的群中心位置；完成通信网络节点自适应动态规划；
其中，步骤(1)具体包括以下步骤：
(1.1)根据下列公式计算出每对用户之间的聚类距离；
Figure QLYQS_1
其中，
Figure QLYQS_2
为用户数量，d(γ,τ)是用户γ与τ之间的空间距离，采用欧式距离公式计算；
Figure QLYQS_3
k为用户γ与τ位置描述空间的维度，n为总的空间维度；
Figure QLYQS_4
是用户γ与τ之间空间距离的归一化值；
c(γ,τ)是用户γ与τ的通联次数，
Figure QLYQS_5
是用户γ与τ通联次数的归一化值；
ρ1和ρ2是权重系数，ρ1+ρ2＝1；
(1.2)采用聚类算法对用户进行分群，当无人机数量为已知时，采用C均值算法进行聚类，当无人机数量为未知时，采用DBSCAN算法进行聚类分析，并获取分群中心位置。
2.根据权利要求1所述的通信网络节点自适应动态规划方法，其特征在于：步骤(1.2)中采用C均值算法进行聚类的步骤如下：
步骤1：设置C等于可用的无人机数量；
步骤2：从所有用户中随机选取C个用户作为C个类簇的初始类中心；
步骤3：计算每个用户与各个类中心的距离，根据距离确定每个用户的类归属；
步骤4：根据每个用户与类中心的距离更新类中心；
步骤5：与上一次类中心比较，如果相同或者类中心变化小于某一个偏差阈值，则输出C个类及各类的类中心，否则转向步骤2；
采用DBSCAN算法进行聚类的步骤如下：
步骤6：从用户集合中随机抽取一个未被处理的用户对象p，且在它的近邻满足邻域密度阈值要求时称为核对象；
步骤7：遍历整个用户集合，根据聚类距离找到所有用户对象p的密度可达对象；
步骤8：根据步骤7处理结果通过密度相连产生类簇结果，将形成簇的用户标为“已处理”；
步骤9：返回步骤6，直到数据集中所有对象都为“已处理”；
步骤10：计算各类的类中心并输出聚类结果。
3.根据权利要求1所述的通信网络节点自适应动态规划方法，其特征在于：步骤(2)中根据分群内各用户的运动趋势计算分群整体运动方向趋势，具体计算公式为：
Figure QLYQS_6
其中，
Figure QLYQS_7
和/>
Figure QLYQS_8
代表x和y方向的平均速度分量，k代表分群内的用户数量，vxi和vyi代表第i个用户分别沿x和y方向的速度。
4.根据权利要求1所述的通信网络节点自适应动态规划方法，其特征在于：步骤(3)根据分群整体运动方向趋势对分群中心位置进行调整的方法为：
Figure QLYQS_9
其中，x′和y′代表经过调整后的最终分群中心位置，a、b为上一时刻分群中心位置，
Figure QLYQS_10
和/>
Figure QLYQS_11
代表x和y方向的平均速度分量，t是一个时长参数，根据具体应用场景情况调整使用。/>
CN202010327689.4A 2020-04-23 2020-04-23 一种通信网络节点自适应动态规划方法 Active CN111553404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010327689.4A CN111553404B (zh) 2020-04-23 2020-04-23 一种通信网络节点自适应动态规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327689.4A CN111553404B (zh) 2020-04-23 2020-04-23 一种通信网络节点自适应动态规划方法

Publications (2)

Publication Number Publication Date
CN111553404A CN111553404A (zh) 2020-08-18
CN111553404B true CN111553404B (zh) 2023-05-23

Family

ID=72003957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327689.4A Active CN111553404B (zh) 2020-04-23 2020-04-23 一种通信网络节点自适应动态规划方法

Country Status (1)

Country Link
CN (1) CN111553404B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949047B (zh) * 2020-08-27 2023-03-03 四川航天系统工程研究所 一种无人机集中式任务规划的中心无人机选择方法
CN113093785B (zh) * 2021-03-09 2022-10-11 中国电子科技集团公司第五十四研究所 一种通信支援下的无人机群目标覆盖方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501232A (zh) * 2013-09-11 2014-01-08 西安交通大学 一种移动环境下基于虚拟终端的群组协作系统及方法
CN103596222A (zh) * 2013-11-29 2014-02-19 河海大学常州校区 基于移动Sink位置可预测的无线传感器网络数据采集方法
CN106358278A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种拓扑动态变化情况下的基站功率自适应方法
CN108471616A (zh) * 2018-03-26 2018-08-31 深圳大学 基于物理引力模型部署无人机增强基站通信的方法及系统
CN108848489A (zh) * 2018-07-06 2018-11-20 西北工业大学 一种面向应急通信的无人机自适应覆盖方法
CN109313841A (zh) * 2016-05-09 2019-02-05 塔塔咨询服务有限公司 用于在传感器网络中实现自适应聚类的方法和系统
CN109495906A (zh) * 2018-11-09 2019-03-19 重庆邮电大学 基于无人机-地面站链路预测的无人机网关选择算法
CN110069076A (zh) * 2019-04-23 2019-07-30 北京航空航天大学 一种基于猛狼围捕行为的无人机集群空战方法
CN110087189A (zh) * 2019-04-30 2019-08-02 北京邮电大学 一种无人机基站部署位置的确定方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7848262B2 (en) * 2006-06-26 2010-12-07 The Boeing Company Neural network-based mobility management for healing mobile ad hoc radio networks
US10860801B2 (en) * 2018-09-12 2020-12-08 Samsung Electronics Co., Ltd. System and method for dynamic trend clustering

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501232A (zh) * 2013-09-11 2014-01-08 西安交通大学 一种移动环境下基于虚拟终端的群组协作系统及方法
CN103596222A (zh) * 2013-11-29 2014-02-19 河海大学常州校区 基于移动Sink位置可预测的无线传感器网络数据采集方法
CN109313841A (zh) * 2016-05-09 2019-02-05 塔塔咨询服务有限公司 用于在传感器网络中实现自适应聚类的方法和系统
CN106358278A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种拓扑动态变化情况下的基站功率自适应方法
CN108471616A (zh) * 2018-03-26 2018-08-31 深圳大学 基于物理引力模型部署无人机增强基站通信的方法及系统
CN108848489A (zh) * 2018-07-06 2018-11-20 西北工业大学 一种面向应急通信的无人机自适应覆盖方法
CN109495906A (zh) * 2018-11-09 2019-03-19 重庆邮电大学 基于无人机-地面站链路预测的无人机网关选择算法
CN110069076A (zh) * 2019-04-23 2019-07-30 北京航空航天大学 一种基于猛狼围捕行为的无人机集群空战方法
CN110087189A (zh) * 2019-04-30 2019-08-02 北京邮电大学 一种无人机基站部署位置的确定方法及装置

Also Published As

Publication number Publication date
CN111553404A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
Wu et al. Cooperative path planning of UAVs & UGVs for a persistent surveillance task in urban environments
CN108594853B (zh) 无人机队形控制方法
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
Zhou et al. An energy-balanced heuristic for mobile sink scheduling in hybrid WSNs
CN106483958B (zh) 一种基于障碍图和势场法的人机协同编队跟随及避障方法
CN111609864B (zh) 路网约束下多警员协作围捕任务分配及路径规划方法
CN111553404B (zh) 一种通信网络节点自适应动态规划方法
Du et al. Network-based heterogeneous particle swarm optimization and its application in UAV communication coverage
CN110602633B (zh) 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
Wong et al. Optimized evacuation route based on crowd simulation
Nezami et al. Dynamic Diversity Enhancement in Particle Swarm Optimization (DDEPSO) algorithm for preventing from premature convergence
CN113573333B (zh) 一种基于虚拟力的粒子群异构WSNs覆盖优化算法
Hong et al. UAV search-and-rescue planning using an adaptive memetic algorithm
Sujit et al. Multiple UAV coalition formation
Hoshino et al. Dynamic partitioning strategies for multi-robot patrolling systems
Sujit et al. Multiple UAV task allocation using particle swarm optimization
Samra et al. A linear time and space algorithm for optimal traffic-signal duration at an intersection
CN107153889B (zh) 水质采样巡航船路径规划最优化方法
Hu et al. Vision-based multi-agent cooperative target search
Adrian et al. A controllable rsu and vampire moth to support the cluster stability in vanet
Li et al. Intersection coordination with priority-based search for autonomous vehicles
Xu et al. A graph partitioning algorithm for parallel agent-based road traffic simulation
Zhong et al. Ea-based evacuation planning using agent-based crowd simulation
CN111553601A (zh) 一种城市环境下协同探测系统的目标分配优化方法
CN114333429B (zh) 一种面向多无人机目标覆盖任务的规则提取方法

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