CN113115399B - 一种异构无人机自组织网络的路由优化方法 - Google Patents

一种异构无人机自组织网络的路由优化方法 Download PDF

Info

Publication number
CN113115399B
CN113115399B CN202110350677.8A CN202110350677A CN113115399B CN 113115399 B CN113115399 B CN 113115399B CN 202110350677 A CN202110350677 A CN 202110350677A CN 113115399 B CN113115399 B CN 113115399B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
cluster
routing
cluster member
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
CN202110350677.8A
Other languages
English (en)
Other versions
CN113115399A (zh
Inventor
董超
张珉
游文静
冯斯梦
吴启晖
陶婷
刘仕杰
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110350677.8A priority Critical patent/CN113115399B/zh
Publication of CN113115399A publication Critical patent/CN113115399A/zh
Application granted granted Critical
Publication of CN113115399B publication Critical patent/CN113115399B/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
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明是一种异构无人机自组织网络的路由优化方法，针对人工智能(AI)驱动的软件定义网络(SDN)控制器辅助下的无人机自组织网络，提出了一种具有移动性估计和预测的集中式路由方案。具体来说，SDN控制器可以通过一种先进的最优估计技术来进行精确的移动估计和预测。在此基础上，通过簇头无人机(CHUs)或集中式控制器(CC)对网络拓扑频繁变化下各无人机请求的传输路由成本进行估计。SDN控制器根据全局网络信息为CHUs计算最优路由路径。本发明将扩展卡尔曼滤波(EKF)应用于无人机的精确机动估计和预测，将基于SDN的异构无人机自组织网络的路由问题转化为NP难的图决策问题，本发明出了一种定向粒子群优化算法(DPSO)，并结合DPSO路由协议进行快速路由决策，提高服务质量(QoS)。

Description

一种异构无人机自组织网络的路由优化方法
技术领域
本发明涉及无线通信的技术领域，特别涉及一种异构无人机自组织网络的路由优化方法。
背景技术
基于体积小、机动灵活、造价低廉等多个优势，无人机吸引了工业界和学术界的大量关注，成为各国竞相发展的热点，其应用领域十分广泛包括监视、侦查、巡逻、军事、目标探测、灾害传感等。在无人机的众多应用中，无人机实施的多目标定位被广泛应用于军事侦察以及目标检测中。一方面无人机具有体积小、机动灵活、不易被发现的优点，可以在敌占区上空进行长时间低空侦察；另一方面无人机可以携带多种传感器，能提供多种形式高分辨率的目标信息；其次无人机造价低廉，不会造成人员伤亡，具有经济、安全的特点。在很多实际场景中，例如侦察、检测无人区或核辐射区的目标等，并不适合派遣人员进入去完成任务，而与无人车相比，无人机对地面地形、道路的要求较低且就多径效应而言，空中的通信质量高于地面，由于无人机特有的优越性和灵活性，无人机在这类场景中更胜一筹。
随着任务范围的扩大以及难度和复杂度的加强，单架无人机完成任务所需的时间变长、任务的完成度大打折扣。随着无人机不断小型化的发展以及对无人机续航时间等局限的考虑，多无人机协作完成多目标定位成为一种趋势。与其他Ad-hoc网络一样，路由协议对于保证 FANETs的性能至关重要，近二十年来，FANETs路由协议的大量研究都在研究如何解决高机动性无人机和动态拓扑造成的路由失败。
基于软件定义网络(SDN)的异构无人机自组织网络(FANETs)近年来被越来越多的引起研究者的兴趣。首先，同构或者平面的FANETs存在着管理难、易丢失、协调差、端到端通信弱等诸多问题。然后，随着无人机技术的发展和制造成本的降低，基于SDN的异构型FANETs 已经可以实现，但在很大程度上还有待探索。最后，这种基于SDN的异构FANETs可以防止同构 FANETs的路由表过大、路径发现效率低下、跳数过多、路径过长等问题。
然而，对于基于SDN的异构FANETs，传统的路由协议已不能满足路由发现、维护和决策的需要。例如，基于拓扑的路由协议可能很难在FANETs中保持路由路径和较高的路由性能。然后,传统的路由协议不能满足动态拓扑和高反应流动无人机因为反应式路由协议的路由方法, 寻找一个路由路径时需要从源节点到目标节点的数据包传输。此外，地理协议在数据路由中可能会失败，因为无论无人机是通过卫星还是NUs都无法感知到每个无人机的实时位置。此外，蜂窝/多跳Wi-Fi架构在信道质量低或发生拥塞时，通过将流量从该小区转发到其他非拥塞小区来中继数据包，但仅仅是小区间的中继已然没办法避免单一路径的失效问题。
总之，基于SDN的异构FANETs需要解决几个挑战。无人机的高机动性特性导致了无人机之间或无人机与集群头之间的连接是间歇性的。此外，FANETs中的通信链路在交换信息时可能会经常中断。另外，由于网络拓扑高度动态，此时的路由路径可能不适用于下一刻，但传统的路由方案对于基于SDN的异构FANETs进行快速路由决策效率不高或完全适用。
发明内容
本发明的目的是提供一种异构无人机自组织网络的路由优化方法，能够解决多无人机群通信的路由需求。
为实现上述技术目的，本发明采取的技术方案为：
一种异构无人机自组织网络的路由优化方法，其特征在于：包括无人机组和控制器，所述的无人机组由多个可以自由移动的簇头无人机和簇成员无人机组成，每个无人机均设置有用于获取无人机位置数据的全球导航卫星系统，每个无人机通过其无人机地址识别与邻居无人机进行通信，簇头无人机或控制器能对网络拓扑频繁变化下各无人机请求的传输路由成本进行估计，控制器根据全局网络信息为簇头无人机计算最优路由路径，具体路由优化步骤如下：
步骤1，簇头无人机对簇成员无人机的移动进行估计和预测；
步骤2，基于簇成员无人机的移动数据,簇头无人机对簇成员无人机的各个连接之间的传输率进行评估，得到簇成员无人机的各个连接之间的传输率；
步骤3，基于簇成员无人机的各个连接之间的传输率，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估；
步骤4，随着簇头无人机和簇成员无人机的移动，簇成员无人机的位置发生改变，簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合；
步骤5，根据步骤4中的拓扑结构，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估，运行方向性粒子群优化算法，得到优化了的路由路径。
为优化上述技术方案，采取的具体措施还包括：
所述的步骤1中，簇头无人机对簇成员无人机的移动进行估计和预测采用的方法是基于扩展卡尔曼滤波器的方法，将卡尔曼滤波器的状态xk定义为：
Figure BDA0003002069010000021
其中
Figure BDA0003002069010000031
和
Figure BDA0003002069010000032
分别代表无人机的位置在x，y，z坐标上的值，
Figure BDA0003002069010000033
和
Figure BDA0003002069010000034
分别代表无人机的速度在 x，y，z坐标上的值。
所述的步骤2中，基于卡尔曼滤波器的状态xk,簇头无人机对簇成员无人机之间的各个连接之间的传输率
Figure BDA0003002069010000035
进行评估，表示为：
Figure BDA0003002069010000036
其中，WM为簇成员无人机之间通信的分配带宽，PM为簇成员无人机的发射功率，N0代表加性高斯白噪声的功率，δ为对数正态衰减，dk代表簇成员无人机之间的距离，λ代表路径衰减指数，通常取值范围为[2,4]，|h|代表瑞利信道衰减幅度，通常E[h|2]＝1。
所述的步骤3中，基于簇成员无人机之间的各个连接之间的传输率，簇头无人机对簇成员无人机之间的各个连接之间的路由成本
Figure BDA0003002069010000037
进行评估，表示为：
Figure BDA0003002069010000038
其中，ξM和ψM和代表系数权衡两项，
Figure BDA0003002069010000039
代表t时刻ij连接之间的传输率，
Figure BDA00030020690100000310
代表t+1时刻ij连接之间的传输率，
Figure BDA00030020690100000311
代表簇成员无人机之间最大的传输速率，
Figure BDA00030020690100000312
代表t时刻ij 连接之间的移动速率的差值，
Figure BDA00030020690100000313
代表t+1时刻ij连接之间的移动速率的差值，
Figure BDA00030020690100000314
代表簇成员无人机最大移动速率。
所述的步骤4中，基于步骤1中的
Figure BDA00030020690100000315
和
Figure BDA00030020690100000316
簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合，所述的发射区域的确定由发射空间和接收空间叠加而成，发射空间为发射无人机垂直于发射无人机和接收无人机之间连线的平面，于接收无人机组成的锥形空间区域，同理接收空间。
所述的步骤5中，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估：异构无人机自组织网络的任一源节点s和任一目的节点d之间的路由成本
Figure BDA00030020690100000317
表示为：
Figure BDA00030020690100000318
其中M2M代表簇成员无人机之间的通信，M2H代表簇成员无人机和簇头无人机之间的通信，MHM代表跨簇的M2M通信，通常由以下步骤构成：M2H,H2H,M2H，其中H2H代表簇头之间的通信，
Figure BDA0003002069010000041
代表没上行的M2H路由成本，
Figure BDA0003002069010000042
代表没下行的M2H路由成本。
所述的步骤5中，运行方向性粒子群优化算法，得到优化了的路由路径的步骤具体如下：
步骤5.1.1，根据基于扩展卡尔曼滤波的移动估计和预测，确定估计的传输率，估计的路由成本；
步骤5.1.2，当有路由请求，根据基于扩展卡尔曼滤波的移动估计和预测，确定发射区域；
步骤5.1.3，生成初始的粒子，每一个粒子即为每一个可能的路径；
步骤5.1.4，计算粒子的适应度函数，适应度函数即为路由成本函数；
步骤5.1.5，更新粒子，更新过程如下：首先根据适应度函数确定粒子的历史最优适应值极其粒子Li(t)，确定全局的最优适应值及其粒子G(t)，引入更新运算子
Figure BDA0003002069010000043
计算过程举例如下
Figure BDA0003002069010000044
选取粒子A和粒子B中共同的起始点，组成A和B次级粒子，比较次级粒子的适应函数值，将大的次级粒子的路径片段，给A；定义c1和c2为更新参数，t为时间，则粒子的更新表示为
Figure BDA0003002069010000045
其中，pi(t+1)为更新后的粒子，pi(t)为更新前的粒子；
步骤5.1.6，重复5.1.4至5.1.5，直到产生满足终止条件的决策。
本发明与现有技术相比，优点为：
本发明是一种异构无人机自组织网络的路由优化方法，针对人工智能(AI)驱动的软件定义网络(SDN)控制器辅助下的无人机自组织网络，提出了一种具有移动性估计和预测的集中式路由方案。SDN控制器可以通过先进的最优估计技术来进行精确的移动估计和预测。在此基础上，通过簇头无人机(CHUs)或集中式控制器(CC)对网络拓扑频繁变化下各无人机请求的传输路由成本进行估计。SDN控制器根据全局网络信息为CHUs计算最优路由路径。当源无人机和目标无人机位于同一CHU覆盖区域时，进一步的路由决策将由CHUs独立进行，以使总体路由成本最小化。本发明将扩展卡尔曼滤波(EKF)应用于无人机的精确机动估计和预测，将基于 SDN的异构无人机自组织网络的路由问题转化为NP难的图决策问题，利用定向粒子群优化算法(DPSO)，并结合DPSO路由协议进行快速路由决策，提高服务质量(QoS)。
附图说明
图1为本发明一种异构无人机自组织网络的路由优化方法所涉及的面向无人机自组网的自适应路由系统示意图。
图2为本发明一种异构无人机自组织网络的路由优化方法中发射区域示意图。
图3为本发明一种异构无人机自组织网络的路由优化方法中决策流程示意图。
图4为本发明一种异构无人机自组织网络的路由优化方法时延与无人机数量的关系仿真结果图。
图5为本发明一种异构无人机自组织网络的路由优化方法时延与无人机平均速度的关系仿真结果图。
图6为本发明一种异构无人机自组织网络的路由优化方法有效吞吐量与无人机数量的关系的仿真结果图。
图7为本发明一种异构无人机自组织网络的路由优化方法有效吞吐量与无人机平均速度的关系结果图。
图8为本发明一种异构无人机自组织网络的路由优化方法分组递交率与无人机数量的关系仿真结果图。
图9为本发明一种异构无人机自组织网络的路由优化方法与无人机平均速度的关系的仿真结果图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1至图3所示，一种异构无人机自组织网络的路由优化方法，包括由多个可以自由移动的无人机组成的无人机组，每个无人机均设置有全球导航卫星系统，所述的通全球导航卫星系统用于获取无人机位置数据，中心控制器(CC)可以控制所有簇头无人机(CHUs)，并可以通过CHUs控制所有的簇成员无人机(CMUs)。CHUs可以实时的估计和预测CMUs的位移动，CC可以感知整个网络的拓扑。CHUs可以决策簇内CMUs之间的路由，而CC可以决策整个网络的路由。路由的决策是基于位置的估计和预测，并在此基础上确定发射空间，执行粒子的生成、计算和更新的过程。具体实现步骤如下：
步骤1，簇头无人机(CHUs)对簇成员无人机(CMUs)的移动进行估计和预测，采用的方法是基于扩展卡尔曼滤波器(EKF)的方法，将卡尔曼滤波器的状态xk定义为：
Figure BDA0003002069010000051
其中
Figure BDA0003002069010000061
和
Figure BDA0003002069010000062
分别代表无人机的位置在x，y，z坐标上的值，
Figure BDA0003002069010000063
和
Figure BDA0003002069010000064
分别代表无人机的速度在 x，y，z坐标上的值；
步骤2，基于卡尔曼滤波器的状态xk,簇头无人机(CHUs)对簇成员无人机(CMUs)之间的各个连接之间的传输率
Figure BDA0003002069010000065
进行评估，表示为：
Figure BDA0003002069010000066
其中，WM为簇成员无人机之间(M2M)通信的分配带宽，PM为簇成员无人机的发射功率， N0代表加性高斯白噪声的功率，δ为对数正态衰减，dk代表簇成员无人机之间的距离，λ代表路径衰减指数，通常取值范围为[2,4]，|h|代表瑞利信道衰减幅度，通常E[h|2]＝1。
步骤3，基于CMU各个连接之间的传输率，簇头无人机(CHUs)对簇成员无人机(CMUs) 之间的各个连接之间的路由成本
Figure BDA0003002069010000067
进行评估，表示为：
Figure BDA0003002069010000068
其中，ξM和ψM和代表系数权衡两项，
Figure BDA0003002069010000069
代表t时刻ij连接之间的传输率，
Figure BDA00030020690100000610
代表t+1时刻ij连接之间的传输率，
Figure BDA00030020690100000611
代表簇成员无人机之间最大的传输速率。
Figure BDA00030020690100000612
代表t时刻ij 连接之间的移动速率的差值，
Figure BDA00030020690100000613
代表t+1时刻ij连接之间的移动速率的差值，
Figure BDA00030020690100000614
代表簇成员无人机最大移动速率。
步骤4，基于步骤1中的
Figure BDA00030020690100000615
和
Figure BDA00030020690100000616
簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合。
步骤5，根据步骤4中的拓扑结构，和步骤3中的连接成本，运行方向性粒子群优化算法(Directional Particle Swarm Optimization)，得到优化了的路由路径。
所述的步骤4中，基于步骤1中的
Figure BDA00030020690100000617
和
Figure BDA00030020690100000618
簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合，所述的发射区域的确定由发射空间和接收空间叠加而成，发射空间为发射无人机垂直于发射无人机和接收无人机之间连线的平面，于接收无人机组成的锥形空间区域，同理接收空间，如图2所示。
所述的步骤5中，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估：异构无人机自组织网络的任一源节点s和任一目的节点d之间的路由成本
Figure BDA00030020690100000619
表示为：
Figure BDA0003002069010000071
其中M2M代表簇成员无人机之间的通信，M2H代表簇成员无人机和簇头无人机之间的通信，MHM代表跨簇的M2M通信，通常由以下步骤构成：M2H,H2H,M2H。其中H2H代表簇头之间的通信，通常具有较高的通信质量所以其通信成本低，其路由成本
Figure BDA0003002069010000072
通常较好。
Figure BDA0003002069010000073
代表没上行的M2H路由成本。
Figure BDA0003002069010000074
代表没下行的M2H路由成本。
所述的步骤5中，运行方向性粒子群优化算法，得到优化了的路由路径的步骤具体如下：
步骤5.1.1，根据基于扩展卡尔曼滤波的移动估计和预测，确定估计的传输率，估计的路由成本；
步骤5.1.2，当有路由请求，根据基于扩展卡尔曼滤波的移动估计和预测，确定发射区域；
步骤5.1.3，生成初始的粒子，每一个粒子即为每一个可能的路径；
步骤5.1.4，计算粒子的适应度函数，适应度函数即为路由成本函数；
步骤5.1.5，更新粒子，更新过程如下：首先根据适应度函数确定粒子的历史最优适应值极其粒子Li(t)，确定全局的最优适应值及其粒子G(t)，引入更新运算子
Figure BDA0003002069010000075
计算过程举例如下
Figure BDA0003002069010000076
选取粒子A和粒子B中共同的起始点，组成A和B次级粒子，比较次级粒子的适应函数值，将大的次级粒子的路径片段，给A；定义c1和c2为更新参数，t为时间，则粒子的更新表示为
Figure BDA0003002069010000077
其中，pi(t+1)为更新后的粒子，pi(t)为更新前的粒子；
步骤5.1.6，重复5.1.4至5.1.5，直到产生满足终止条件的决策。
进一步的，将本发明的方法与其他方法进行综合对比，进而验证本发明的方法的优势。
对比协议包括：第一，地理位置机动导向路由(GPMOR)，该协议利用高斯-马尔科夫机动模型预测无人机的运动，以消除高度动态运动的影响。然后根据移动关系和欧几里得距离来选择下一跳，从而做出更准确的决策。第二，位置感知路由(Location AwareRouting for Opportunistic Delay Tolerant,LAROD)是一种根据网络情况结合存储-携带-转发和贪婪转发技术的容迟地理路由协议。如果网络是稀疏连接的，目前的无人机使用存储-携带-转发技术，即保存数据包直到它遇到附近的其他无人机。第三，自适应转发协议(AFP)应用了一种基于转发概率和转发区域准则的自适应转发方案。自适应计算转发概率，减少冗余重广播。
在确定工况下对本方案与上述三种方案进行对比，确定工况具体为：对各种CMU速度进行了仿真，以评估不同场景下的系统性能。基于M2M通信的DSRC,和M2H通信的LTE仿真通信特性。调度周期与最大等待时间相同。每个无人机都可以在任何时候向SDN控制器提交请求。提交的请求总数在每个集群的CMU总数中从10％到90％不等。我们建立了由10-200架无人机组成的FANET，其中1到20个CHUs。所有CMU分别以相同的包到达率、缓冲区大小、收发功率、路径衰落指数和瑞利分布衰落点。在该仿真中，无人机的数据包到达模型为泊松数据包到达模型，运动模型为高斯-马尔科夫模型。所有CMU都可以连接到一个CHU，所有的CHUs都可以直接与CC通信，所有CMU都可以通过CHU与CC通信。考虑到CMU的MAC架构和传输功率，我们将通信范围设置为300米。
在上述工况下，图4、图5分别表示时延在无人机数量和无人机平均速度上的变化趋势；图6和图7分别表示网络的有效吞吐率在无人机数量和无人机平均速度上的变化趋势；图8、和图9分别表示分组递交率在不同的无人机数量和无人机平均速度上的变化趋势。图4-图9 中，DPSO代表分发明所提出的路由方法，AFP代表自适应转发区间协议(AdaptiveForwarding-zone protocol)，GPMOR代表地理位置移动导向的路由协议(GeographicPosition Mobility Oriented Routing)。
图4和图5所示，随着目无人机数量和无人机平均速度变化，采用本方案来进行数据包路由，无人机的时延都优于其他方案。
图6和图7所示，随着目无人机数量和无人机平均速度变化，采用本方案来进行数据包路由，有效吞吐量交率都优于其他方案。
图8和图9所示，随着无人机数量和无人机平均速度变化，采用的方案来进行数据包路由，时延都优于其他方案。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种异构无人机自组织网络的路由优化方法，其特征在于：包括无人机组和控制器，所述的无人机组由多个可以自由移动的簇头无人机和簇成员无人机组成，每个无人机均设置有用于获取无人机位置数据的全球导航卫星系统，每个无人机通过无人机地址识别邻居无人机，并与邻居无人机进行通信，簇头无人机或控制器能对网络拓扑频繁变化下各无人机请求的传输路由成本进行估计，控制器根据全局网络信息为簇头无人机计算最优路由路径，具体路由优化步骤如下：
步骤1，簇头无人机对簇成员无人机的移动进行估计和预测；
步骤2，基于簇成员无人机的移动数据,簇头无人机对簇成员无人机的各个连接之间的传输率进行评估，得到簇成员无人机的各个连接之间的传输率；
步骤3，基于簇成员无人机的各个连接之间的传输率，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估；
步骤4，随着簇头无人机和簇成员无人机的移动，簇成员无人机的位置发生改变，簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合；
步骤5，根据步骤4中的拓扑结构，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估，运行方向性粒子群优化算法，得到优化了的路由路径。
2.根据权利要求1所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤1中，簇头无人机对簇成员无人机的移动进行估计和预测采用的方法是基于扩展卡尔曼滤波器的方法，将卡尔曼滤波器的状态xk定义为：
Figure FDA0003761210200000011
其中
Figure FDA0003761210200000012
和
Figure FDA0003761210200000013
分别代表无人机的位置在x，y，z坐标上的值，
Figure FDA0003761210200000014
和
Figure FDA0003761210200000015
分别代表无人机的速度在x，y，z坐标上的值。
3.根据权利要求2所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤2中，基于卡尔曼滤波器的状态xk,簇头无人机对簇成员无人机之间的各个连接之间的传输率
Figure FDA0003761210200000016
进行评估，表示为：
Figure FDA0003761210200000017
其中，WM为簇成员无人机之间通信的分配带宽，M代表簇成员无人机，k代表第k个簇成员无人机，PM为簇成员无人机的发射功率，N0代表加性高斯白噪声的功率，δ为对数正态衰减，dk代表簇成员无人机之间的距离，λ代表路径衰减指数，取值范围为[2,4]，|h|代表瑞利信道衰减幅度，
Figure FDA0003761210200000021
代表第k个簇成员无人机的瑞利信道衰减幅度的平方，E[|h|2]＝1。
4.根据权利要求3所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤3中，基于簇成员无人机之间的各个连接之间的传输率，簇头无人机对簇成员无人机之间的各个连接之间的路由成本
Figure FDA0003761210200000022
进行评估，表示为：
Figure FDA0003761210200000023
其中，ξM和ψM和代表系数权衡两项，
Figure FDA0003761210200000024
代表t时刻ij连接之间的传输率，
Figure FDA0003761210200000025
代表t+1时刻ij连接之间的传输率，
Figure FDA0003761210200000026
代表簇成员无人机之间最大的传输速率，
Figure FDA0003761210200000027
代表t时刻ij连接之间的移动速度，
Figure FDA0003761210200000028
代表t时刻ij连接之间的移动速度的二范数，
Figure FDA0003761210200000029
代表t+1时刻ij连接之间的移动速度，
Figure FDA00037612102000000210
代表t+1时刻ij连接之间的移动速度的二范数，
Figure FDA00037612102000000211
代表簇成员无人机最大移动速率值。
5.根据权利要求4所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤4中，基于步骤1中的
Figure FDA00037612102000000212
和
Figure FDA00037612102000000213
簇头无人机构建簇成员无人机的拓扑结构，根据发射区域的约束，确定可以中继的簇成员无人机的集合，所述的发射区域的确定由发射空间和接收空间叠加而成，发射空间为发射无人机垂直于发射无人机和接收无人机之间连线的平面，与接收无人机组成的锥形空间区域，同理接收空间。
6.根据权利要求5所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤5中，簇头无人机对簇成员无人机的各个连接之间的路由成本进行评估：异构无人机自组织网络的任一源节点s和任一目的节点d之间的路由成本
Figure FDA00037612102000000214
表示为：
Figure FDA00037612102000000215
其中M2M代表簇成员无人机之间的通信，M2H代表簇成员无人机和簇头无人机之间的通信，MHM代表跨簇的M2M通信，由以下步骤构成：M2H,H2H,M2H，其中H2H代表簇头之间的通信，
Figure FDA00037612102000000216
代表没上行的M2H路由成本，
Figure FDA00037612102000000217
代表没下行的M2H路由成本。
7.根据权利要求6所述的一种异构无人机自组织网络的路由优化方法，其特征在于：所述的步骤5中，运行方向性粒子群优化算法，得到优化了的路由路径的步骤具体如下：
步骤5.1.1，根据基于扩展卡尔曼滤波的移动估计和预测，确定估计的传输率和估计的路由成本；
步骤5.1.2，当有路由请求，根据基于扩展卡尔曼滤波的移动估计和预测，确定发射区域；
步骤5.1.3，生成初始的粒子，每一个粒子即为每一个可能的路径；
步骤5.1.4，计算粒子的适应度函数，适应度函数即为路由成本函数；
步骤5.1.5，更新粒子，更新过程如下：首先根据适应度函数确定粒子的历史最优适应值及其粒子Li(t)，确定全局的最优适应值及其粒子G(t)，引入更新运算子
Figure FDA0003761210200000031
计算过程如下
Figure FDA0003761210200000032
选取粒子A和粒子B中共同的起始点，组成A和B次级粒子，比较次级粒子的适应函数值，将大的次级粒子的路径片段，给A；定义c1和c2为更新参数，t为时间，则粒子的更新表示为
Figure FDA0003761210200000033
其中，pi(t+1)为更新后的粒子，pi(t)为更新前的粒子；
步骤5.1.6，重复5.1.4至5.1.5，直到产生满足终止条件的决策。
CN202110350677.8A 2021-03-31 2021-03-31 一种异构无人机自组织网络的路由优化方法 Active CN113115399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110350677.8A CN113115399B (zh) 2021-03-31 2021-03-31 一种异构无人机自组织网络的路由优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110350677.8A CN113115399B (zh) 2021-03-31 2021-03-31 一种异构无人机自组织网络的路由优化方法

Publications (2)

Publication Number Publication Date
CN113115399A CN113115399A (zh) 2021-07-13
CN113115399B true CN113115399B (zh) 2022-11-29

Family

ID=76713222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110350677.8A Active CN113115399B (zh) 2021-03-31 2021-03-31 一种异构无人机自组织网络的路由优化方法

Country Status (1)

Country Link
CN (1) CN113115399B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485435B (zh) * 2021-07-28 2023-07-14 中国人民解放军32146部队 一种异构多无人机监控系统及方法
CN115474216B (zh) * 2022-11-02 2023-04-07 中国人民解放军国防科技大学 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置
CN116456419A (zh) * 2023-03-16 2023-07-18 华能伊敏煤电有限责任公司 面向能量均衡高可靠传输的多无人机数据回传路由方法
CN116709359B (zh) * 2023-08-01 2023-10-31 南京邮电大学 一种飞行Ad Hoc网络的自适应路由联合预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法
CN110913402A (zh) * 2019-11-27 2020-03-24 南京航空航天大学 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法
CN110913402A (zh) * 2019-11-27 2020-03-24 南京航空航天大学 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法

Also Published As

Publication number Publication date
CN113115399A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113115399B (zh) 一种异构无人机自组织网络的路由优化方法
CN108600942B (zh) 一种无人机自组网的路由方法
CN110149671B (zh) 无人机蜂群网络的路由选择方法
Koushik et al. Deep ${Q} $-learning-based node positioning for throughput-optimal communications in dynamic UAV swarm network
CN110650039B (zh) 一种基于多峰优化的无人机群辅助车辆网络协同通信模型
Arafat et al. A survey on cluster-based routing protocols for unmanned aerial vehicle networks
Pu Jamming-resilient multipath routing protocol for flying ad hoc networks
CN104581862A (zh) 一种基于低空无人飞行器自组网的测控通信方法和系统
CN108040353A (zh) 一种q学习的无人机集群智能地理路由方法
CN110191413B (zh) 一种基于贪婪蚁群算法在移动自组网中进行广播的方法及系统
CN110167097B (zh) 基于加权度量转发和路径规划的移动机器人中继路由方法
CN112367639B (zh) 基于北斗卫星授时的无人机集群自组网通信方法及系统
CN112822745B (zh) 一种面向无人机自组网的自适应路由方法
Pu et al. To route or to ferry: A hybrid packet forwarding algorithm in flying ad hoc networks
CN108667668B (zh) 一种城市道路场景下基于车联网连通基的通达性路由方法
Abbas et al. Joint optimization of age of information and energy efficiency in IoT networks
Toorchi et al. Skeleton-based swarm routing (SSR): Intelligent smooth routing for dynamic UAV networks
Deshpande et al. SMURF: Reliable multipath routing in flying ad-hoc networks
CN112929940A (zh) 一种基于链路生存时间预测的无人机自组网组播路由协议
CN111050301B (zh) 一种基于动态拓扑的无人机网络olsr路由自适应方法
Ji et al. Keep forwarding path freshest in VANET via applying reinforcement learning
CN110248392B (zh) 一种车联网中基于节点效能的机会转发方法
Huo et al. A UAV mobile strategy in mobile ad hoc networks
KR102346653B1 (ko) 강화학습 기반 uav 애드혹 네트워크 중계 시스템
CN111356199B (zh) 一种三维场景中车载自组织网络路由选择方法

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