CN113438620A - 一种无人机集群中心节点最优选择方法 - Google Patents
一种无人机集群中心节点最优选择方法 Download PDFInfo
- Publication number
- CN113438620A CN113438620A CN202110584478.3A CN202110584478A CN113438620A CN 113438620 A CN113438620 A CN 113438620A CN 202110584478 A CN202110584478 A CN 202110584478A CN 113438620 A CN113438620 A CN 113438620A
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- aerial vehicle
- cluster
- vehicle cluster
- 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.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 125
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003993 interaction Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000003313 weakening effect Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 10
- 238000012216 screening Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无人机集群通信的技术领域,具体为一种无人机集群中心节点最优选择方法。其技术要点是:该方法通过构建无人机集群的通信网络结构模型并且加入一些重要的参数指标来实现准确的选取无人机集群中心节点,采用筛选机制对后期参数指标极低的部分无人机进行提前筛选排除,采用基于时间窗口的方法来实现动态的无人机集群中心节点快速高效选取。本发明可使得无人机集群能够有更大的通信效益,同时进一步降低全网的能量消耗,可延长整个集群通信网络的生命周期。
Description
技术领域
本发明涉及无人机集群通信的技术领域,具体为一种无人机集群中心节点最优选择方法。
背景技术
随着通信及相关技术快速发展,无人机在科学研究和应用市场中受到越来越广泛的关注,因其自身能力的不断增强且性价比显著提高,加速了在军事和民用领域的应用。无人机集群系统指由若干架具备相互通信能力的无人机构成,融合智慧感知、自主决策、协同控制、遂行同一作战任务的系统。在无人机集群中,每架无人机当做通信节点,通信节点之间采用多跳的方式进行信息传输构成通信链路,由此构建无人机集群通信网络。通常无人机集群通信网络需要一个中心节点控制整个通信网络的信息交互与任务决策,中心节点对整个通信网络的信息流量控制、传递数据数量大小、路由投递等起着关键作用。无人机集群在执行任务过程中,其飞行速度快且位置不断变化将导致通信网络拓扑结构更新频繁,单机节点受到破坏离开网络可能会影响局部或全局网络的通信效益,伴随着新的单机节点加入网络,使无人机集群通信网络管理变得更加复杂。因此有效可靠的无人机集群中心节点选择是当前的重要问题。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种无人机集群中心节点最优选择方法,该方法通过构建无人机集群的通信网络结构模型并且加入一些重要的参数指标来实现准确的选取无人机集群中心节点,采用筛选机制对后期参数指标极低的部分无人机进行提前筛选排除,采用基于时间窗口的方法来实现动态的无人机集群中心节点快速高效选取。本发明可使得无人机集群能够有更大的通信效益,同时进一步降低全网的能量消耗,可延长整个集群通信网络的生命周期。
本发明的上述目的是通过以下技术方案得以实现的:
一种无人机集群中心节点最优选择方法,定义起始阶段无人机的各种参数指标相同,无人机与无人机之间在通信范围内存在双向对称通信链接,将无人机实体映射成节点,无人机之间的通信状况映射成链路。
一种集群节点重要度排序算法,具体的实现步骤如下:
步骤I无人机单机节点vi的权值可定义为di=∑j∈Γ(i)wij,其中Γ(i)是与无人机单机节点vi存在直接通信链路连接的无人机单机节点集合,根据无人机集群通信网络结构模型G=(V,E)和无人机集群实体之间通信链路连接情况建立无人机集群通信网络连接矩阵A(G)和无人机集群通信网络节点矩阵D(G),计算公式为:
步骤II从无人机集群通信网络中移除一个单机节点以及该节点与其邻居单机节点的通信
链路,对集群网络的稳健性造成影响,通过衡量整个集群通信网络的稳健性下降度来评估该单机节点的重要性;其具体步骤:
1)计算无人机集群通信网络映射的无向加权网络图G的拉普拉斯矩阵L(G),计算公式为:
2)计算拉普拉斯矩阵L(G)的n个特征值λ1,λ2,...,λn,计算公式为:
3)计算网络图G的拉普拉斯能量EL(G),计算公式为:
当移除一个单机节点vi以及该单机节点与其他无人机的通信链路构成一个新的无向加权图Gi,按照上述方法重新计算网络图Gi的拉普拉斯能量EL(Gi);
4)最后计算单机节点vi的拉普拉斯中心性σi,计算公式为:
步骤III采用传输代价值,用于衡量单机节点对其邻居单机节点信息传输代价,其具体步
骤为:
i.定义vs为单机节点vi和vj的共同邻居节点,单机节点vi与节点vs通信交互所付出的代价占单机节点vi所付出的总代价的比重可定义为pis,计算公式为:
其中,Γ(i)表示与单机节点vi存在直接链路的邻居节点的集合,单机节点vi的某条通信链路的权值越大,所需要付出的代价就越大;
ii.单机节点vj与节点vs通信交互所付出的代价和单机节点vj与其他节点通信交互所付出的最大代价的比值可定义为mjs,计算公式为:
iii.单机节点vi将信息传输到节点vj的传输代价可定义为Cij,计算公式为:
其中,n表示为整个无人机集群的数量,整个集群通信网络的传输代价值可定义为C,计算公式为:
步骤IV考虑新加入的无人机一般情况下从边缘位置进入无人机集群通信网络,容易造成
边缘部分无人机控制着非冗余信息传输的现象,影响对无人机中心节点最优选择的判断;本文提出一个弱化因子的概念,用来削弱靠近边缘单机节点对整个无人机集群中
心节点最优选择的影响,并且有效的增强了集群通信网络的鲁棒性;
步骤V通过定义单机节点本身的重要性系数以及对其它单机节点信息传输的传输代价系
数来构建无人机节点重要度矩阵。
定义一个时间窗口周期为T,(t0,t1)代表参数准备阶段,(t1,t2)代表通信网络结构确定阶段,(t2,t3)代表中心节点选择阶段,(t3,t4)代表强制优先选择阶段,四个阶段不存在冗余关系T=(t0,t1)∪(t1,t2)∪(t2,t3)∪(t3,t4)。参数准备阶段实时获取无人机的飞行速度VUAV及方向θUAV、通信链路质量Qcl、信息收发处理能力Crp和能量功耗EUAV来评判无人机自身的状态以及链路通信情况。
本发明的有益效果在于:
1.本发明所设计的无人机集群中心节点最优选择方法具有平台无关性,可以将其嵌入任何一种平台实现,例如无人机集群、无人坦克集群、无人车集群等硬件平台。在实际操作过程中,将算法编写以及程序植入到不同的平台,将理论转换为实际应用,实现智能集群适应不同的任务复杂环境,更加高效的进行信息交互、任务决策部署等。
2.本发明充分考虑到单机节点本身的重要性以及与其邻居无人机的信息传输代价,通过加入弱化因子来削弱边缘单机节点的对整个集群网络的影响,增强网络的鲁棒性和健壮性,整体实现有效、合理的无人机中心节点最优选择。采用筛选机制对后期部分参数指标极低的无人机进行提前筛选排除,降低集群网络的计算复杂度并节约计算时间。采用时间窗口机制应对任务环境复杂和通信拓扑快速变化对中心节点选择的影响,实现动态选择最优中心节点的效果。本发明具有很好的适应性,能够全面、客观的应用于各种智能集群嵌入式平台。
附图说明
图1是新的无人机从边缘位置加入集群;
图2是时间窗口效果图;
图3是无人机集群通信网络结构图;
图4是无人机集群通信网络映射的无向加权图;
图5是单机节点之间通信后的层数分类表;
图6是单机节点重要性排序表;
图7是方法执行图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
针对无人机集群系统的特点和通信网络约束指标,构建无人机集群通信网络结构模型。首先,定义起始阶段无人机的各种参数指标相同,无人机与无人机之间在通信范围内存在双向对称通信链接。无人机的飞行速度VUAV及方向θUAV、通信链路质量Qcl、信息收发处理能力Crp和能量功耗EUAV等是构建无人机集群通信网络结构模型的重要参数指标。将无人机实体映射成节点,无人机之间的通信状况映射成链路。考虑到无人机集群飞行环境复杂多变,不同环境下的参数指标对整个无人机集群状态影响并不是一成不变的。在正常的飞行环境下,主要考虑到是无人机集群整体飞行的寿命问题,因此无人机功耗所占的权重较大,在通信质量较差的环境中,主要考虑到的是无人机与无人机之间信息交互的问题,因此无人机的通信链路质量所占的权重较大。采用动态权重的方法,结合历史数据和专家经验将设定无人机的飞行速度VUAV及方向θUAV的权重为ω1和ω2、能量功耗EUAV的权重为ω3、通信链路质量Qcl的权重为ω4、信息收发处理能力Crp的权重为ω5,其权重随着环境的改变而变化,但是将上述无人机集群重要参数指标统一到近似范围内做归一化处理,分别得到各个参数指标的初始权值ai(i=1,2,...,5)。设定筛选机制,给上述重要指标中的能量功耗和通信链路质量设置阈值,无人机集群执行任务过程中实时记录各项重要参数指标,无人机受到外界因素的干扰和影响导致能量功耗和通信链路质量低于阈值时,则对该类无人机进行筛选处理,不参与无人机中心节点的最优选取过程。筛选机制可以有效的判别在执行任务过程中导致部分参数急剧下降的无人机,对无人机集群中心节点最优选择做降维处理,可适当减少计算的复杂度基础上更加准确的选取最优中心节点。无人机在飞行一段时间后参数指标才会有所下降,因此无需在初始阶段就开启筛选机制,节约一定的能量和计算空间。定义无人机集群通信网络结构模型G=(V,E)由节点集V={v1,v2,...,vn}和链路集E={e1,e2,...,em}构成,其中n=|V|为无人机实体节点数量,m=|E|为无人机与无人机之间通信链路数量。vi∈V,(i=1,2,...,n)表示无人机单机节点,(vi,vj)∈E表示单机节点vi到单机节点vj的通信链路连接情况。wij表示通信链路(vi,vj)的权值,其中
一种集群节点重要度排序算法,用于解决如何准确高效的选出无人机中心节点的问题。方法的具体实施步骤如下:
(1)无人机单机节点vi的权值可定义为di=∑j∈Γ(i)wij,其中Γ(i)是与无人机单机节点vi存在直接通信链路连接的无人机单机节点集合。根据无人机集群通信网络结构模型G=(V,E)和无人机集群实体之间通信链路连接情况建立无人机集群通信网络连接矩阵A(G)和无人机集群通信网络节点矩阵D(G)。计算公式为:
(2)从无人机集群通信网络中移除一个单机节点以及该节点与其邻居单机节点的通信链路,对集群网络的稳健性造成影响,通过衡量整个集群通信网络的稳健性下降度来评估该单机节点的重要性。首先,计算无人机集群通信网络映射的无向加权网络图G的拉普拉斯矩阵L(G),计算公式为:
其次,计算拉普拉斯矩阵L(G)的n个特征值λ1,λ2,...,λn,计算公式为:
再次,计算网络图G的拉普拉斯能量EL(G),计算公式为:
当移除一个单机节点vi以及该单机节点与其他无人机的通信链路构成一个新的无向加权图Gi,按照上述方法重新计算网络图Gi的拉普拉斯能量EL(Gi)。最后计算单机节点vi的拉普拉斯中心性σi,计算公式为:
拉普拉斯中心性越大,说明移除的单机节点vi对整个无人机集群通信网络稳健性的影响越大。遍历整个无人机集群通信网络,计算所有单机节点vi的拉普拉斯中心性。
(3)无人机集群通信网络中的信息交互与流通极其重要,总是存在一些单机节点有效的控制着非冗余信息流向其邻居单机节点。本文采用传输代价值的概念,用来衡量单机节点对其邻居单机节点信息传输代价。首先定义vs为单机节点vi和vj的共同邻居节点,单机节点vi与节点vs通信交互所付出的代价占单机节点vi所付出的总代价的比重可定义为pis,计算公式为:
其中,Γ(i)表示与单机节点vi存在直接链路的邻居节点的集合,单机节点vi的某条通信链路的权值越大,所需要付出的代价就越大。其次,单机节点vj与节点vs通信交互所付出的代价和单机节点vj与其他节点通信交互所付出的最大代价的比值可定义为mjs,计算公式为:
最后,单机节点vi将信息传输到节点vj的传输代价可定义为Cij,计算公式为:
其中,n表示为整个无人机集群的数量。整个集群通信网络的传输代价值可定义为C,计算公式为:
(4)如图1所示,考虑新加入的无人机一般情况下从边缘位置进入无人机集群通信网络,容易造成边缘部分无人机控制着非冗余信息传输的现象,影响对无人机中心节点最优选择的判断。本文提出一个弱化因子的概念,用来削弱靠近边缘单机节点对整个无人机集群中心节点最优选择的影响,并且有效的增强了集群通信网络的鲁棒性。单机节点以自身为根节点,搜寻其通信范围内的邻居单机节点,与被它发现的邻居单机节点间建立一条通信链路。单机节点之间通过通信链路传递信息记录为一跳,遍历整个集群通信网络,获取到达其它单机节点的最小跳数并用分层的方法归类,例如根节点为一层,通过一跳到达的所有单机节点归类到第一层,以此类推构建层数分类表。选择遍历整个集群通信网络所需总层数最小的为位置最恰当的节点。以位置最恰当的节点定义弱化因子为ηi,计算公式为:
其中,l(vi)代表单机节点vi所被归类到的层数,l(G)代表位置最恰当的节点遍历整个图G所可以归类的最大层数,ζ代表自然数。若出现遍历整个集群通信网络所需总层数最小相同的若干个单机节点的情况,则通过单机节点归类到的层数与平均层数的偏离程度ε来衡量,偏离程度越小越合适,计算公式为:
ηiCij定义为弱化后单机节点vi将信息传输到vj的传输代价。
(5)通过定义单机节点本身的重要性系数以及对其它单机节点信息传输的传输代价系数来构建无人机节点重要度矩阵。其中,单机节点本身重要性系数代表单机节点本身的重要性占无人机集群节点的总重要性;单机节点vi对其它单机节点vj信息传输的传输代价系数定义节点的重要性矩阵为I(n),计算公式为:
节点重要度矩阵的每一行就代表了单机节点的重要性O(i)=αi+βij,j∈(1,n)并且i≠j。计算出每个单机节点的重要性,按重要性大小进行递减排序,便可得到重要性最大的单机节点,将其定义为无人机集群最优中心节点。
一种基于时间窗口的重选机制:
无人机实际飞行状态以及飞行环境具有不可预知性,无人机的性能随着不同的飞行状态下降程度不同,恶劣的飞行环境也可能造成部分无人机损伤过大不得不退出无人机集群通信网络,甚至还有新加入的无人机协同完成任务,因此无人机中心节点并不是一成不变的。基于时间窗口的重选机制可以有效的实现无人机中心节点动态选择,从而达到无人机集群整体的效益最大化。定义一个时间窗口周期为T,(t0,t1)代表参数准备阶段,(t1,t2)代表通信网络结构确定阶段,(t2,t3)代表中心节点选择阶段,(t3,t4)代表强制优先选择阶段,四个阶段不存在冗余关系T=(t0,t1)∪(t1,t2)∪(t2,t3)∪(t3,t4)。参数准备阶段实时获取无人机的飞行速度VUAV及方向θUAV、通信链路质量Qcl、信息收发处理能力Crp和能量功耗EUAV来评判无人机自身的状态以及链路通信情况。通信网络结构确定阶段根据链路连接情况构建无人机通信网络映射的拓扑结构图,并对其单机实体节点和单机之间的链路进行赋权值。中心节点选择阶段对无人机集群通信网络映射的无向加权图进行节点重要性的计算以及按照重要性大小进行排序,最终确定无人机中心节点最优选择。强制优先选择阶段主要用于识别重要性排序靠前的单机节点是否离开无人机集群通信网络,当识别重要性排名前五的单机节点离开无人机集群通信网络时,可能会对整个网络效益造成较大的影响,所以强制开启无人机中心节点重新选择。若在时间窗口T中未识别重要性排名前五的单机节点离开网络,则(t3,t4)做空白阶段处理。如图2所示。
工作流程:
本发明将上文设计的无人机中心节点最优选择方法进行实例分析。无人机集群在执行复杂任务时,某一时刻下确定集群通信网络结构模型,如图3所示。将实时记录的各架无人机重要参数指标做归一化处理之后定义的权值加入集群通信网络结构模型,并且映射成无向加权图,如图4所示。以单机节点v11为例,首先获取网络图G的节点矩阵
和连接矩阵
计算拉普拉斯矩阵
求得图G的拉普拉斯能量EL(G)=843.68。移除单机节点v11后,获取网络图G11的节点矩阵
和连接矩阵
计算拉普拉斯矩阵
求得图G11的拉普拉斯能量EL(G11)=758.65,计算单机节点v11的重要性其次,计算单机节点v11将信息传输到节点v12的传输代价C11-12,节点v11和节点v12存在共同相邻节点v8,所以
由此计算节点v11与其他相邻节点v8、v9、v17的之间的传输代价。计算得出集群通信网络图G的最恰当位置的节点为v11,节点v11处于根节点节点位置,归类于第零层,遍历整个集群通信网络的最小跳数为四跳,所以l(G)=4,节点v10最少需要两跳与节点v11取得交互,归类于第二层,弱化因子
其中方便计算ζ=1。最后通过计算单机节点本身重要性系数αi和弱化后的传输代价系数βij来构建节点重要性矩阵,选择出重要性最高的节点作为最优中心节点,结果如图5和图6所示。时间窗口重选机制则用于重要性前五的单机节点损坏来强制进行中心节点的重新筛选。整个方法的工作流程如图7所示。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (3)
1.一种无人机集群中心节点最优选择方法,其特征在于:定义起始阶段无人机的各种参数指标相同,无人机与无人机之间在通信范围内存在双向对称通信链接,将无人机实体映射成节点,无人机之间的通信状况映射成链路。
2.根据权利要求1所述的一种无人机集群中心节点最优选择方法,其特征在于:一种集群节点重要度排序算法,具体的实现步骤如下:
步骤I无人机单机节点vi的权值可定义为di=∑j∈Γ(i)wij,其中Γ(i)是与无人机单机节点vi存在直接通信链路连接的无人机单机节点集合,根据无人机集群通信网络结构模型G=(V,E)和无人机集群实体之间通信链路连接情况建立无人机集群通信网络连接矩阵A(G)和无人机集群通信网络节点矩阵D(G),计算公式为:
步骤II从无人机集群通信网络中移除一个单机节点以及该节点与其邻居单机节点的通信链路,对集群网络的稳健性造成影响,通过衡量整个集群通信网络的稳健性下降度来评估该单机节点的重要性;其具体步骤:
1)计算无人机集群通信网络映射的无向加权网络图G的拉普拉斯矩阵L(G),计算公式为:
2)计算拉普拉斯矩阵L(G)的n个特征值λ1,λ2,...,λn,计算公式为:
3)计算网络图G的拉普拉斯能量EL(G),计算公式为:
当移除一个单机节点vi以及该单机节点与其他无人机的通信链路构成一个新的无向加权图Gi,按照上述方法重新计算网络图Gi的拉普拉斯能量EL(Gi);
4)最后计算单机节点vi的拉普拉斯中心性σi,计算公式为:
步骤III采用传输代价值,用于衡量单机节点对其邻居单机节点信息传输代价,其具体步骤为:
i.定义vs为单机节点vi和vj的共同邻居节点,单机节点vi与节点vs通信交互所付出的代价占单机节点vi所付出的总代价的比重可定义为pis,计算公式为:
其中,Γ(i)表示与单机节点vi存在直接链路的邻居节点的集合,单机节点vi的某条通信链路的权值越大,所需要付出的代价就越大;
ii.单机节点vj与节点vs通信交互所付出的代价和单机节点vj与其他节点通信交互所付出的最大代价的比值可定义为mjs,计算公式为:
iii.单机节点vi将信息传输到节点vj的传输代价可定义为Cij,计算公式为:
其中,n表示为整个无人机集群的数量,整个集群通信网络的传输代价值可定义为C,计算公式为:
步骤IV考虑新加入的无人机一般情况下从边缘位置进入无人机集群通信网络,容易造成边缘部分无人机控制着非冗余信息传输的现象,影响对无人机中心节点最优选择的判断;本文提出一个弱化因子的概念,用来削弱靠近边缘单机节点对整个无人机集群中心节点最优选择的影响,并且有效的增强了集群通信网络的鲁棒性;
步骤V通过定义单机节点本身的重要性系数以及对其它单机节点信息传输的传输代价系数来构建无人机节点重要度矩阵。
3.根据权利要求1所述的一种无人机集群中心节点最优选择方法,其特征在于:定义一个时间窗口周期为T,(t0,t1)代表参数准备阶段,(t1,t2)代表通信网络结构确定阶段,(t2,t3)代表中心节点选择阶段,(t3,t4)代表强制优先选择阶段,四个阶段不存在冗余关系T=(t0,t1)∪(t1,t2)∪(t2,t3)∪(t3,t4)。参数准备阶段实时获取无人机的飞行速度VUAV及方向θUAV、通信链路质量Qcl、信息收发处理能力Crp和能量功耗EUAV来评判无人机自身的状态以及链路通信情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584478.3A CN113438620B (zh) | 2021-05-27 | 2021-05-27 | 一种无人机集群中心节点最优选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584478.3A CN113438620B (zh) | 2021-05-27 | 2021-05-27 | 一种无人机集群中心节点最优选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113438620A true CN113438620A (zh) | 2021-09-24 |
CN113438620B CN113438620B (zh) | 2024-04-19 |
Family
ID=77802969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110584478.3A Active CN113438620B (zh) | 2021-05-27 | 2021-05-27 | 一种无人机集群中心节点最优选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438620B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115567997A (zh) * | 2022-04-11 | 2023-01-03 | 荣耀终端有限公司 | 设备发现群组的中心节点选取方法及装置 |
CN117714304A (zh) * | 2024-02-05 | 2024-03-15 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060046658A1 (en) * | 2002-09-05 | 2006-03-02 | Cruz Rene L | Scheduling methods for wireless networks |
CN108040353A (zh) * | 2017-12-18 | 2018-05-15 | 北京工业大学 | 一种q学习的无人机集群智能地理路由方法 |
CN108596500A (zh) * | 2018-04-28 | 2018-09-28 | 广州亿航智能技术有限公司 | 调度无人机集群的方法、中控系统及计算机存储介质 |
CN108710382A (zh) * | 2018-05-14 | 2018-10-26 | 西安工业大学 | 一种基于分簇算法的智能监测无人机控制系统 |
US20200192348A1 (en) * | 2017-08-11 | 2020-06-18 | Nokia Technologies Oy | Information exchange for an unmanned aerial vehicle |
CN112203310A (zh) * | 2020-10-12 | 2021-01-08 | 重庆邮电大学 | 一种基于无人机协作的数据传输方法 |
-
2021
- 2021-05-27 CN CN202110584478.3A patent/CN113438620B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060046658A1 (en) * | 2002-09-05 | 2006-03-02 | Cruz Rene L | Scheduling methods for wireless networks |
US20200192348A1 (en) * | 2017-08-11 | 2020-06-18 | Nokia Technologies Oy | Information exchange for an unmanned aerial vehicle |
CN108040353A (zh) * | 2017-12-18 | 2018-05-15 | 北京工业大学 | 一种q学习的无人机集群智能地理路由方法 |
CN108596500A (zh) * | 2018-04-28 | 2018-09-28 | 广州亿航智能技术有限公司 | 调度无人机集群的方法、中控系统及计算机存储介质 |
CN108710382A (zh) * | 2018-05-14 | 2018-10-26 | 西安工业大学 | 一种基于分簇算法的智能监测无人机控制系统 |
CN112203310A (zh) * | 2020-10-12 | 2021-01-08 | 重庆邮电大学 | 一种基于无人机协作的数据传输方法 |
Non-Patent Citations (3)
Title |
---|
HUA XIANG: "A Mobile-Agent-Based Role Switching Management Mechanism in WSN", 《2009 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SOFTWARE ENGINEERING》, 28 December 2009 (2009-12-28) * |
王昭: "一种改进多目标灰狼优化算法的多无人机任务分配", 《西安工业大学学报》, vol. 41, no. 1, 25 February 2021 (2021-02-25) * |
王沁飞;南建国;黄金科;王彪;贾镇泽;: "基于加权的无人机集群组网分簇算法", 计算机应用研究, no. 05, 14 March 2018 (2018-03-14) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115567997A (zh) * | 2022-04-11 | 2023-01-03 | 荣耀终端有限公司 | 设备发现群组的中心节点选取方法及装置 |
CN117714304A (zh) * | 2024-02-05 | 2024-03-15 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
CN117714304B (zh) * | 2024-02-05 | 2024-04-12 | 中南大学 | 一种无人机集群网络健康评估方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113438620B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101965839B1 (ko) | 구성정보 관리 데이터베이스 기반의 it 시스템 장애 분석 기법 | |
CN113438620B (zh) | 一种无人机集群中心节点最优选择方法 | |
CN112016812A (zh) | 多无人机任务调度方法、系统及存储介质 | |
KR101910926B1 (ko) | It 시스템의 장애 이벤트를 처리하기 위한 기법 | |
CN110334157B (zh) | 一种云计算管理系统 | |
CN103747537B (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN110645988B (zh) | 一种基于最优寿命的无人机路径规划方法 | |
CN107180309B (zh) | 一种空天地观测资源的协同规划方法 | |
Sharma | Evolution of unmanned aerial vehicles (UAVs) with machine learning | |
CN113641500A (zh) | 一种综合信任评价的海上边缘计算卸载方法 | |
Xu et al. | Fedmax: Enabling a highly-efficient federated learning framework | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN114995503A (zh) | 一种无人机巡检路径优化方法 | |
CN110011851B (zh) | 一种指挥控制网中指挥节点最优覆盖布置方法 | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
CN114004052B (zh) | 一种面向网络管理系统的故障检测方法及装置 | |
CN115630514A (zh) | 一种无人机集群协同任务分配方法与装置 | |
JP2020107185A (ja) | 画像認識装置、画像認識方法及びプログラム | |
CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及系统 | |
CN110647381B (zh) | 一种虚拟机资源均衡和部署优化方法 | |
KR20190030193A (ko) | It 시스템의 장애 이벤트를 처리하기 위한 기법 | |
Nguyen et al. | To risk or not to risk: learning with risk quantification for IoT task offloading in UAVs | |
Qi et al. | A flexible topology reconstruction strategy based on deep q-learning for balance performance and efficiency of stins | |
Reddy et al. | Distributed Artificial Intelligence and Adaptive Fish Swarm Optimization based Resource Allocation in Wireless Sensor Network |
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 |