CN114172942B - 多无人机辅助物联网的协同任务分配与轨迹优化方法 - Google Patents
多无人机辅助物联网的协同任务分配与轨迹优化方法 Download PDFInfo
- Publication number
- CN114172942B CN114172942B CN202111504159.3A CN202111504159A CN114172942B CN 114172942 B CN114172942 B CN 114172942B CN 202111504159 A CN202111504159 A CN 202111504159A CN 114172942 B CN114172942 B CN 114172942B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- task allocation
- time
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000003993 interaction Effects 0.000 claims description 39
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 239000004973 liquid crystal related substance Substances 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 6
- 241000282376 Panthera tigris Species 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 abstract description 3
- 108090000623 proteins and genes Proteins 0.000 description 12
- 239000004793 Polystyrene Substances 0.000 description 9
- 239000012634 fragment Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000001726 chromosome structure Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
多无人机辅助物联网的协同任务分配与轨迹优化方法,涉及任务分配及智能轨迹优化方法的技术领域。包括如下步骤:对约束条件及问题模型进行形式化描述,设计基于迭代优化的问题求解框架,并提出基于多种群遗传算法及凸优化技术的求解算法实现对多无人机任务分配和轨迹优化问题的求解。本发明结合了多无人机的协同任务分配及轨迹优化,综合考虑了无人机能耗、飞行速度、碰撞避免等约束条件以及用户的差异化需求,可以有效的为每架无人机分配目标和用户的访问集合以及访问顺序,以达到最小化信息年龄的目的。相比于随机算法、基于贪婪准则的算法以及传统遗传算法,该方法在缩短任务完成时间和平均信息年龄方面表象更出色。
Description
技术领域
本发明涉及智能轨迹优化方法的技术领域,尤其涉及多无人机协同任务分配与智能轨迹优化方法。
背景技术
当大量的物联网传感器在距离用户较远的广阔区域内分散分布时,采用无人机进行数据采集受到青睐。由于单无人机的任务执行能力有限,通过多架无人机之间的协同工作,可以进一步提高数据采集任务的完成质量,在这个过程中,需要为每架无人机分配一组规划好的目标集合,然后,由无人机依次访问其指定目标,并根据其优化轨迹完成数据采集/分发后返回数据中心。其中,实现高效的任务分配和轨迹优化是提高无人机整体效能的重要环节,有利于实现快速的信息获取,保持信息更新的新鲜度。
近年来,针对多无人机辅助数据采集中的联合任务分配和轨迹优化问题进行了多项研究,针对数据收集中的完成时间最小化问题、无人机节能问题、无人机与传感器之间的平均路径损耗最小化问题、空中成本和地面成本的加权和最小化问题以及传感器数据的信息年龄最小化等问题,基于数据摆渡和多跳中继等数据回传策略,采用聚类、图拆分、凸优化以及强化学习等技术,对无人机的二维/三维飞行轨迹、无人机与传感器的关联、传感器的唤醒时间调度、以及传感器的发射功率等内容进行联合优化。但是在这些研究中,无人机只负责从传感器收集数据并发送/携带回同一数据中心,而不参与后续用户数据分发。实际上,当存在多个用户需要无人机同时为其提供数据分发服务时,使用基于无人机摆渡的数据分发策略由无人机直接参与信息分发是有益的。在这种情况下,无人机在收集到传感器数据后还需要访问多个用户,无人机与用户之间的关联也需要进行优化,以避免无人机重复访问同一用户,节省无人机能源和飞行时间。
发明内容
本发明提出了一种多无人机辅助物联网的协同任务分配与轨迹优化方法,相比于随机算法、基于贪婪准则的算法以及传统遗传算法,该方法在缩短任务完成时间和平均信息年龄方面表象更出色。
一种多无人机辅助物联网的协同任务分配与轨迹优化方法,包括如下步骤:
步骤1:约束条件及问题模型的形式化描述;
步骤2:结合步骤1建立的问题模型,设计问题求解框架;
步骤3:对步骤2建立的问题求解框架,利用基于协作的多种群遗传算法得到任务分配和轨迹优化问题的较优解,基于种群之间共享信息,通过单种群最优解和全局的最优解引导个体的进化操作,提高算法的全局搜索能力;而后基于凸优化技术得到信息交互点的最有选址。
优选的是,本发明步骤1的问题模型形式化描述,包括:
数据中心、目标点和用户的位置分别以lo=(xo,yo),lk=(xk,yk),lm=(xm,ym)表示;无人机n在t时刻的位置表示为ln(t)=(xn(t),yn(t),H);无人机n除悬停外以速度vmax匀速直线飞行;无线信道建模为LoS信道;
在数据采集阶段,假设无人机n对目标点实施侦察的开始时刻和结束时刻分别为/>和/>信道增益为/>其中,β0表示参考距离d0=1(m)处的功率增益,/>表示无人机n与目标/>在/>时刻的通信距离;记/>的发射功率为p0,相应的数据传输速率/>其中,σ2是接收机处的加性高斯白噪声功率,B代表可用信道带宽,/>和/>通过下式进行计算。
优选的是,本发明步骤1的问题模型形式化描述,还包括:
优选的是,本发明步骤1的问题模型形式化描述,还包括:
在数据分发阶段,记无人机n对用户传输数据的开始和结束时刻为/>和/>信道增益为/>数据传输速率引入二值指示变量χm,n和Γm,k,χm,n用来表示无人机n是否为用户m提供服务,而Γm,k用来表示用户m是否需要从目标k收集数据;基于此,/>和/>通过下式计算:
优选的是,本发明步骤1的问题模型包括:
能耗模型:在运动能耗方面,包括飞行能耗和悬停能耗两部分,两者都与无人机的推进功率密切相关,由下式计算:
其中,分别表示悬停状态下无人机的剖面功率和感应功率;δ是无人机的翼型阻力系数,W是无人机的重量,Ω是无人机的叶片角速度,是无人机的转子半径,l是感应功率的增量修正系数;Utip为悬挂叶片的叶尖速度,v0代表悬停时的平均旋翼诱导速度,d0和s分别代表机身阻力比和旋翼紧密度,而ρ和A分别代表空气密度和旋翼盘面积;
无人机n在飞行和悬停过程中的总能量消耗和/>分别为/>和其中,/>和/>分别表示无人机n的飞行总时间和悬停总时间,在通信能耗方面,假设无人机的发射功率Pc保持不变,则计算无人机n的通信能耗/>其中,表示无人机n的总的数据传输时间;基于上述分析,无人机n的总能耗/>
优选的是,本发明步骤1的问题模型还包括:
信息年龄模型:记表示在t时刻从目标k处收集到的数据的信息年龄,则Δk(t)=(t-Uk)+,其中,Uk是一个时间戳,用来标记无人机从目标k收集数据的开始时间;记/>为无人机/>开始向用户m分发数据的观测时间,则用户m所获得的从k(Γm,k=1)收集到的数据的信息年龄为
得到基于多无人机协同任务分配及轨迹优化的平均信息年龄最小化问题的形式化描述。
优选的是,本发明步骤2的设计问题求解框架,具体过程如下:
首先将问题P1拆分为两个子问题:(1)任务分配和无人机轨迹优化问题P2;(2)信息交互点选择问题P3,执行如下步骤:
步骤2.1:初始化信息交互点,设置最大迭代次数Iter,并令ite=1;
步骤2.2:如果ite≤Iter,依次执行步骤2.3和步骤2.4;
步骤2.3:给定一个选择的信息交互点,通过求解问题P2联合优化任务分配和无人机轨迹;
步骤2.4:给定任务分配策略和对应的无人机轨迹,通过求解问题P3优化信息交互点的选择;
对于问题P2,目标是在给定信息交互点的情况下,找到最优任务分配策略和对应的无人机轨迹;
对于问题P3,目标是在给定任务分配策略和相应无人机轨迹的情况下,找到最优信息交互点。它可以看作是二维费马-韦伯定位问题的一个变型,其目标是在中找到一个点,使/>中若干给定点到该点的加权欧式距离之和最小。
优选的是,本发明步骤3的基于多种群遗传算法及凸优化技术的迭代优化算法,用于实现问题求解,具体过程如下:
输入系统参数,种群大小N0,种群数量Np,最大迭代次数Niter;输出:最优的无人机轨迹以及平均信息年龄;
3.1:初始化种群;
3.3:令ite=1;
3.4:当ite≤Niter时,执行步骤5-7;
3.6:对于每个种群,分别执行选择,交叉,变异等进化操作,而后分别计算各个染色体的适应度;
3.8:根据全局最优解获得最优任务分配和无人机轨迹优化结果。
本发明结合了多无人机的协同任务分配及轨迹优化,综合考虑了无人机能耗、飞行速度、碰撞避免等约束条件以及用户的差异化需求,可以有效的为每架无人机分配目标和用户的访问集合以及访问顺序,以达到最小化信息年龄的目的。相比于随机算法、基于贪婪准则的算法以及传统遗传算法,该方法在缩短任务完成时间和平均信息年龄方面表象更出色。
附图说明
图1给出本发明的系统模型示意图。
图2给出本发明的任务分配及轨迹优化方法的流程示意图。
图3给出本发明的染色体结构示意图。
图4给出交叉算子的示意图。
图5给出变异算子的示意图。
图6给出通过不同算法得到的每个用户接收数据的平均信息年龄。
图7给出不同算法得到的用户接收数据的归一化平均信息年龄。
图8给出不同算法得到的用户接收数据的平均信息年龄。
具体实施方式
本发明的整个任务分配及轨迹优化过程包括以下步骤,下面将结合附图对本发明的技术方案进行说明。
一种多无人机辅助物联网的协同任务分配与轨迹优化方法,包括如下步骤:
步骤1:约束条件及问题模型的形式化描述;
步骤2:结合步骤1建立的问题模型,设计问题求解框架;
步骤3:对步骤2建立的问题求解框架,利用基于协作的多种群遗传算法得到任务分配和轨迹优化问题的较优解,基于种群之间共享信息,通过单种群最优解和全局的最优解引导个体的进化操作,提高算法的全局搜索能力;而后基于凸优化技术得到信息交互点的最有选址。
本发明步骤1的问题模型形式化描述,包括:
数据中心、目标点和用户的位置分别以lo=(xo,yo),lk=(xk,yk),lm=(xm,ym)表示;无人机n在t时刻的位置表示为ln(t)=(xn(t),yn(t),H);无人机n除悬停外以速度vmax匀速直线飞行;无线信道建模为LoS信道;
在数据采集阶段,假设无人机n对目标点实施侦察的开始时刻和结束时刻分别为/>和/>信道增益为/>其中,β0表示参考距离d0=1(m)处的功率增益,/>表示无人机n与目标/>在/>时刻的通信距离;记/>的发射功率为p0,相应的数据传输速率/>其中,σ2是接收机处的加性高斯白噪声功率,B代表可用信道带宽,/>和/>通过下式进行计算。
本发明步骤1的问题模型形式化描述,还包括:
本发明步骤1的问题模型形式化描述,还包括:
在数据分发阶段,记无人机n对用户传输数据的开始和结束时刻为/>和/>信道增益为/>数据传输速率引入二值指示变量χm,n和Γm,k,χm,n用来表示无人机n是否为用户m提供服务,而Γm,k用来表示用户m是否需要从目标k收集数据;基于此,/>和/>通过下式计算:
本发明步骤1的问题模型包括:
能耗模型:在运动能耗方面,包括飞行能耗和悬停能耗两部分,两者都与无人机的推进功率密切相关,由下式计算:
其中,分别表示悬停状态下无人机的剖面功率和感应功率;δ是无人机的翼型阻力系数,W是无人机的重量,Ω是无人机的叶片角速度,是无人机的转子半径,l是感应功率的增量修正系数;Utip为悬挂叶片的叶尖速度,v0代表悬停时的平均旋翼诱导速度,d0和s分别代表机身阻力比和旋翼紧密度,而ρ和A分别代表空气密度和旋翼盘面积;
无人机n在飞行和悬停过程中的总能量消耗和/>分别为/>和其中,/>和/>分别表示无人机n的飞行总时间和悬停总时间,在通信能耗方面,假设无人机的发射功率Pc保持不变,则计算无人机n的通信能耗/>其中,表示无人机n的总的数据传输时间;基于上述分析,无人机n的总能耗/>
本发明步骤1的问题模型还包括:
信息年龄模型:记表示在t时刻从目标k处收集到的数据的信息年龄,则Δk(t)=(t-Uk)+,其中,Uk是一个时间戳,用来标记无人机从目标k收集数据的开始时间;记/>为无人机/>开始向用户m分发数据的观测时间,则用户m所获得的从k(Γm,k=1)收集到的数据的信息年龄为
得到基于多无人机协同任务分配及轨迹优化的平均信息年龄最小化问题的形式化描述。
本发明步骤2的设计问题求解框架,具体过程如下:
首先将问题P1拆分为两个子问题:(1)任务分配和无人机轨迹优化问题P2;(2)信息交互点选择问题P3,执行如下步骤:
步骤2.1:初始化信息交互点,设置最大迭代次数Iter,并令ite=1;
步骤2.2:如果ite≤Iter,依次执行步骤2.3和步骤2.4;
步骤2.3:给定一个选择的信息交互点,通过求解问题P2联合优化任务分配和无人机轨迹;
步骤2.4:给定任务分配策略和对应的无人机轨迹,通过求解问题P3优化信息交互点的选择;
对于问题P2,目标是在给定信息交互点的情况下,找到最优任务分配策略和对应的无人机轨迹;
对于问题P3,目标是在给定任务分配策略和相应无人机轨迹的情况下,找到最优信息交互点。它可以看作是二维费马-韦伯定位问题的一个变型,其目标是在中找到一个点,使/>中若干给定点到该点的加权欧式距离之和最小。
步骤3的基于多种群遗传算法及凸优化技术的迭代优化算法,用于实现问题求解,具体过程如下:
输入系统参数,种群大小N0,种群数量Np,最大迭代次数Niter;输出:最优的无人机轨迹以及平均信息年龄;
3.1:初始化种群;
3.3:令ite=1;
3.4:当ite≤Niter时,执行步骤5-7;
3.6:对于每个种群,分别执行选择,交叉,变异等进化操作,而后分别计算各个染色体的适应度;
3.8:根据全局最优解获得最优任务分配和无人机轨迹优化结果。
如图1,本发明的系统模型建立如下:
考虑一个多无人机辅助的物联网数据采集和分发场景,包括一个数据中心、一个信息交互点、N架侦察无人机(记为),M个用户(记为/>),以及K个地面传感器(记为/>)。数据中心为无人机进行任务分配、选择信息交互点和轨迹优化,其中/>的任务是从/>的子集中收集数据,表示为Kn,并向/>的子集中分发数据,表示为Mn。其中,目标(传感器和用户)在Kn和Mn中的顺序也表示了n访问目标的顺序。在这里,我们将Kn中的第i个传感器节点表示为/>在/>中的序号表示为/>同样,Mn中的j个用户记为/>其在/>中的的序号记为/>
如图2,本发明的面向多无人机辅助物联网的协同任务分配与轨迹优化方法,包括如下步骤:
步骤1:约束条件及问题模型的形式化描述;
步骤2:结合步骤1建立的问题模型,设计问题求解框架;
步骤3:对步骤2建立的问题求解框架,利用基于协作的多种群遗传算法得到任务分配和轨迹优化问题的较优解,所述多种群协作是指引入“探索-开发”的思想,基于种群之间共享信息,通过单种群最优解和全局的最优解引导个体的进化操作,提高算法的全局搜索能力。
下面结合图3-图5对本发明中涉及的启发式算法的具体操作进行说明:
(M+K)个节点的有序排列,即基因点,表示解的染色体结构。每个节点都用一个路径点的序号填充。其中,前K个节点为指代传感器的路径点序号,从2开始标记;后M个节点为指代用户的路径点序号,从K+3开始标记。注意,这里我们分别使用路径点序号1和K+2来指代数据中心和信息交互点。同时,染色体被分成2N个基因片段,其中gn和gn+N包含了n需要访问的路径点序数以及访问顺序。
根据基因结构可以得到每个无人机需访问的路径点及飞行轨迹,例如:n从机场起飞后需要访问7号路径点的侦察目标,在信息交互点完成交互信息后,依次向10号和16号路径点的作战单元传递信息,而后返回机场,因此,其飞行路径即可表示为(1,7,K+2,10,16,1),其中,1号和K+2号路径点分别代表机场和信息交互点。
几种特殊情况:如果第n个片段所包含的基因点的个数为0,第n+N个片段所包含的基因点的个数也为0,则表明n没有参与此次侦察任务;如果第n个片段所包含的基因点的个数不为0,而第n+N个片段所包含的基因点的个数为0,则表明n只负责获得侦察目标的信息,并将信息共享给其他的无人机,而不负责向任何作战单元传递信息;如果第n个片段所包含的基因点的个数为0,而第n+N个片段所包含的基因点的个数不为0,则表明n不负责获得侦察目标的信息,而是在信息交互点获取其他无人机共享的信息之后,负责向其服务的作战单元传递信息。
交叉算子:算法中采用顺序交叉算子,图4显示了父代产生子代的过程。记父代所确定的可行解PS1和PS2分别表示为:
PS1=(1,2,4,3,10,11,1)(1,8,6,10,12,14,1)(1,5,9,7,10,13,1)
PS2=(1,5,3,9,10,14,1)(1,2,7,10,11,13,1)(1,6,4,8,10,12,1)
由于无人机在执行任务过程中,需要先访问侦察目标,后访问用户,所以在交叉操作时需要分段进行,即对表示侦察目标路径点的基因段gn和用户路径点的基因段gn+N分别进行交叉操作,且发生交叉的概率是相互独立的,图中虚线即表示了交叉操作的分割线。按照顺序交叉算子对父代进行操作后即可得到新的子代,其所确定的可行解PS1'和PS2'分别表示为:
PS1'=(1,2,7,3,10,13,1)(1,8,6,10,12,14,1)(1,5,4,9,10,11,1)
PS2'=(1,3,8,9,10,14,1)(1,2,7,10,11,13,1)(1,6,2,4,10,12,1)
变异算子:类似于交叉操作,染色体在变异时也是分段进行的,即gn段和gn+N段分别进行变异操作,且发生变异的概率是相互独立的。假设每次突变时,同一基因段内的两个基因点的填充数值发生互换。图5显示了变异的三种情况,其中,变异染色体1表示只在侦察目标段发生了变异,变异染色体2表示只在用户段发生了变异,变异染色体3表示在侦察目标段和用户段同时发生了变异。
适应度函数:对于给定的一个染色体,在计算其适应度之前,需要首先判断其是否是有效的,即是否表示了问题P1的一个可行解。如果由该染色体确定的任务分配策略能够满足各项约束条件,则认为该染色体是有效的,而后,基于用户所能获得的数据的平均信息年龄,根据(j1∈[1,N0])计算染色体的适应度。
下面结合图6-图8对本发明的性能进行分析:
为了验证所提算法的有效性,进行了仿真实验,并将不同算法的仿真结果进行了对比分析。其中,N、K和M的默认数量分别设置为3、15和10个。传感器和用户随机分布在一个边长为1500m的正方形区域中,而区域中心距离位于原点(0,0)的数据中心有1500m的距离。设置无人机飞行高度HH为50m,飞行速度vmax为20m/s。传感器和无人机的默认发射功率设置为p0=10mw,p1=100mW。在无人机上的通信相关功耗固定为Pc=5W\cite{44}。每个SN的默认数据大小为I=1Mb。系统带宽设置为B=1Mhz。参考距离1m处的信道功率增益设为β0=-50dB,噪声功率设为σ2=-110dBm。使用的与无人机能耗相关的主要参数设置如下:δ=0.012,W=20N,Ω=300rad/s,R=0.4m,Utip=1.2m/s,v0=4.03,ρ=1.225kg/m3,α=2,d0=0.6,A=0.503m2,s=0.05。MPGA中主要使用的参数设置为Np=8,N0=60,Niter=100,和分别从[0.5,0.95]和[0.05,0.3]随机设置。
表1显示了总的平均信息年龄,以及通过不同算法实现的任务完成时间Tc,其中Tc是最后一架无人机飞回数据中心的时间。不同算法主要基于无人机的任务分配及轨迹优化,至于信息交互点的选择,统一使用凸优化进行求解。CD-based表示结合K-means聚类和动态规划算法的基准算法,CG-based和CR-based分别表示基于贪婪策略和随机策略进行轨迹规划时的基准算法,GADP-based表示遗传算法和动态规划算法相结合的基准算法,MPGA-based表示基于多种群遗传算法。
表1不同算法得到的任务完成时间和平均信息年龄
图6给出了算法对每个用户接收数据的平均信息年龄,其中用户按其在各算法中接收数据的平均信息年龄值升序排序。仿真结果表明,与基于CR的算法相比,我们提出的算法和基于CG的算法都可以实现更小的,同时降低了每个用户接收数据的平均信息年龄和。这意味着通过优化规划无人机的轨迹并选择信息交互点,可以大大降低用户接收数据的信息年龄。主要原因是在每一架无人机的飞行轨迹中,传感器的访问顺序会影响其对应的数据采集时间,而后续传感器的访问时间会影响之前访问传感器的信息年龄。另外,先前访问用户的访问时间会对后续访问用户所需数据的信息年龄产生影响。然后,通过合理规划传感器和用户的访问顺序,可以减少后续传感器对之前访问过传感器的信息年龄的影响,以及之前访问过的用户对后续用户所需数据的信息年龄的影响。这显然有利于降低用户接收数据的信息年龄。为了清晰地观察优化无人机轨迹和信息交互点选择带来的效益,我们将四种算法对每个用户接收数据的平均信息年龄归一化为基于CR算法的平均信息年龄,其比值如图7所示。结果表明,本文提出的算法和基于CG的算法都能有效降低用户接收数据的平均信息年龄,最多可降低一个用户的信息年龄约23%-34%。
为了比较清楚CD-based、CG-based、MPGA-based和GADP-based算法的性能,如图8所示。从仿真结果可以看出,在四种算法中,基于GADP的算法在实现最小信息年龄方面表现最好,而基于MPGA的算法实现了基于GADP的算法的近最优解。此外,基于CD的算法比基于CG的算法性能更好。主要原因是采用基于DP的轨迹优化算法可以在特定的任务分配策略下找到无人机的最优轨迹,而基于MPGA的轨迹优化算法和基于贪心的轨迹优化算法通常只能找到次优解。此外,基于MPGA和GADP的无人机航迹优化算法比基于CD和CG的无人机航迹优化算法实现更小的平均信息年龄,这主要是因为任务分配和无人机航迹优化是相互耦合的。在基于CD和基于CG的快速聚类算法实现任务分配时,忽略了无人机的轨迹,这实际上在一定程度上影响了任务分配的性能。通过比较,基于MPGA和基于GADP的算法同时考虑了任务分配和无人机轨迹优化,通常可以获得更好的任务分配结果。注意,虽然基于MPGA的算法可以实现比基于CD和基于CG的算法更小的信息年龄,但对于少数用户,例如第10个用户,基于MPGA的算法实现的接收数据的平均信息年龄可能比基于CD和基于CG的算法实现的大。这主要是由于基于MPGA算法求解结果的局部最优性造成的。
Claims (1)
1.一种多无人机辅助物联网的协同任务分配与轨迹优化方法,其特征在于包括如下步骤:
步骤1:约束条件及问题模型的形式化描述;包括:
数据中心、目标点和用户的位置分别以lo=(xo,yo),lk=(xk,yk),lm=(xm,ym)表示;无人机n在t时刻的位置表示为ln(t)=(xn(t),yn(t),H);无人机n除悬停外以速度vmax匀速直线飞行;无线信道建模为LoS信道;
在数据采集阶段,假设无人机n对目标点实施侦察的开始时刻和结束时刻分别为/>和/>信道增益为/>其中,β0表示参考距离d0=1(m)处的功率增益,/>表示无人机n与目标/>在/>时刻的通信距离;记/>的发射功率为p0,相应的数据传输速率/>其中,σ2是接收机处的加性高斯白噪声功率,B代表可用信道带宽,/>和/>通过下式进行计算;
其中,表示无人机n的飞行轨迹中从/>到信息交互点的轨迹片段;同时,n1与n2之间信道的功率增益表示为/> 和/>分别表示无人机n1和n2在/>时刻的位置;记无人机的发射功率为p1,则相应的数据传输速率
在数据分发阶段,记无人机n对用户传输数据的开始和结束时刻为/>和/>信道增益为/>数据传输速率/>引入二值指示变量χm,n和Γm,k,χm,n用来表示无人机n是否为用户m提供服务,而Γm,k用来表示用户m是否需要从目标k收集数据;基于此,/>和/>通过下式计算:
问题模型包括:
能耗模型:在运动能耗方面,包括飞行能耗和悬停能耗两部分,两者都与无人机的推进功率密切相关,由下式计算:
其中,分别表示悬停状态下无人机的剖面功率和感应功率;δ是无人机的翼型阻力系数,W是无人机的重量,Ω是无人机的叶片角速度,/>是无人机的转子半径,l是感应功率的增量修正系数;Utip为悬挂叶片的叶尖速度,v0代表悬停时的平均旋翼诱导速度,d0和s分别代表机身阻力比和旋翼紧密度,而ρ和A分别代表空气密度和旋翼盘面积;
无人机n在飞行和悬停过程中的总能量消耗和/>分别为/>和其中,/>和/>分别表示无人机n的飞行总时间和悬停总时间,在通信能耗方面,假设无人机的发射功率Pc保持不变,则计算无人机n的通信能耗/>其中,表示无人机n的总的数据传输时间;基于上述分析,无人机n的总能耗/>
问题模型还包括:
信息年龄模型:记表示在t时刻从目标k处收集到的数据的信息年龄,则Δk(t)=(t-Uk)+,其中,Uk是一个时间戳,用来标记无人机从目标k收集数据的开始时间;记/>为无人机/>开始向用户m分发数据的观测时间,则用户m所获得的从k(Γm,k=1)收集到的数据的信息年龄为
得到基于多无人机协同任务分配及轨迹优化的平均信息年龄最小化问题的形式化描述;
步骤2:结合步骤1建立的问题模型,设计问题求解框架;
具体过程如下:
首先将问题P1拆分为两个子问题:(1)任务分配和无人机轨迹优化问题P2;(2)信息交互点选择问题P3,执行如下步骤:
步骤2.1:初始化信息交互点,设置最大迭代次数Iter,并令ite=1;
步骤2.2:如果ite≤Iter,依次执行步骤2.3和步骤2.4;
步骤2.3:给定一个选择的信息交互点,通过求解问题P2联合优化任务分配和无人机轨迹;
步骤2.4:给定任务分配策略和对应的无人机轨迹,通过求解问题P3优化信息交互点的选择;
对于问题P2,目标是在给定信息交互点的情况下,找到最优任务分配策略和对应的无人机轨迹;
对于问题P3,目标是在给定任务分配策略和相应无人机轨迹的情况下,找到最优信息交互点;它可以看作是二维费马-韦伯定位问题的一个变型,其目标是在中找到一个点,使/>中若干给定点到该点的加权欧式距离之和最小;
步骤3:对步骤2建立的问题求解框架,利用基于协作的多种群遗传算法得到任务分配和轨迹优化问题的较优解,基于种群之间共享信息,通过单种群最优解和全局的最优解引导个体的进化操作,提高算法的全局搜索能力;而后基于凸优化技术得到信息交互点的最有选址;
具体过程如下:
输入系统参数,种群大小N0,种群数量Np,最大迭代次数Niter;输出:最优的无人机轨迹以及平均信息年龄;
3.1:初始化种群;
3.3:令ite=1;
3.4:当ite≤Niter时,执行步骤5-7;
3.6:对于每个种群,分别执行选择,交叉,变异等进化操作,而后分别计算各个染色体的适应度;
3.8:根据全局最优解获得最优任务分配和无人机轨迹优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504159.3A CN114172942B (zh) | 2021-12-09 | 2021-12-09 | 多无人机辅助物联网的协同任务分配与轨迹优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504159.3A CN114172942B (zh) | 2021-12-09 | 2021-12-09 | 多无人机辅助物联网的协同任务分配与轨迹优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114172942A CN114172942A (zh) | 2022-03-11 |
CN114172942B true CN114172942B (zh) | 2023-06-30 |
Family
ID=80485245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111504159.3A Active CN114172942B (zh) | 2021-12-09 | 2021-12-09 | 多无人机辅助物联网的协同任务分配与轨迹优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114172942B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415524B (zh) * | 2022-03-31 | 2022-06-21 | 中国人民解放军96901部队 | 一种启发式协同多飞行器的轨迹交叉分析及冲突消解方法 |
CN114980020A (zh) * | 2022-05-17 | 2022-08-30 | 重庆邮电大学 | 一种基于maddpg算法的无人机数据收集方法 |
CN115021798B (zh) * | 2022-06-02 | 2023-08-01 | 北京邮电大学 | 一种多无人机网络的缓存、通信与控制方法及其系统 |
CN115225141A (zh) * | 2022-07-18 | 2022-10-21 | 中国人民解放军国防科技大学 | 面向多无人机的任务规划与频谱资源联合优化方法及系统 |
CN115373424B (zh) * | 2022-09-20 | 2024-02-09 | 广东翼景信息科技有限公司 | 面向时间窗口的多无人机机场选址与随机任务调度方法 |
CN115633320B (zh) * | 2022-09-28 | 2023-06-06 | 中山大学 | 多无人机辅助的数据采集与回传方法、系统、设备及介质 |
CN115802318B (zh) * | 2022-11-08 | 2024-04-09 | 重庆邮电大学 | 一种基于无人机辅助车联网资源优化方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
-
2021
- 2021-12-09 CN CN202111504159.3A patent/CN114172942B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
Non-Patent Citations (2)
Title |
---|
Multi-UAV cooperative trajectory optimisation for a multi-hop UAV relaying network;Cuntao Li, etc.;《Wireless communications》;全文 * |
多无人机辅助移动边缘计算中的任务卸载和轨迹优化;嵇介曲等;《物联网学报》;第5卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114172942A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114172942B (zh) | 多无人机辅助物联网的协同任务分配与轨迹优化方法 | |
CN106969778B (zh) | 一种多无人机协同施药的路径规划方法 | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN110426039B (zh) | 基于任务完成时间最小化的多无人机路径规划方法 | |
WO2021135336A1 (zh) | 一种植保无人飞机集群作业任务分配方法和装置 | |
CN111006693B (zh) | 智能飞行器航迹规划系统及其方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN113009934A (zh) | 一种基于改进粒子群算法的多无人机任务动态分配方法 | |
CN113485409B (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 | |
CN114442662A (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
CN113433967A (zh) | 一种可充电无人机路径规划方法及系统 | |
Dong et al. | Joint optimization of deployment and trajectory in UAV and IRS-assisted IoT data collection system | |
CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
CN113934228B (zh) | 基于协商共识的集群四旋翼无人机任务规划方法 | |
CN112801361A (zh) | UAVs和UGVs长时多目标路径规划问题及求解算法 | |
CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 | |
Champasak et al. | Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN112965527A (zh) | 基于改进人工蜂群算法的无人机编队拓扑生成优化方法 | |
Ren et al. | Space-air-ground integrated mobile crowdsensing for partially observable data collection by multi-scale convolutional graph reinforcement learning | |
CN116595864A (zh) | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 | |
CN115617071A (zh) | 一种量子雪豹机制的多无人机任务规划方法 | |
Wu et al. | Wild geese migration optimization algorithm: a new meta-heuristic algorithm for solving inverse kinematics of robot | |
Gonzalez | Robust evolutionary methods for multi-objective and multdisciplinary design optimisation in aeronautics | |
CN113283827B (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 |
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 |