CN114783215B - 无人机分簇方法、装置和电子设备 - Google Patents
无人机分簇方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114783215B CN114783215B CN202210406220.9A CN202210406220A CN114783215B CN 114783215 B CN114783215 B CN 114783215B CN 202210406220 A CN202210406220 A CN 202210406220A CN 114783215 B CN114783215 B CN 114783215B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- aerial vehicles
- cluster
- vehicles
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/06—Traffic control systems for aircraft, e.g. air-traffic control [ATC] for control when on the ground
-
- 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
Abstract
本申请公开了一种无人机分簇方法、装置和设备,所述方法包括:获取多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;基于所述多架无人机的位置信息,分别确定多架无人机的各无人机的自适应节点度差和平均节点距离;基于多架无人机的初始能量和能量消耗信息,分别确定多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定多架无人机的各无人机的最大的速度相似差;基于多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定多架无人机的各无人机的综合权值;基于多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,得到多个无人机簇。
Description
技术领域
本申请涉及无线网络研究技术领域,尤其涉及一种无人机分簇方法、装置和电子设备。
背景技术
目前,由于单架无人机在执行任务时容易出现故障,因此,在执行任务时通常会选择多架无人机组成自组织网络。通常情况下,自组织网络分为两种组网模式,平面式和分布式。平面式自组织网络的组网模式中各节点地位相等且相互连通,但这需要巨大的通信开销,显然不适合多架无人机编队这种大型网络。在分布式自组织网络的组网模式下,网络则被会被划分为若干个簇,通过簇头与簇成员的方式进行通信,这显然更适合多架无人机编队这种大型网络。
在自组织网络中,各节点功能具有相似、可变性,既可充当簇头收集数据,又可充当簇成员进行数据的传递。与此同时,因其具有自组织、无中心、分布式的特点,自组织网络无人机编队可以实现自主可控、高效部署及自我修复。而无人机节点的速度较自组织网络中的一般节点的速度要更快,能耗较自组织网络中的一般节点也更高。因此,无人机自组织网络会面临一系列特有的挑战,例如:无人机节点间距离较远,网络密度稀疏,需要合理配置簇的规模;无人机节点的能量有限,续航时间和总里程较短,需要合理的性能指标;无人机节点的移动速度较快,可以自由出入网络,需要合理的模型和维护方案。
因此,如何合理地划分无人机编队中的各个簇的规模,并为每个簇选择合适的簇头和簇成员,则需要提供合理的解决方案。
发明内容
本申请实施例提供一种无人机分簇方法、装置和电子设备,用于合理地划分无人机编队中的各个簇的规模,并为每个簇选择合适的簇头和簇成员。
本申请实施例采用下述技术方案:
第一方面,提供了一种无人机分簇方法,包括:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
第二方面,提供了一种无人机分簇装置,包括:
信息获取模块,用于获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
确定模块,用于基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
权值确定模块,用于基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
分簇模块,用于基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
第三方面,提供了一种电子设备,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本发明实施例在对多架无人机进行分簇时,能够基于多架无人机的位置信息和速度信息、以及初始能量和能量消耗信息,分别确定多架无人机的各无人机的自适应节点度差、平均节点距离、节点剩余能量和最大的速度相似差,进而基于这些性能参数分别确定多架无人机的各无人机的综合权值,最后基于多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成,其中,簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。由于能够在无人机分簇时,从节点度、节点间距离、剩余能量和移动性四个方面入手进行改进,将自适应节点度差、平均节点距离、节点剩余能量和速度相似度作为影响无人机分簇的性能指标,充分考虑无人机这一特殊场景中的各个性能指标,且基于这些性能指标确定各无人机的综合权值,最后基于综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,能够较为合理地对多架无人机进行分簇。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书一个实施例提供的无人机分簇方法的实现流程示意图;
图2为本说明书一个实施例提供的无人机速度与时间的拟合曲线示意图;
图3为本说明书一个实施例提供的无人机分簇方法得到的分簇模型的示意图;
图4为本说明书一个实施例提供的加权系数与网络生存周期关系示意图;
图5为本说明书一个实施例提供的网络生存周期与簇头更换阈值示意关系示意图;
图6为本说明书一个实施例提供平均剩余能量与簇头更换阈值关系示意图;
图7为本说明书一个实施例提供的簇头初始能量与无人机数量关系示意图;
图8为本说明书一个实施例提供的簇头初始自适应节点度差与无人机数量关系示意图;
图9为本说明书一个实施例提供的平均剩余能量与无人机数量关系示意图;
图10为本说明书一个实施例提供的平均剩余能量标准差与无人机数量关系示意图;
图11为本说明书一个实施例提供的簇的重组次数与无人机数量关系示意图;
图12为本说明书一个实施例提供的网络生存周期与无人机数量关系示意图;
图13为本说明书一个实施例提供的一种无人机分簇装置的结构示意图;
图14为本说明书一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
分簇算法,即采用某种方法将网络中的所有节点划分成若干个簇,从而达到提高网络性能的目的。最初,分簇算法是为了实现分层路由而在无线网络中提出的,后续被逐渐应用于传感器网络、移动自组织网络、车联网和无人机自组织网络中。对于那些节点规模小且节点移动性弱的网络,采用分簇算法并不是最优的选择。但是对于规模较大且移动性较强的网络,采用分簇算法则可以减少网络通信的开销,提高通信、能耗等方面的性能。
加权分簇算法,综合考虑了节点的节点度、移动性、剩余能量、与邻居节点的距离等因素,对节点性能的优劣进行了综合的评价。由于簇头承担的通信任务较重,需要首先考虑剩余能量,选择剩余能量多的节点担任簇头,会延迟网络生存周期,提高网络的稳定性;其次,为了使得簇头的能够控制更多的无人机,达到提高任务效率的目的,应选择节点度较高的点担任簇头;此外,还需考虑无人机与节点间的通信能耗,簇成员与簇头的距离越短,能耗就越少;最后,考虑移动性因素,簇头的移动性较周边比较均衡,则簇的结构更加稳定。同样,该性能指标可根据实际需求进行修改和增加,从而提高了网络的可塑性和抗毁性。
现有的无人机分簇算法依然存在一些不足,主要包括以下几个方面:
1)在现有的无人机分簇算法中,存在应用场景脱离实际的情况。如:基于改进的无人机分簇算法中,移动模型设置为基于高斯马尔可夫的自由移动模型,该模型中的无人机是在一个范围内随机自由移动的,这与实际情况不符。通常情况下,无人机需要执行相关任务,应以一个编队的形式,有规律地移动。
2)在现有的无人机分簇算法中,存在性能指标不合理的情况。如:基于路径规划的无人机加权高效分簇方法中,能量消耗模型采用的是移动性较低的传感器网络中的一阶无线电传输模型,只考虑通信损耗,而忽略因无人机飞行引起的机械损耗。而无人机飞行引起的机械损耗,则是无人机能量损耗的重要组成部分,且机械损耗与速度相关,若不对此进行详细的讨论,则会影响仿真的真实性。
3)在现有的无人机分簇算法中,存在权值分配无差别的情况。如:基于果蝇优化的分簇算法中,对性能指标按照等比例的方式进行权值的分配,不区分节点度、剩余能量和移动性之间的重要性,也不按照无人机编队所处的状态对权值进行改变。而实际状况下,根据经验和数据自身的离散程度,无人机的剩余能量和节点度的重要性应高于移动性,且随着时间推移,剩余能量的重要性应逐步提高。
4)在现有的无人机分簇算法中,存在分簇过程的情况。如:并行化的改进灰狼分簇算法中,对于簇成员的选择是按照K-means算法的模式进行,选择区域内与簇头欧几里得距离最近的节点。该模式是应用于移动性较低的网络,选择距离较近的无人机节点,节约数据传输成本。但是在无人机网络中,除了保持通信成本外,也要保证无人机编队的覆盖范围,过近的距离容易导致收集区域重复,覆盖范围较小,从而影响无人机执行任务的进程。
5)在现有的无人机分簇算法中,存在簇的规模无约束的情况。如:基于权值的分簇算法中,仅约束了无人机的最大规模,但未能考虑到簇的规模过小时,造成该簇无法正常工作,从而造成资源的浪费。
6)在现有的无人机分簇算法中,存在维护过程过于简单的情况。如:基于改进的无人机分簇算法中,规定簇头死亡时才重新选择新的簇头。而此过程会造成大量的无人机节点在短时间内无法进行工作,影响整个任务进程。如:基于权值的分簇算法中,仅设置备用簇头,而忽略了备用簇头的选择时间。而如果在簇刚建立时,即选择备用簇头,那么在簇头更换时,则无法保证备用簇头依旧是当前最优的节点。
针对此,本说明书实施例提供一种无人机分簇方法。本说明书实施例提供的无人机分簇方法的执行主体可以是个人计算机(Personal Computer,PC)和服务器等终端设备。
为便于描述,下文以该方法的执行主体为服务器为例,对该方法的实施方式进行详细描述,可以理解,该方法的执行主体为服务器只是一种示例性的说明,并不应理解为对该方法的限定。
具体地,该方法的实现流程示意图如图1所示,包括下述步骤:
步骤101,获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息。
应理解,初始阶段,所有节点都处于未定状态,可通过周期性交换信息获得邻居节点的位置信息和速度信息,进而获取到所有待分簇的多架无人机的位置信息和速度信息。
步骤102,基于多架无人机的位置信息,分别确定多架无人机的各无人机的自适应节点度差和平均节点距离;基于多架无人机的初始能量和能量消耗信息,分别确定多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定多架无人机的各无人机的最大的速度相似差。
可选地,基于多架无人机的各无人机的位置信息,确定多架无人机的各无人机的自适应节点度差,包括:
基于多架无人机的各无人机的位置信息,确定多架无人机的各无人机的节点度;
基于多架无人机的各无人机的节点度,确定多架无人机的节点度均值;
基于多架无人机的各无人机的节点度和多架无人机的节点度均值,确定多架无人机的各无人机的自适应节点度差。
其中,自适应节点度差指的是节点在其通信范围内连通的节点数与编队各节点连通的节点数的平均值之间的差值。在网络中,每个节点通过交互信息获得自身的节点度,假设网络中有n个节点,节点i的节点度Ci表示为式:
利用节点度减去平均节点度,并取绝对值,得到节点i的自适应节点度差,表示为:
在网络中,自适应节点度差大,会造成簇的数量减少,簇头的能耗加剧和频繁更替;而自适应节点度差小,则会造成整体的能耗增多,减少网络生存周期。因此,节点的自适应节点度差越小,表明该节点周围的节点分布越均匀。
可选地,基于多架无人机的位置信息,确定多架无人机的各无人机的平均节点距离,包括:
分别确定多架无人机的各无人机的邻居节点数量;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的平均节点距离。
其中,节点一跳通信距离内的其他节点,称为该节点的邻居节点,平均节点距离指的是某节点与所有邻居节点间距离总和的平均值,则节点i的平均节点距离表示为:
其中,Mi表示节点i的邻居节点数量,Ni表示节点i的邻居节点集合。应理解,节点的平均节点距离越小,抗毁性越强,通信能耗越低。
可选地,获取多架无人机的各无人机的能量消耗信息,包括:
分别获取多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及多架无人机的各无人机成为簇成员的次数和成为簇成员的时长;
基于多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及多架无人机的各无人机成为簇成员的次数和成为簇成员的时长,确定多架无人机的能量消耗信息。
本申请实施例的能量损耗模型考虑通信损耗和飞行造成的机械损耗,通信损耗模型选择一阶无线电传输模型,簇成员向簇头发送k bit数据所消耗的能量分为传输电路损耗和功率放大损耗,表示为:
其中,Eelec表示传输电路损耗,efs和emp表示所采用自由空间模型和多径衰落模型所需的能量,dij表示节点i与其簇头j的距离。当dij小于ro时,采用自由空间模型。当dij大于ro时采用多径衰落模型。ro的取值可表示为:
簇头接收并合并簇成员发送的k比特数据所消耗能量可表示为:
ERX(k,cj)=k×cj×(Eelec+EDA) (8)
其中,cj表示簇头中的成员数量,EDA表示融合1比特数据所需的能量。无人机的机械损耗与无人机的速度有关,无人机速度越快,电机的转速就越快,能量消耗就越多。
为了获取无人机速度与机械损耗的准确关系,本申请实施例选择采用大疆精灵Phantom 4pro无人机进行实际测试,该款无人机的相关参数如表1所示。
表1无人机大疆精灵Phantom 4pro的相关参数
测试条件可选择在风速较小的空旷场地进行,无人机按照规定的路线行进,在达到低电量强制返航时,停止计时。测试结果如表2所示:
表2测试数据
速度(m/s) | 1 | 5 | 10 | 15 | 19 |
时长(s) | 1761 | 1529 | 1127 | 901 | 725 |
根据测试结果采用MATALB中的cftool工具箱获得拟合函数如式(9)所示,拟合函数的决定系数(R-square)和校正决定系数(Adjusted R-square)分别为0.9941和0.9911,曲线如图3所示。
T=1884e-0.04888*V (9)
本申请实施例选择速度为1m/s、5m/s、15m/s和19m/s的数据进行拟合,并选择10m/s测试拟合函数。将测试数据带入图2所示的拟合曲线中,得到结果为1155.57s,与实际结果的偏差率为2.5%。根据焦耳定律Q=UI和式(10),得出每秒的机械损耗Emove与速度的关系如式(10)所示,其中Q根据无人机的电池容量和电压而定。
其中,节点剩余能量指的是节点初始能量和节点消耗能量的差值。设节点i的初始能量为Ei,剩余能量为E_resti。节点作为簇成员时,单位时间内消耗的能量如式(6)所示,节点作为簇头时,单位时间内消耗的能量如式(8)所示,那么,节点的剩余能量表示为:
式(11)中,a为节点i作为簇成员或未定节点的次数,b为节点i作为簇头的次数;ta为节点i第a次作为簇成员的时长,tb为节点第b次作为簇头的时长。应理解,无人机编队中的无人机节点剩余能量越多,所能执行时间的时间就越长。
可选地,基于多架无人机的速度信息,确定多架无人机的各无人机的最大的速度相似差,包括:
基于多架无人机的速度信息,确定多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差,以及多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差、多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值、以及多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的最大的速度相似差。
其中,速度相似度指的是各个节点的平均速度与邻居节点的平均速度的方差。节点i和节点j的速度适量表示为Vi和Vj,则两者速度差定义Vij为:
Vij=|Vi-Vj| (12)
计算速度相似度首先要计算节点i和其邻居节点的平均速度差,其定义为:
则节点i的最大速度相似度表示为:
由于本申请实施例采用的模型是群组移动模型,因此可选择速度相似度较小的无人机节点作为簇头,可减少簇内结构达到稳定的时延。
步骤103,基于多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定多架无人机的各无人机的综合权值。
可选地,基于多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定多架无人机的各无人机的综合权值,包括:
对多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差进行归一化处理;
通过层次分析法基于多架无人机的各无人机的飞行时间,确定多架无人机的自适应节点度差的第一权值、平均节点距离的第一权值、剩余能量的第一权值和最大的速度相似差的第一权值;以及通过熵值法基于多架无人机的各无人机的飞行时间,确定多架无人机的自适应节点度差的第二权值、平均节点距离的第二权值、剩余能量的第二权值和最大的速度相似差的第二权值;
基于多架无人机的各无人机的目标性能指标的第一权值和第二权值,确定多架无人机的各无人机的目标性能指标的组合权值,目标性能指标为自适应节点度差、平均节点距离、剩余能量和最大的速度相似差中的任意一个性能指标;
基于归一化处理后的所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量、最大的速度相似差、以及多架无人机的自适应节点度差的组合权值、平均节点距离的组合权值、剩余能量的组合权值和最大的速度相似差的组合权值,确定多架无人机的综合权值。
由于各个性能指标的量纲不同,若直接使用未经处理的数据会影响簇头选举的客观性。因此在计算综合权值之前,本申请实施例可对以上四个性能指标进行归一化处理。目前,无人机加权分簇算法未对不同性能指标的归一化标准行统一,从而归一化之后依旧存在量级差异,为避免此类现象,本发明采用基于离差标准化的数据归一化方法,对四项性能指标统一进行线性变化,同时将结果映射到[0,1]区间内,转换函数如下:
其中,xmax为样本数据的最大值,xmax为样本数据的最小值,性能指标根据该转换函数进行归一化处理。
根据无人机的特点,采用层次分析法和熵值法相结合的组合赋值法计算权值,层次分析法属于主观赋值法,熵值法属于客观赋值法。本申请实施例可在仿真第450轮次后,各无人机进入任务区,设置时间T,当T<450时,称为任务前期,该阶段无人机剩余能量较多,因此节点度差对无人机通信耗能和簇结构稳定影响较大,性能指标重要性的顺序为:ε>E_rest>D>δ2。w1~w4分别对应自适应节点度差、节点间距离、剩余能量和速度相似度,根据层次分析法计算权值,w1~w4分别为0.38、0.24、0.3、0.08;当T>450时,称为任务阶段,此时无人机剩余能量逐渐减少,因此,指标重要性的顺序变为:E_restε>ε>D>δ2,根据层次分析法重新计算权值,w1~w4分别为0.2、0.16、0.54、0.1。
其中,熵值法是通过性能指标的离散程度来分配权值,任务前期,需要调整簇的结构,因此自适应节点度差和距离的离散程度较大,随着仿真进行,无人机能量消耗增加,同时簇的规模相对平衡,因此剩余能量的离散程度变大,节点度差的离散程度变小。性能指标随T实时变化,记为μ1~μ4。层次分析法在组合赋值中所占比例为0.6,熵值法在组合赋值中所占比例为0.4,则组合权值表示为:
Wk=0.6wk+0.4μk k=1,2,3,4 (17)
则节点i在T时刻的综合权值为:
为了在执行任务时,更好地进行维护,本申请实施例在无人机簇执行任务之前提前改变主动赋值法赋予各性能指标的权值,因此主动赋值法的评分标准在T=425时发生改变,并选取0~900个仿真周期的四项性能指标数据进行观察,实时变化图4所示。无人机在维护过程中,簇头的更换时,各无人机的综合权值,需要根据此数据实时更新,达到更换后的簇头在当前时刻具有最优特性。
步骤104,基于多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成。
其中,簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
应理解,簇的规模如果过大,会导致簇头负载过重,能量消耗过快,而如果簇的规模过小,则会使得该簇抗毁性较弱,功能性较差,进而造成资源的浪费。为保证簇的结构均匀,减少因簇的规模过大造成的簇头快速死亡和簇的规模过小造成的资源浪费,本申请实施例,引入最优成员数ρ,即每个簇的无人机节点的数量为ρ,则最优簇头个数可表示为:mbest=n/ρ,其中n为多架无人机的数量,即n架无人机的最优簇头个数为mbest。
由于多个无人机簇组成的无人机编队中的无人机分布并不均匀,如果只规定簇头数而不规定簇的规模,依旧有产生较大或者较小簇的可能。因此,本申请实施例还设置了簇的动态规模值λ,则设置的预设的簇的规模范围为[ρ-λ,ρ+λ]。此外,λ可根据任务的具体的需求和无人机编队所处的状态进行更改。无人机在分簇过程中,簇的动态规模调整策略具体可为:当无人机节点的节点度小于ρ-λ时,该无人机节点不能作为簇头;当簇头的节点度在[ρ-λ,ρ+λ]范围内时,以簇头当前节点度作为簇的规模m,即选择该簇头一跳范围内的N(N为簇头的自适应节点差)个无人机节点作为该簇头所在簇的簇成员;当簇头的节点度大于ρ+λ时,将最优成员数ρ作为簇的规模m,即选择该簇头一跳范围内的ρ个无人机节点作为该簇头所在簇的簇成员。
应理解,各无人机簇的簇的规模m的输出范围应在[n/(ρ-λ),n/(ρ+λ)]范围内,结果越接近mbest,则分簇效果越好。
影响无人机性能的因素有很多,节点度影响簇头的能耗,节点的距离和剩余能量影响簇的稳定,节点的速度影响形成簇的时间。本申请实施例从节点度、节点间距离、剩余能量和移动性四个方面入手进行改进,将自适应节点度差、平均节点距离、节点剩余能量和速度相似度作为影响无人机分簇的性能指标。
在之前的分簇算法中,剩余能量模型都是直接采用移动自组织网络所提出的能量损耗模型,忽略无人机因飞行引起的机械耗能,这是不准确的。本申请实施例为了解决这一问题,将根据实测数据,讨论机械耗能与速度的关系,提高该项性能指标的准确性。根据簇的规模讨论,往往只讨论无人机的簇头数量或者簇的最大规模数量,这样无法保证所有的簇的规模都是合理的,本申请实施例可根据簇头的节点度选择合适的簇的规模。
可选地,基于多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,得到多个无人机簇,包括:
从多架无人机的各无人机的综合权值中确定综合权值最大的第一无人机;
在第一无人机的自适应节点度差不小于预设的簇的规模范围的下限的情况下,将第一无人机作为第一无人机簇的簇头;
将多架无人机中除去所述第一无人机以外的无人机的综合权值按照由小到大的顺序进行排序;
将排序后的前第一数量的无人机作为第一无人机簇的簇成员,第一数量为基于第一无人机的自适应节点度确定;
从多架无人机中除去第一无人机簇以外的无人机中确定综合权值最大的第二无人机;
在第二无人机的自适应节点度差在预设的簇的规模范围的情况下,将第二无人机作为第二无人机簇的簇头;
将多架无人机中除去第二无人机和第一无人机簇以外的无人机的综合权值,按照由小到大的顺序进行排序;
将排序后的前第二数量的无人机作为第二无人机簇的簇成员,第二数量为基于第二无人机的自适应节点度确定,直到多架无人机中的各无人机成为簇头或簇成员,得到多个无人机簇。
本申请实施例采用分布式结构,其中的无人机节点都为相同型号的无人机,各无人机簇使用本申请实施例提供的无人机分簇方法选举出簇头和簇成员,最终形成的多个无人机簇如图3所示。一般而言,簇头只与簇内节点和其他簇头通信,簇成员之间不能直接进行通信,不能与其他簇的簇头和簇成员通信,各无人机簇的规模为簇头一跳通信范围内的连通成员数。
此外为了便于分析,本申请对无人机编队的应用场景做出如下假设:
1、本申请实施例只考虑无人机飞行造成的机械能耗和节点通信能耗,忽略因风速等原因造成的为维持稳定所产生的机械能耗。
2、各簇头通常只与一跳通信范围内的无人机节点产生通信。
3、根据电池的损耗不同,无人机初始能量为电池标注数值的95%~100%间。
4、无人机可获得自身的位置、速度和剩余能量信息。
5、无人机在二维空间内按照规划的路径运动,当某一无人机节点的剩余能量耗尽时,称该无人机节点为死亡节点,将不会出现在后续的仿真进程中。
在行进过程中,无人机编队往往保持一定的队形,编队内无人机移动模型应符合节点的移动特性和群体的行为特性。因此,本申请实施例选择群组移动模型中的游牧社会移动模型,无人机编队被分为若干个簇,每个簇以簇头为目标。其他成员的移动方向、速度和加速度均与簇头保持一致,簇头的行进路线和方向则与规划的路线有关。最终,无人机编队中的各无人机簇以一个整体,向目标区域移动。
DSWCA针对无人机自组织网络的特性,在簇头选举阶段,改进能量消耗模型,重点讨论无人机能耗模型中因飞行引起的机械耗能,给出机械耗能与速度的关系式,增加性能指标的真实性;讨论簇的规模变化,提出一种基于无人机节点度不同进行动态规模划分方法,达到簇结构的稳定。在维护阶段,提出一种实时组合赋值法,并根据任务时间设置跳变点,为后续维护进一步中备用簇头的选举提供良好的数据支持;引入簇头更换阈值,在簇头能量到达该阈值后,先进行备用簇头的选举再进行簇头的更换,减少因簇头死亡造成的工作停滞。
可选地,在对多架无人机进行分簇之后,在无人机任务执行了一段时候后,各无人机簇中的簇头的剩余能量将会越来越少,直至消耗殆尽,在这种情况下,则需要及时更换各无人机簇中的剩余能量较少的簇头,即可以从簇成员中选择剩余能量较多,且综合权值较大的簇成员作为簇头。具体地,本说明书实施例提供的方法还包括:
若目标簇中的目标簇头的剩余能量小于或等于预设能量阈值,则从目标簇中的簇成员中选择综合权值最大且剩余能量大于或等于预设能量阈值的簇成员,作为目标簇的簇头,其中,目标簇为多个无人机簇中的任意一个簇。
作为一种示例,更换簇头的阶段可称为各簇的维护阶段,此阶段通常指无人机簇执行任务的后期,无人机簇头的能量消耗殆尽,需要进行簇头的更换,此时,可选举出新的簇头以继续维持无人机簇继续工作。为了避免更换簇头时,无法反映无人机动态变化的实时性的问题,本申请实施例结合各簇成员的剩余能量和综合权值,选择综合权值最大且剩余能量较大的簇成员,从而延长更换簇头后的无人机簇的工作时间。
同时,为避免在簇头能量消耗殆尽时才更换簇头导致无人机簇任务的中断,影响整体任务进度,本申请实施例引入簇头更换阈值,即预设能量阈值,采取簇头的剩余能量小于或等于预设能量阈值后,先选举备用簇头再立刻进行簇头的更换,这样旧的簇头在变成簇成员时,依旧有剩余能量,可以继续工作一段时间,而新的簇头继承了原有簇的大部分成员,因此不会造成工作的中断,减少了无人机簇重组的次数。
其中,备用簇头可选择综合权值最大,且剩余能量大于预设能量阈值的簇成员;若到任务执行后期,没有剩余能量大于预设能量阈值的簇成员,则选择综合权值最大的簇成员。备用簇头随着时间的推移,也可能会发生改变。簇头更换后,如果在新簇头一跳通信距离外的无人机节点,无法与新簇头进行通信,则会变为未定节点,未定节点则会按照上述分簇方法重新进行分簇或者选择其他簇加入。
此外,维护阶段除簇头的维护外,还包括簇成员的维护。当某个簇成员能量耗尽或发生故障时,簇头将该簇成员从簇中移除,该簇成员不再参与无人机簇的任务执行;当某个簇成员远离簇头的一跳通信距离时,则会成为一个未节点,并通过上述分簇方法的实现过程,作为新的簇成员加入到其他簇中。
作为一种示例,本发明在MATLAB的环境下实现对DSWCA的仿真,并与IWCA和KFFOCA进行对比,仿真过程将ρ的取值设置为无人机数量的10%,λ的取值设置为无人机数量的5%。无人机编队在1000 1000m2范围内起飞,初始速度设置为8_12(m/s),因为要进行结构的调整,整体速度设置为0到20,仿真参数如表3所示。
表3仿真参数
在本申请中,当死亡节点的数量达到总数的30%时,仿真终止。仿真实验以无人机编队数量为自变量,对比3种算法在簇头初始能量、簇头初始自适应节点度差、平均剩余能量、平均剩余能量标准差、簇的重组次数和网络生存周期上的性能差异。
为了验证剩余能量阈值的引入可以提高无人机编队的整体性能,并选择最优的阈值数值引入后续仿真,达到效果最佳,需要对H的取值进行分析。首先,为避免偶然性,对不同数量的无人机编队进行仿真实验,具体参数表3相同;其次,为方便计算,对无人机的能量进行归一化处理,初始能量取值为0.95-1;最后,为了减少误差,H按照0.1的间隔从0步进取值到1。
在本申请实施例中,无人机编队在任务地点停留时间越长,消耗的能量越多,则获取的信息越详细,对任务的整体完成度就越高。因此,在确定阈值取值时,应将网络生存周期作为判定阈值最优取值的主要依据,平均剩余能量作为判定阈值的次要依据。
将不同数量的无人机编队的簇头更换阈值步进取值,得到簇头更换阈值与网络生存周期的关系。仿真结果表明,不同数量编队的簇头更换阈值最优取值均为0.3,取平均值后的关系如图5所示。
按照上述方法,求出取平均值后的平均剩余能量与簇头更换阈值的关系。根据仿真结果,不同数量编队的剩余能量阈值在取0.3时,平均剩余能量最小,取平均值后的关系如图6所示。
根据图5和图6,并与图11和图8进行对比,IWCA和KFFOCA取平均值后网络生存周期的值分别为793.3、813.2,平均剩余能量的值分别为0.498和0.468。因此引入簇头更换阈值后,在0.1-0.9的区间内,该算法的无人机网络生存周期增加和平均剩余能量减少,该算法均为最优。阈值的取值在0.3处时,算法性能最好。
将3种算法在分簇阶段的簇头初始能量和初始自适应节点度差的平均值进行比较,如图7和图8所示。本发明算法的簇头初始能量高于另外2种算法,簇头的自适应节点度差低于另外2种算法。这是因为IWCA通过主观赋值的方法,对性能指标进行赋值,但是并未考虑重要性之间的关系,且各性能指标权值的差值相同,KFFOCA直接按照等比例对性能指标进行赋值。与另外2种算法不同,本发明一方面根据无人机性能指标对性能的影响程度不同,对其进行评分,赋予不同的权值;另一方面也通过熵值法根据性能指标数据的离散程度进行赋值,主客观赋值法相结合,使得选举出的簇头性能更好。
仿真终止时,3种算法的平均剩余能量和平均剩余能量标准差如图9、图10所示。本发明算法平均剩余能量和其标准差均低于另外2种算法。这是因为该算法规定的簇的规模,减少了负载过重和过轻的无人机数量。在仿真终止时,能量消耗越多,则任务的完成度就越高,而无人机之间剩余能量的标准差越小,则表明网络负载越均衡。因此,本发明算法的性能要优于另外2种算法。
统计簇的重组次数如图11所示。虽然本申请实施例算法在簇头达到簇头更换阈值时就进行簇头更换,但会在不影响执行任务进度的条件下。首先从当前簇中选择新簇头,新簇头连通了旧簇头的大多数成员,因此簇头因能量耗尽而重组次数反而更少。
最后,对比3种算法的网络生存周期,如图12所示。本发明算法在网络生存周期上要大于其他2种算法,这是组合赋值法、动态簇的规模和簇头更换阈值共同作用的结果,因此综合来看,本申请实施例的无人机分簇算法要优于另外2种算法。
本发明实施例在对多架无人机进行分簇时,能够基于多架无人机的位置信息和速度信息、以及初始能量和能量消耗信息,分别确定多架无人机的各无人机的自适应节点度差、平均节点距离、节点剩余能量和最大的速度相似差,进而基于这些性能参数分别确定多架无人机的各无人机的综合权值,最后基于多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成,其中,簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。由于能够在无人机分簇时,从节点度、节点间距离、剩余能量和移动性四个方面入手进行改进,将自适应节点度差、平均节点距离、节点剩余能量和速度相似度作为影响无人机分簇的性能指标,充分考虑无人机这一特殊场景中的各个性能指标,且基于这些性能指标确定各无人机的综合权值,最后基于综合权值以及簇的动态规模调整策略,对多架无人机进行分簇,能够较为合理地对多架无人机进行分簇。
图13是本说明书实施例提供的无人机分簇装置1300的结构示意图。请参考图13,在一种软件实施方式中,无人机分簇装置1300可包括信息获取模块1301、确定模块1302、权值确定模块1303和分簇模块1304,其中:
信息获取模块1301,用于获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
确定模块1302,用于基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差获取待分簇的多架无人机的位置信息和速度信息;
权值确定模块1303,用于基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
分簇模块1304,用于基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
可选地,在一种实施方式中,所述权值确定模块1303,用于:
对所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差进行归一化处理;
通过层次分析法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第一权值、平均节点距离的第一权值、剩余能量的第一权值和最大的速度相似差的第一权值;以及通过熵值法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第二权值、平均节点距离的第二权值、剩余能量的第二权值和最大的速度相似差的第二权值;
基于多架无人机的各无人机的目标性能指标的第一权值和第二权值,确定所述多架无人机的各无人机的目标性能指标的组合权值,所述目标性能指标为所述自适应节点度差、平均节点距离、剩余能量和最大的速度相似差中的任意一个性能指标;
基于所述归一化处理后的所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量、最大的速度相似差、以及所述多架无人机的自适应节点度差的组合权值、平均节点距离的组合权值、剩余能量的组合权值和最大的速度相似差的组合权值,确定所述多架无人机的综合权值。
可选地,在一种实施方式中,所述分簇模块1304,用于:
从所述多架无人机的各无人机的综合权值中确定综合权值最大的第一无人机;
在所述第一无人机的自适应节点度差不小于所述预设的簇的规模范围的下限的情况下,将所述第一无人机作为第一无人机簇的簇头;
将所述多架无人机中除去所述第一无人机以外的无人机的综合权值按照由小到大的顺序进行排序;
将所述排序后的前第一数量的无人机作为所述第一无人机簇的簇成员,所述第一数量为基于所述第一无人机的自适应节点度确定;
从所述多架无人机中除去所述第一无人机簇以外的无人机中确定综合权值最大的第二无人机;
在所述第二无人机的自适应节点度差在所述预设的簇的规模范围的情况下,将所述第二无人机作为第二无人机簇的簇头;
将所述多架无人机中除去所述第二无人机和所述第一无人机簇以外的无人机的综合权值,按照由小到大的顺序进行排序;
将所述排序后的前第二数量的无人机作为所述第二无人机簇的簇成员,所述第二数量为基于所述第二无人机的自适应节点度确定,直到所述多架无人机中的各无人机成为簇头或簇成员。
可选地,在一种实施方式中,所述确定模块1302,用于:
基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的节点度;
基于所述多架无人机的各无人机的节点度,确定所述多架无人机的节点度均值;
基于所述多架无人机的各无人机的节点度和所述多架无人机的节点度均值,确定所述多架无人机的各无人机的自适应节点度差。
可选地,在一种实施方式中,所述确定模块1302,用于:
分别确定所述多架无人机的各无人机的邻居节点数量;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的平均节点距离。
可选地,在一种实施方式中,所述信息获取模块1301,用于:
分别获取所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长;
基于所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长,确定所述多架无人机的能量消耗信息。
可选地,在一种实施方式中,所述确定模块1302,用于:
基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差,以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差、所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值、以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的最大的速度相似差。
可选地,在一种实施方式中,所述装置还包括:
簇头调整模块,用于若目标簇中的目标簇头的剩余能量小于或等于预设能量阈值,则从所述目标簇中的簇成员中选择综合权值最大且剩余能量大于或等于预设能量阈值的簇成员,作为所述目标簇的簇头,其中,所述目标簇为所述多个无人机簇中的任意一个簇。
无人机分簇装置1300能够实现图1~图12的方法实施例的方法,具体可参考图1~图12所示实施例的无人机分簇方法,不再赘述。
图14是本说明书的一个实施例提供的电子设备的结构示意图。请参考图14,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成无人机分簇装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
上述如本说明书图14所示实施例揭示的无人机分簇方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的无人机分簇方法,并实现无人机分簇装置在图1所示实施例的功能,本说明书在此不再赘述。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (5)
1.一种无人机分簇方法,其特征在于,包括:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定;
所述基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的自适应节点度差,包括:
基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的节点度;
基于所述多架无人机的各无人机的节点度,确定所述多架无人机的节点度均值;
基于所述多架无人机的各无人机的节点度和所述多架无人机的节点度均值,确定所述多架无人机的各无人机的自适应节点度差,其中,所述自适应节点度差为节点在其通信范围内连通的节点数与编队各节点连通的节点数的平均值之间的差值;
所述基于多架无人机的位置信息,确定多架无人机的各无人机的平均节点距离,包括:
分别确定多架无人机的各无人机的邻居节点数量;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的平均节点距离;
所述获取所述多架无人机的各无人机的能量消耗信息,包括:
分别获取所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长;
基于所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长,确定所述多架无人机的能量消耗信息;
所述基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的最大的速度相似差,包括:
基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差,以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差、所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值、以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的最大的速度相似差,其中,所述速度相似差为各个节点的平均速度与邻居节点的平均速度的方差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值,包括:
对所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差进行归一化处理;
通过层次分析法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第一权值、平均节点距离的第一权值、剩余能量的第一权值和最大的速度相似差的第一权值;以及通过熵值法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第二权值、平均节点距离的第二权值、剩余能量的第二权值和最大的速度相似差的第二权值;
基于多架无人机的各无人机的目标性能指标的第一权值和第二权值,确定所述多架无人机的各无人机的目标性能指标的组合权值,所述目标性能指标为所述自适应节点度差、平均节点距离、剩余能量和最大的速度相似差中的任意一个性能指标;
基于所述归一化处理后的所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量、最大的速度相似差、以及所述多架无人机的自适应节点度差的组合权值、平均节点距离的组合权值、剩余能量的组合权值和最大的速度相似差的组合权值,确定所述多架无人机的综合权值;
所述基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,包括:
从所述多架无人机的各无人机的综合权值中确定综合权值最大的第一无人机;
在所述第一无人机的自适应节点度差不小于所述预设的簇的规模范围的下限的情况下,将所述第一无人机作为第一无人机簇的簇头;
将所述多架无人机中除去所述第一无人机以外的无人机的综合权值按照由小到大的顺序进行排序;
将所述排序后的前第一数量的无人机作为所述第一无人机簇的簇成员,所述第一数量为基于所述第一无人机的自适应节点度确定;
从所述多架无人机中除去所述第一无人机簇以外的无人机中确定综合权值最大的第二无人机;
在所述第二无人机的自适应节点度差在所述预设的簇的规模范围的情况下,将所述第二无人机作为第二无人机簇的簇头;
将所述多架无人机中除去所述第二无人机和所述第一无人机簇以外的无人机的综合权值,按照由小到大的顺序进行排序;
将所述排序后的前第二数量的无人机作为所述第二无人机簇的簇成员,所述第二数量为基于所述第二无人机的自适应节点度确定,直到所述多架无人机中的各无人机成为簇头或簇成员,得到所述多个无人机簇。
2.如权利要求1所述的方法,其特征在于,基于所述多架无人机的位置信息,确定所述多架无人机的各无人机的平均节点距离,包括:
分别确定所述多架无人机的各无人机的邻居节点数量;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的平均节点距离。
3.如权利要求1~2中任一所述的方法,其特征在于,所述方法还包括:
若目标簇中的目标簇头的剩余能量小于或等于预设能量阈值,则从所述目标簇中的簇成员中选择综合权值最大且剩余能量大于或等于所述预设能量阈值的簇成员,作为所述目标簇的簇头,其中,所述目标簇为所述多个无人机簇中的任意一个簇。
4.一种无人机分簇装置,其特征在于,包括:
信息获取模块,用于获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
确定模块,用于基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
权值确定模块,用于基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
分簇模块,用于基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定;
所述确定模块,具体用于基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的节点度;
基于所述多架无人机的各无人机的节点度,确定所述多架无人机的节点度均值;
基于所述多架无人机的各无人机的节点度和所述多架无人机的节点度均值,确定所述多架无人机的各无人机的自适应节点度差,其中,所述自适应节点度差为节点在其通信范围内连通的节点数与编队各节点连通的节点数的平均值之间的差值;
所述确定模块,还用于分别确定多架无人机的各无人机的邻居节点数量;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的平均节点距离;
所述信息获取模块,具体用于分别获取所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长;
基于所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长,确定所述多架无人机的能量消耗信息;
所述确定模块,还用于基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差,以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差、所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值、以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的最大的速度相似差,其中,所述速度相似差为各个节点的平均速度与邻居节点的平均速度的方差;
所述确定模块,还用于对所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差进行归一化处理;
通过层次分析法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第一权值、平均节点距离的第一权值、剩余能量的第一权值和最大的速度相似差的第一权值;以及通过熵值法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第二权值、平均节点距离的第二权值、剩余能量的第二权值和最大的速度相似差的第二权值;
基于多架无人机的各无人机的目标性能指标的第一权值和第二权值,确定所述多架无人机的各无人机的目标性能指标的组合权值,所述目标性能指标为所述自适应节点度差、平均节点距离、剩余能量和最大的速度相似差中的任意一个性能指标;
基于所述归一化处理后的所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量、最大的速度相似差、以及所述多架无人机的自适应节点度差的组合权值、平均节点距离的组合权值、剩余能量的组合权值和最大的速度相似差的组合权值,确定所述多架无人机的综合权值;
所述分簇模块,具体用于从所述多架无人机的各无人机的综合权值中确定综合权值最大的第一无人机;
在所述第一无人机的自适应节点度差不小于所述预设的簇的规模范围的下限的情况下,将所述第一无人机作为第一无人机簇的簇头;
将所述多架无人机中除去所述第一无人机以外的无人机的综合权值按照由小到大的顺序进行排序;
将所述排序后的前第一数量的无人机作为所述第一无人机簇的簇成员,所述第一数量为基于所述第一无人机的自适应节点度确定;
从所述多架无人机中除去所述第一无人机簇以外的无人机中确定综合权值最大的第二无人机;
在所述第二无人机的自适应节点度差在所述预设的簇的规模范围的情况下,将所述第二无人机作为第二无人机簇的簇头;
将所述多架无人机中除去所述第二无人机和所述第一无人机簇以外的无人机的综合权值,按照由小到大的顺序进行排序;
将所述排序后的前第二数量的无人机作为所述第二无人机簇的簇成员,所述第二数量为基于所述第二无人机的自适应节点度确定,直到所述多架无人机中的各无人机成为簇头或簇成员,得到所述多个无人机簇。
5.一种电子设备,其特征在于,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取待分簇的多架无人机的位置信息、速度信息以及初始能量和能量消耗信息;
基于所述多架无人机的位置信息,分别确定所述多架无人机的各无人机的自适应节点度差和平均节点距离;基于所述多架无人机的初始能量和能量消耗信息,分别确定所述多架无人机的各无人机的节点剩余能量;以及基于多架无人机的速度信息,分别确定所述多架无人机的各无人机的最大的速度相似差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值;
基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,每个无人机簇由一个簇头和至少一个簇成员组成;其中,所述簇的动态规模调整策略为基于簇中簇头的节点度和预设的簇的规模范围确定;
所述基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的自适应节点度差,包括:
基于所述多架无人机的各无人机的位置信息,确定所述多架无人机的各无人机的节点度;
基于所述多架无人机的各无人机的节点度,确定所述多架无人机的节点度均值;
基于所述多架无人机的各无人机的节点度和所述多架无人机的节点度均值,确定所述多架无人机的各无人机的自适应节点度差,其中,所述自适应节点度差为节点在其通信范围内连通的节点数与编队各节点连通的节点数的平均值之间的差值;
所述基于多架无人机的位置信息,确定多架无人机的各无人机的平均节点距离,包括:
分别确定多架无人机的各无人机的邻居节点数量;
基于多架无人机的各无人机的邻居节点与对应的各无人机之间的距离、多架无人机的各无人机的邻居节点数量,确定多架无人机的各无人机的平均节点距离;
所述获取所述多架无人机的各无人机的能量消耗信息,包括:
分别获取所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长;
基于所述多架无人机的各无人机成为簇头的次数和成为簇头的时长、以及所述多架无人机的各无人机成为簇成员的次数和成为簇成员的时长,确定所述多架无人机的能量消耗信息;
所述基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的最大的速度相似差,包括:
基于所述多架无人机的速度信息,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差,以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值;
基于所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差、所述多架无人机的各无人机的邻居节点与对应的各无人机之间的速度差的平均值、以及所述多架无人机的各无人机的邻居节点数量,确定所述多架无人机的各无人机的最大的速度相似差,其中,所述速度相似差为各个节点的平均速度与邻居节点的平均速度的方差;
基于所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差,分别确定所述多架无人机的各无人机的综合权值,包括:
对所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量和最大的速度相似差进行归一化处理;
通过层次分析法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第一权值、平均节点距离的第一权值、剩余能量的第一权值和最大的速度相似差的第一权值;以及通过熵值法基于所述多架无人机的各无人机的飞行时间,确定所述多架无人机的自适应节点度差的第二权值、平均节点距离的第二权值、剩余能量的第二权值和最大的速度相似差的第二权值;
基于多架无人机的各无人机的目标性能指标的第一权值和第二权值,确定所述多架无人机的各无人机的目标性能指标的组合权值,所述目标性能指标为所述自适应节点度差、平均节点距离、剩余能量和最大的速度相似差中的任意一个性能指标;
基于所述归一化处理后的所述多架无人机的各无人机的自适应节点度差、平均节点距离、剩余能量、最大的速度相似差、以及所述多架无人机的自适应节点度差的组合权值、平均节点距离的组合权值、剩余能量的组合权值和最大的速度相似差的组合权值,确定所述多架无人机的综合权值;
所述基于所述多架无人机的各无人机的综合权值以及簇的动态规模调整策略,对所述多架无人机进行分簇,得到多个无人机簇,包括:
从所述多架无人机的各无人机的综合权值中确定综合权值最大的第一无人机;
在所述第一无人机的自适应节点度差不小于所述预设的簇的规模范围的下限的情况下,将所述第一无人机作为第一无人机簇的簇头;
将所述多架无人机中除去所述第一无人机以外的无人机的综合权值按照由小到大的顺序进行排序;
将所述排序后的前第一数量的无人机作为所述第一无人机簇的簇成员,所述第一数量为基于所述第一无人机的自适应节点度确定;
从所述多架无人机中除去所述第一无人机簇以外的无人机中确定综合权值最大的第二无人机;
在所述第二无人机的自适应节点度差在所述预设的簇的规模范围的情况下,将所述第二无人机作为第二无人机簇的簇头;
将所述多架无人机中除去所述第二无人机和所述第一无人机簇以外的无人机的综合权值,按照由小到大的顺序进行排序;
将所述排序后的前第二数量的无人机作为所述第二无人机簇的簇成员,所述第二数量为基于所述第二无人机的自适应节点度确定,直到所述多架无人机中的各无人机成为簇头或簇成员,得到所述多个无人机簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406220.9A CN114783215B (zh) | 2022-04-18 | 2022-04-18 | 无人机分簇方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406220.9A CN114783215B (zh) | 2022-04-18 | 2022-04-18 | 无人机分簇方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783215A CN114783215A (zh) | 2022-07-22 |
CN114783215B true CN114783215B (zh) | 2023-05-26 |
Family
ID=82431697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406220.9A Active CN114783215B (zh) | 2022-04-18 | 2022-04-18 | 无人机分簇方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783215B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115297497B (zh) * | 2022-10-08 | 2023-02-03 | 中国人民解放军海军工程大学 | 一种基于生物启发算法的高效节能分簇方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110943920A (zh) * | 2019-12-12 | 2020-03-31 | 电子科技大学 | 一种基于无线自组织网络的分布式簇头选举方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7203729B2 (en) * | 2001-04-20 | 2007-04-10 | Motorola Inc. | Method and apparatus for a communication network with nodes capable of selective cluster head operation |
EP3158553B1 (en) * | 2015-03-31 | 2018-11-28 | SZ DJI Technology Co., Ltd. | Authentication systems and methods for identification of authorized participants |
US10312993B2 (en) * | 2015-10-30 | 2019-06-04 | The Florida International University Board Of Trustees | Cooperative clustering for enhancing MU-massive-MISO-based UAV communication |
CN108710382B (zh) * | 2018-05-14 | 2024-03-26 | 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 |
CN109738864B (zh) * | 2019-02-18 | 2021-02-02 | 中国人民解放军战略支援部队信息工程大学 | 一种基于多无人机的定位方法及系统 |
JP2020203075A (ja) * | 2019-05-12 | 2020-12-24 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線追跡、スキャニング、及び監視のための方法、装置及びシステム |
CN110650456A (zh) * | 2019-09-26 | 2020-01-03 | 赣南师范大学 | 无人机自组织网络中基于模糊综合评价的簇头选举方法 |
KR102244988B1 (ko) * | 2019-10-31 | 2021-04-27 | 석진영 | 군집 비행을 위한 복수 개의 무인항공기의 군집 비행 제어 시스템 및 방법 |
KR102324374B1 (ko) * | 2019-11-18 | 2021-11-11 | 한국전자통신연구원 | 무선 통신 시스템에서의 클러스터 구성 방법 및 장치 |
CN111954281A (zh) * | 2020-07-28 | 2020-11-17 | 西安理工大学 | 一种基于无线紫外光通信的蜂群无人机编队分簇路由方法 |
CN113271643B (zh) * | 2021-03-06 | 2023-05-09 | 南京航空航天大学 | 一种多节点协作无人机自组网分簇拓扑重构方法 |
CN113268077B (zh) * | 2021-04-13 | 2023-06-09 | 国网能源研究院有限公司 | 无人机能耗最小化设计方法及装置 |
CN114040358B (zh) * | 2021-12-06 | 2024-04-23 | 大连大学 | 一种无人机集群网络高稳定分簇方法 |
-
2022
- 2022-04-18 CN CN202210406220.9A patent/CN114783215B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110943920A (zh) * | 2019-12-12 | 2020-03-31 | 电子科技大学 | 一种基于无线自组织网络的分布式簇头选举方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114783215A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Piltyay et al. | Wireless sensor network connectivity in heterogeneous 5G mobile systems | |
Shi et al. | Coverage in battery-free wireless sensor networks | |
Yoshida et al. | MAB-based client selection for federated learning with uncertain resources in mobile networks | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN112784362B (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN109600178A (zh) | 一种边缘计算中能耗与时延和最小化的优化方法 | |
Rabiaa et al. | Improvements in LEACH based on K-means and Gauss algorithms | |
Liu et al. | Multi-objective resource allocation in mobile edge computing using PAES for Internet of Things | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
Cha et al. | Fuzzy logic based client selection for federated learning in vehicular networks | |
CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
CN113365323A (zh) | 一种用于无线传感网络中的低能耗多径传输方法 | |
CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
Zhu et al. | Learn and pick right nodes to offload | |
Yan et al. | Two-dimensional task offloading for mobile networks: An imitation learning framework | |
Tuba et al. | Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm | |
An et al. | Fuzzy deep Q-learning task offloading in delay constrained vehicular fog computing | |
Yan et al. | Deep reinforcement learning based offloading for mobile edge computing with general task graph | |
CN113194031A (zh) | 雾无线接入网内结合干扰抑制的用户聚类方法及系统 | |
CN114173421B (zh) | 基于深度强化学习的LoRa逻辑信道及功率分配方法 | |
CN114531665A (zh) | 一种基于莱维飞行的无线传感器网络节点分簇方法及系统 | |
Bhavana et al. | Spatial correlation based clustering algorithm for random and uniform topology in WSNs | |
Foubert et al. | Lightweight network interface selection for reliable communications in multi-technologies wireless sensor networks | |
Jha et al. | An energy efficient weighted clustering algorithm in heterogeneous wireless sensor networks |
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 |