CN114867081A - 基于中继无人机节点的移动自组网多源传输路由方法 - Google Patents

基于中继无人机节点的移动自组网多源传输路由方法 Download PDF

Info

Publication number
CN114867081A
CN114867081A CN202210429459.8A CN202210429459A CN114867081A CN 114867081 A CN114867081 A CN 114867081A CN 202210429459 A CN202210429459 A CN 202210429459A CN 114867081 A CN114867081 A CN 114867081A
Authority
CN
China
Prior art keywords
node
unmanned aerial
aerial vehicle
quality
nodes
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
Application number
CN202210429459.8A
Other languages
English (en)
Other versions
CN114867081B (zh
Inventor
王筱翔
郭园
覃荣华
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.)
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
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 Shanghai Institute of Microsystem and Information Technology of CAS filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN202210429459.8A priority Critical patent/CN114867081B/zh
Publication of CN114867081A publication Critical patent/CN114867081A/zh
Application granted granted Critical
Publication of CN114867081B publication Critical patent/CN114867081B/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
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • 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
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于中继无人机节点的移动自组网多源传输路由方法，包括：基于地面普通节点的初始分布位置及移动信息，采用象群优化算法对无人机节点进行部署；其中，无人机节点分为覆盖无人机节点和连通无人机节点；基于多级模糊逻辑系统选择最佳中继节点，其中，多级模糊逻辑系统包括：第一子系统，用于根据节点剩余能量和MAC层缓存队列数计算节点质量；第二子系统，用于根据单跳链路寿命和跳数计算链路质量；第三子系统，用于根据节点质量和链路质量计算中继节点的适应度值，并基于适应度值选择最佳中继节点；基于最佳中继节点构建传输路由。本发明能够利用有限的无人机节点，在保证数据传输可靠性的同时，减少网络控制开销，减低数据传输时延。

Description

基于中继无人机节点的移动自组网多源传输路由方法
技术领域
本发明涉及移动自组网技术领域，特别是涉及一种基于中继无人机节点的移动自组网多源传输路由方法。
背景技术
移动自组网主要由移动节点组成，支持在无通信基础设施的环境中迅速组网，并能根据环境需求动态重组，解决了传统无线通信网络的通信难题。随着科学技术的发展，移动自组网技术飞速进步，许多异构移动自组织网络应运而生，异构网络一般是指网络中存在网络架构、传输速率、传输距离和通信资源等方面不同的多个网络，例如海空自组网、空地自组网、卫星辅助通信网络等，它们利用多种可通信设备进行组网，满足了不同的环境需求和通信需求。移动自组网的自治性、组成多样性和可扩展性使得其在网络部署和现实应用中更为灵活和便捷，所以它在灾难救援、军事战场、应急通信等场景中都具有不容小觑的发展前景。无人机作为近年来的一个研究热点，其具有可通信范围大、灵活性强的优点，能适应通信范围广、节点少的稀疏网络，如核电站泄漏救援工作，此时网络仅依靠普通地面移动节点难以构建有效的通信路由，存在路由空洞，同时节点的移动性，导致网络拓扑结构变化频繁，造成较大网络延时和数据分组丢失，消耗大量网络资源。
为减少无人机节点移动造成的资源消耗，保证中继的有效性，对无人机节点的部署非常重要。现有的无人机部署方式较多关注于对地面节点的覆盖度，以及根据不同的网络通信需求对通信资源的分配。例如Dai等人提出了一种实现无人机协作的无人机部署机制，该机制利用群体智能启发算法进行无人机节点位置部署，扩大无人机范围的可覆盖范围。Jun等人为实现节点负载均衡提出了一种无人机节点动态部署算法，该算法适用于流量较大的场景，通过预测区域服务数量得出流量高峰时间段，实现无人机动态部署。Saha等人提出一种以保证覆盖范围无漏洞为目标的无人机节点部署算法，该算法基于本地Voronoi图和虚拟力实现无人机节点的随机连接分布，同时最小化通信距离，减少通信时延。Zhong等提出的无人机节点位置部署算法，以提高无人机节点的资源利用率为目标，在用户传输速率和无人机容量约束下，尽可能地覆盖更多的地面节点，在保证通信质量的情况下，获得最大的用户覆盖率。但此类无人机节点部署方式不适用于移动自组网的动态特性，节点会因移动而离开无人机节点的覆盖范围。而且，此类部署算法以覆盖所有节点为目标，有时对无人机的需求量较大，对资源的利用率较低。
同时，移动自组网中存在有多个源节点需要发送数据的情况，由于通信资源有限，多条路由选用同一中继节点时，数据传输可能产生较大的队列延时，以及存在负载不均衡，个别设备资源损耗快的问题。路由协议作为保证移动自组网正常运作的重要部分，优秀的路由能够解决异构网络以及多源传输的问题，同时适应移动自组网的动态拓扑特性。
发明内容
本发明所要解决的技术问题是提供一种基于中继无人机节点的移动自组网多源传输路由方法，能够利用有限的无人机节点，在保证数据传输可靠性的同时，减少网络控制开销，减低数据传输时延。
本发明解决其技术问题所采用的技术方案是：提供一种基于中继无人机节点的移动自组网多源传输路由方法，包括以下步骤：
基于地面普通节点的初始分布位置及移动信息，采用象群优化算法对无人机节点进行部署；其中，所述无人机节点分为覆盖无人机节点和连通无人机节点，所述覆盖无人机节点为与源节点组或目的节点通信的无人机节点，所述连通无人机节点为用于构建网络连通集、保证无人机节点之间通信的无人机节点；
基于多级模糊逻辑系统选择最佳中继节点，其中，所述多级模糊逻辑系统包括：第一子系统，用于根据节点剩余能量和MAC层缓存队列数计算节点质量；第二子系统，用于根据单跳链路寿命和跳数计算链路质量；第三子系统，用于根据所述节点质量和链路质量计算中继节点的适应度值，并基于所述适应度值选择最佳中继节点；
基于所述最佳中继节点构建传输路由。
所述基于地面普通节点的初始分布位置及移动信息，采用象群优化算法对无人机节点进行部署具体为：
利用源节点和目的节点的移动信息和位置信息对所述覆盖无人机节点位置进行优化；
利用网络连通集和节点度对所述连通无人机节点位置进行优化。
所述利用源节点和目的节点的移动信息和位置信息对所述覆盖无人机节点位置进行优化具体为：
建立所述覆盖无人机节点的适应度函数Fcover，其中，
Figure BDA0003609517740000021
Ncover,ui是所述覆盖无人机节点ui能够通信的普通节点个数，Nexpand(ui,i)是覆盖无人机节点ui相对于待覆盖节点i的扩展节点度，Tcover(ui,i)是覆盖无人机节点ui相对于待覆盖节点i的覆盖时长，vi为覆盖无人机节点ui的移动速度，Rcover为无人机节点与地面普通节点的有效通信半径，a、b为和为1的随机数；
在待覆盖节点i的通信范围内随机选取Clan1组坐标值，每组有n1个坐标作为覆盖无人机节点的初始位置；
将所述覆盖无人机节点的所有坐标值带入所述适应度函数Fcover进行计算，得到适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置，同时对每组覆盖无人机节点的位置进行更新；
将每组坐标中适应度值最低的覆盖无人机节点替换为一个新的随机坐标，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数；
所有坐标中适应度值最高的选为待覆盖节点i的覆盖无人机节点的最佳部署位置；
重复以上覆盖无人机部署，直至所有源节点和目的节点被所述覆盖无人机节点覆盖。
所述利用网络连通集和节点度对所述连通无人机节点位置进行优化具体为：
建立所述连通无人机节点的适应度函数Fconnect，其中，
Figure BDA0003609517740000031
并附带三个约束条件，Nexpand(uj)是连通无人机节点uj相对于其他无人机节点的扩展节点度，Ncover,uj是连通无人机节点uj能够通信的普通节点个数，所述三个约束条件分别为：网络连通性约束、覆盖有效性约束和无人机节点间通信约束；
选取Clan2组坐标值，每组有n2个坐标作为所述连通无人机节点的初始位置；
将所述连通无人机节点的所有坐标值带入所述适应度函数Fconnect进行计算，得到适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置，同时对每组连通无人机节点的位置进行更新；
将每组坐标中适应度值最低的连通无人机节点替换为一个新的随机坐标，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数；
所有坐标中适应度值最高的选为所述连通无人机节点的最佳部署位置；
重复以上连通无人机部署，直至网络中连通集个数S降为1或无法满足约束条件。
所述第一子系统在计算节点质量时，根据所述MAC层缓存队列数计算节点拥塞度，根据所述节点剩余能量计算节点的剩余能量比；使用三角隶属度函数对所述拥塞度和所述剩余能量比进行模糊化处理，得到所述MAC层缓存队列数的三个模糊集合和所述节点剩余能量的三个模糊集合，其中，所述MAC层缓存队列数的三个模糊集合分别为空闲、中等和拥挤，所述节点剩余能量的三个模糊集合分别为：缺少、中等和充足；根据第一推理规则得到节点质量的模糊集合，所述第一推理规则具体为：当所述MAC层缓存队列数为空闲且所述节点剩余能量为缺少时，所述节点质量为中；当所述MAC层缓存队列数为空闲且所述节点剩余能量为中等时，所述节点质量为好；当所述MAC层缓存队列数为空闲且所述节点剩余能量为充足时，所述节点质量为好；当所述MAC层缓存队列数为中等且所述节点剩余能量为缺少时，所述节点质量为差；当所述MAC层缓存队列数为中等且所述节点剩余能量为中等时，所述节点质量为中；当所述MAC层缓存队列数为中等且所述节点剩余能量为充足时，所述节点质量为好；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为缺少时，所述节点质量为差；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为中等时，所述节点质量为差；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为充足时，所述节点质量为中。
所述第二子系统在计算链路质量时，根据所述单跳链路寿命计算单跳链路生存时长，使用三角隶属度函数对单跳链路生存时长和跳数进行模糊化处理，得到所述单跳链路寿命的三个模糊集合和所述跳数的三个模糊集合，其中，所述单跳链路寿命的三个模糊集合分别为：低、中等和高，所述跳数的三个模糊集合分别为：短、中和长；根据第二推理规则得到链路质量模糊集合，所述第二推理规则具体为：当所述单跳链路寿命为低且所述跳数为短时，所述链路质量为差；当所述单跳链路寿命为低且所述跳数为中时，所述链路质量为差；当所述单跳链路寿命为低且所述跳数为长时，所述链路质量为差；当所述单跳链路寿命为中等且所述跳数为短时，所述链路质量为好；当所述单跳链路寿命为中等且所述跳数为中时，所述链路质量为中；当所述单跳链路寿命为中等且所述跳数为长时，所述链路质量为中；当所述单跳链路寿命为高且所述跳数为短时，所述链路质量为好；当所述单跳链路寿命为高且所述跳数为中时，所述链路质量为好；当所述单跳链路寿命为高且所述跳数为长时，所述链路质量为中。
所述第三子系统根据第三推理规则得到中继节点的适应度值，其中，所述节点质量分为：差、中和好：所述链路质量分为：差、中和好；所述第三推理规则具体为；当所述节点质量为差且所述链路质量为差时，所述中继节点的适应度值为最差；当所述节点质量为中且所述链路质量为差时，所述中继节点的适应度值为差；当所述节点质量为好且所述链路质量为差时，所述中继节点的适应度值为中；当所述节点质量为中且所述链路质量为差时，所述中继节点的适应度值为差；当所述节点质量为中且所述链路质量为中时，所述中继节点的适应度值为好；当所述节点质量为中且所述链路质量为好时，所述中继节点的适应度值为好；当所述节点质量为好且所述链路质量为差时，所述中继节点的适应度值为中；当所述节点质量为好且所述链路质量为中时，所述中继节点的适应度值为好；当所述节点质量为好且所述链路质量为好时，所述中继节点的适应度值为最好。
所述基于多级模糊逻辑系统选择最佳中继节点时，还包括节点在收到生成路由请求报文后判断自身是否为目的节点，若是则进行路由回复过程；否则将自身的节点质量与阈值进行比较，若小于阈值，则不参与路由构建，丢弃该生成路由请求报文。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：
本发明适用于节点稀疏的移动自组网，针对稀疏移动自组网存在的路由空洞问题，采取无人机中继的方式，将无人机分为覆盖无人机和连通无人机，利用复杂度低、收敛速度快的象群优化算法，根据两类无人机应用需求不同设计相应的适应度函数。对于覆盖无人机而言，为了保证对源节点和目的节点的覆盖有效性，提高路由稳定性，减少数据丢失，使用扩展节点度和覆盖时长构建适应度函数。对于连通无人机而言，为尽可能减少无人机数量，保证网络良好的连通性，使用网络连通集和扩展节点度构建适应度函数，同时满足无人机部署的原则，保证无人机节点间可通信和覆盖有效性。该部分算法在进行无人机节点部署时，考虑了节点的移动性，同时兼顾了无人机资源有限的特点，是一种适用于移动自组网中继的无人机部署算法。
本发明为保证路由稳定性，减少路由中的低质量节点，同时针对多源传输情况，采用多级模糊逻辑系统进行中继节点选择，以构建最佳传输路由。该多级模糊逻辑系统分为3个子系统，分别用于节点质量度量、链路质量度量和中继节点适应度度量。根据节点质量排除能量过低和拥塞度较高的节点，并将节点质量和链路质量作为中继节点适应度推理的输入，计算出最佳中继节点。同时，在构建路由时采用同节点避让，降低路由间的关联度，减少排队时延，解决了多源传输负载不均衡的问题。
附图说明
图1是本发明实施方式的整体流程图；
图2是本发明实施方式中多级模糊逻辑系统模型的结构示意图；
图3是本发明实施方式中路由表的结构示意图；
图4是本发明实施方式中扩展节点示意图；
图5是本发明实施方式中节点拥塞度隶属度函数图；
图6是本发明实施方式中节点剩余能量隶属度函数图；
图7是本发明实施方式中链路生存时长隶属度函数图；
图8是本发明实施方式中跳数隶属度函数图；
图9是本发明实施方式中的RREQ报文格式示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于中继无人机节点的移动自组网多源传输路由方法，该方法解决稀疏移动自组网路由空洞的问题，以及多源传输效率低的问题，在使用有限的无人机节点资源下，保证网络数据投递率，降低网络控制开销，提高数据传输效率。该方法分为两部分，第一部分是一个基于象群优化算法的中继无人机部署算法，将无人机节点分为覆盖无人机和连接无人机，根据节点信息分别构造适应度函数得到无人机的最佳部署位置；第二部分是基于模糊逻辑系统的最佳中继选择策略，设计一个多级模糊逻辑系统，利用节点度量子系统减少节点质量较低的邻节点参与路由构建，利用链路度量子系统计算单跳链路质量，将其作为最佳中继节点度量子系统输入选出最佳中继节点构建传输路由。整体流程如图1所示，具体步骤如下：
步骤S1网络初始化：
网络中由多个普通移动节点和一个位置固定的目标节点组成，其中移动节点中有若干个为源节点。所有节点的初始位置随机，在一定的区域内根据移动模型以不同的速度和方向运动，所有移动节点具有相同的计算和通信能力，且所有节点配备可以获取自身位置坐标信息和移动信息的外部辅助设备。此外，每个节点维护一个用于记录自身一跳路由的路由表，路由表初始都为空，节点路由表在路由发现过程中更新。
本步骤中，网络中节点根据一定的移动模型运动，本实施方式中移动模型选择随机游走移动模型，该模型中节点按照随机方向和速度运动从初始位置运动一个时隙或一段距离，移动到边界时，按照一定的角度反弹，下一个时隙重新选择方向和速度。
假设网络中节点移动速度最大速度为vmax，则节点i的移动速度为：
vi＝ki·vmax
其中，ki是节点i的移动速度系数，为0到1之间的随机生成数。
本步骤中每个节点维护一个路由表，由于本实施方式是多源传输路由协议，路由表中需要记录多个源节点的中继信息，为降低对节点信息存储能力的需求，节点路由表只记录一跳路由，路由表主要包括目的节点IP地址、序列号和中继列表。具体结构图见图3。
在中继列表中，加入了源节点项，用于区分来自不同源节点的路由请求包，同时，列表中包含以下几项：下一跳节点ID，用来记录最佳中继节点；跳数，用于链路质量度量推理；节点质量，记录下一跳节点的节点质量用于计算中继度量值；链路质量，记录该节点所在链路的链路质量值；中继适应度值，用于最佳中继节点选择。
步骤S2基于象群优化算法的无人机节点部署
为使用有限的无人机节点，解决路由空洞问题，减少无人机移动造成的资源损耗，保证中继效果，需对无人机节点的初始位置进行优化。因此设计了一种基于象群优化算法的无人机节点部署策略。
该策略中，根据无人机节点的功能不同，将网络中的无人机节点分为两类：一类是覆盖无人机节点，是指可与源节点组或目的节点通信的无人机节点；另一类是连通无人机节点，主要是用于构建网络连通集、保证无人机之间可通信的无人机节点。
整个部署策略基于地面普通节点的初始分布位置及移动信息，共分为两步：第一是利用源节点和目的节点的移动信息和位置信息对覆盖无人机节点位置进行优化；第二是利用网络连通集和节点度对连通无人机节点位置进行优化，其中，连通集是指在无向图中，若图中任意两点顶点i和顶点j，存在i到j的有效路径，则称顶点i和顶点j是连通的，连通顶点构成的集合称为连通集。
当网络有数据传输需求时，源节点先检查目的节点是否是其邻居节点，若是，则直接发送数据；若不是，则检查路由表中是否已经存在源节点到目的节点的有效路由，若不存在，则开始路由发现步骤S3，若存在有效路由，则沿此路由传输数据包。
本步骤中利用源节点和目的节点的移动信息和位置信息对覆盖无人机节点位置进行优化，具体细节如下：
在三维网络空间内，根据空空通信模型，无人机间通信有效半径RUAV计算方式如下：
Figure BDA0003609517740000081
其中，PLAAmax为保持正常通信最大的路径损耗，α1为路径损耗指数，η1代表参考点路径损耗。
假设场景为视距通信，则无人机节点w与地面普通节点i的有效通信半径Rcover计算方式如下：
Figure BDA0003609517740000082
其中，PLAAmax为保持正常通信最大的路径损耗，ηLOS为视距通信额外损耗，H为无人机节点离地高度，c代表光速，f为载波频率。
由于待覆盖节点都具有移动性，为保证覆盖无人机节点的覆盖效果，同时减少覆盖无人机移动造成的资源损耗，此时象群优化算法的适应度函数考虑了待覆盖节点的移动信息，选择覆盖时长作为考虑因素之一。假设覆盖无人机节点ui飞行高度为H，位置为(xui，yui)，待覆盖节点i的位置为(xi，yi)，移动速度为vi，移动方向为θi，计算公式如下。
Figure BDA0003609517740000083
Figure BDA0003609517740000084
此外，为保证中继效果，适应度函数同时考虑扩展节点度，扩展节点度是指除待覆盖节点邻节点之外的邻节点个数，如图4所示。
因此，覆盖无人机节点部署适应度函数Fcover如下：
Figure BDA0003609517740000085
其中，Ncover,ui是覆盖无人机节点ui可通信的普通节点个数，Nexpand(ui,i)是覆盖无人机节点ui相对于节点i的扩展节点度，a、b为和为1的随机数。
本步骤基于象群优化算法的无人机节点部署中，结合上述的覆盖无人机节点部署适应度函数Fcover，使用象群优化函数部署无人机节点，优化算法具体步骤如下：
假设在L×L大小的区域内，待覆盖节点i的位置为(xi，yi)，移动速度为vi，移动方向为θi，其空地通信半径为Rcover，则首先在其通信范围内随机选取Clan组坐标值，每组有n个坐标作为初始位置。因此，初始生成节点i在组别c中的覆盖无人机位置(xc，ui，yc，ui)满足下式：
Figure BDA0003609517740000091
将随机生成的所有坐标值带入Fcover计算，得到该位置的适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置(xc,best,ui,yc,best,ui)，同时对每组节点位置进行更新，更新公式如下：
xc,ui＝xc,ui+α×(xc,best,ui-xc,ui)×rand
yc,ui＝yc,ui+α×(yc,best,ui-yc,ui)×rand
其中，α表示最佳位置的影响因子，rand是[0,1]内的随机数
同时，对每组最佳位置进行更新，计算公式如下，其中β是[0,1]内的随机数：
Figure BDA0003609517740000092
Figure BDA0003609517740000093
此外，需要分离出每组中最差的节点，即将适应度值最低的节点(xc,worst,ui,yc,worst,ui)替换为一个新的随机坐标，得到新的(xc,ui,yc,ui)，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数。最后，所有坐标中适应度值最高的选为节点i的覆盖无人机节点的最佳部署位置(xui,yui)。重复以上覆盖无人机部署，直至所有源节点和目的节点被无人机节点覆盖。
本步骤中利用网络连通集和节点度对连通无人机节点位置进行优化，具体细节如下：
利用象群优化算法部署连通无人机节点，使得网络中节点可通信，应保证网络连通，同时无人机节点间可通信。为保证无人机节点的覆盖有效性，在考虑扩展节点度最大的同时应避免无人机节点对地面节点的覆盖面积有较多重叠。因此，连通无人机节点部署适应度函数Fconnect如下：
Figure BDA0003609517740000101
s.t.C1:S＜2
Figure BDA0003609517740000102
Figure BDA0003609517740000103
其中，S表示连通集个数，Nexpand(uj)是连通无人机uj相对于其他无人机节点的扩展节点度，Ncover,uj是连通无人点uj可通信的普通节点个数，条件C1对网络连通性进行了约束，条件C2对覆盖有效性进行了约束，条件C3保证了无人机节点间可通信。
本步骤基于象群优化算法的无人机节点部署中，结合上述的连通无人机节点部署适应度函数Fconnect，使用象群优化函数部署无人机节点，优化算法具体步骤如下：
在L×L大小的区域内，随机选取Clan2组坐标值，每组有n2个坐标作为初始位置。因此，在组别c2中的连通无人机位置为(xc2,uj,yc2,uj)。
将随机生成的所有坐标值带入Fconnect计算，得到该位置的适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置(xc2,best,uj,yc2,best,uj)，同时对每组节点位置进行更新，更新公式如下：
xc2,uj＝xc2,uj+α2×(xc2,best,uj-xc2,uij)×rand2
yc2,uj＝yc2,uj+α2×(yc2,best,uj-yc2,uj)×rand2
其中，α2表示最佳位置的影响因子，rand2是[0,1]内的随机数
同时，对每组最佳位置进行更新，计算公式如下，其中β2是[0,1]内的随机数：
Figure BDA0003609517740000104
Figure BDA0003609517740000105
此外，需要分离出每组中最差的节点，即将适应度值最低的节点(xc2,worst,uj,yc2,worst,uj)替换为一个新的随机坐标，得到新的(xc2,uj,yc2,uj)，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数。最后，所有坐标中适应度值最高的选为连通无人机节点的最佳部署位置(xuj,yuj)。重复以上连通无人机部署，直至网络中连通集个数S降为1或无法满足约束条件。
由此可见，本发明将无人机分为覆盖无人机和连通无人机，利用复杂度低、收敛速度快的象群优化算法，根据两类无人机应用需求不同设计相应的适应度函数。对于覆盖无人机而言，为了保证对源节点和目的节点的覆盖有效性，提高路由稳定性，减少数据丢失，使用扩展节点度和覆盖时长构建适应度函数。对于连通无人机而言，为尽可能减少无人机数量，保证网络良好的连通性，使用网络连通集和扩展节点度构建适应度函数，同时满足无人机部署的原则，保证无人机节点间可通信和覆盖有效性。该部分算法在进行无人机节点部署时，考虑了节点的移动性，同时兼顾了无人机资源有限的特点，是一种适用于移动自组网中继的无人机部署算法。
步骤S3多级模糊逻辑系统构建
网络的通信效率和稳定度是度量通信质量的重要指标。为保证通信效果，路由构建过程中需要减少MAC层缓存队列拥挤的低效率节点和剩余能量较小的不稳定节点，同时要兼顾单跳链路质量，保证链路稳定性和传输效率。由于上述度量过程涉及多个条件，且移动自组网中信息存在不精确性，因此设计一个多级模糊逻辑系统来综合考虑多个约束条件。此多级模糊逻辑系统模型如图2所示，共分为三个子系统。
其中，子系统FIS1为节点用于计算自身的节点质量，其输入参数为节点剩余能量和MAC层缓存队列数，其输出为对应节点的节点质量；子系统FIS2用于计算单跳链路质量，其输入为单跳链路寿命和跳数，其输出为对应链路的链路质量；子系统FIS3用于选择最佳中继节点，其输入为子系统FIS1输出的节点质量和子系统FIS2输出的链路质量，其输出为中继节点适应度值。
子系统FIS1将节点剩余能量和MAC层缓存队列数作为输入推理出节点质量，其具体细节如下：
节点MAC层缓存队列数是影响数据传输端到端时延的重要因素，通过如下公式可计算得节点i的拥塞度Occupancyi。
Figure BDA0003609517740000111
其中，Ccap为节点MAC层缓存队列容量,cachei为节点i缓存占用数。
节点剩余能量是影响路由有效时长的关键因素，通过如下公式可以计算得节点i的剩余能量比Energyi。
Figure BDA0003609517740000121
其中，
Figure BDA0003609517740000122
为节点i的剩余能量，
Figure BDA0003609517740000123
为节点i初始能量。
使用三角隶属度函数对上述两个参数进行模糊化处理，节点MAC层缓存队列数可用三个模糊集合表示，分为空闲(empty)、中等(medium)和拥挤(full)，节点剩余能量同样可用三个模糊集合表示，分为缺少(few)、中等(medium)和充足(full)。所得隶属度函数图如图5和图6。
该子系统输出为节点质量，用模集合表示可分为差(bad)、中(medium)和好(good)三个模糊集合，当节点的剩余能量充足、队列拥塞较小时是一个高质量节点，但若节点剩余能量较小，则该节点易死亡，是一个不稳定的低质量节点，此子系统共9条推理规则如表1所示。
表1
Figure BDA0003609517740000124
子系统FIS2将单跳链路寿命和跳数作为输入推理出对应链路的链路质量，其具体细节如下：
链路生存时长是影响端到端时延的重要因素，通过计算单跳链路生存时长，并进行归一化，公式如下：
Figure BDA0003609517740000125
Figure BDA0003609517740000126
Figure BDA0003609517740000127
其中，LETl为节点j到邻节点i的单跳链路寿命，vi为节点i的移动速度。
使用三角隶属度函数对链路生存时长和跳数进行模糊化处理，链路生存时长可用三个模糊集合表示，分为低(low)、中等(medium)、高(high)，其隶属度函数如图7。对于跳数，当跳数过大时可能产生了路由环路，造成数据传输时延，在本实施方式的场景中规定最大跳数为10跳，其模糊集合可表示为短(short)、中(medium)和长(long)，其隶属度函数图如图8。
该子系统输出参数为链路质量，用模糊集合分为差(bad)、中(medium)和好(good)三个模糊集合，当单跳链路寿命长、跳数较小时该段链路质量较好，但若单跳链路寿命短，则该链路易断裂，链路质量较低，此子系统共9条推理规则见表2。
表2
Figure BDA0003609517740000131
子系统FIS3将FIS1输出的节点质量和FIS2输出的链路质量作为输入推理出中继节点适应度值，其具体细节如下：
为选择最佳的中继节点构建源节点到目的节点的有效路由，将节点质量度量和链路质量度量的输出作为中继节点度量的输入，其输出为中继节点适应度值，其可表示为最差(very bad)、差(bad)、中(normal)、好(good)和最好(very good)五个模糊集合。其判断规则如表3所示。
表3
Figure BDA0003609517740000132
本发明为保证路由稳定性，减少路由中的低质量节点，同时针对多源传输情况，采用多级模糊逻辑系统进行中继节点选择，以构建最佳传输路由。该多级模糊逻辑系统分为3个子系统，分别用于节点质量度量、链路质量度量和中继节点适应度度量。根据节点质量排除能量过低和拥塞度较高的节点，并将节点质量和链路质量作为中继节点适应度推理的输入，计算出最佳中继节点。同时，在构建路由时采用同节点避让，降低路由间的关联度，减少排队时延，解决了多源传输负载不均衡的问题。
步骤S4基于模糊逻辑系统的最佳中继节点选择
路由发现过程是由源节点生成路由请求(RREQ)报文，通过洪泛广播传输RREQ报文至目的节点。为了保证路由通信质量，降低路由控制开销，设计一种基于模糊逻辑系统的最优中继节点选择策略。
首先，全网节点根据自身的MAC层队列缓存数计算出拥塞度，利用拥塞度和自身剩余能量推理出自身节点质量度量值。当节点收到RREQ报文，先判断自身是否为目的节点，若是则进行路由回复过程，执行步骤S5。若不是，则将自身节点质量与阈值进行比较，若小于阈值，则说明节点是低质量节点，不参与路由构建，丢弃该RREQ分组。若大于阈值，则根据RREQ分组中的发送节点位置信息和移动信息计算单跳链路生存时长，并利用单跳链路生存时长和跳数推理出链路质量度量值，并记录在路由表中。
其次，利用RREQ分组中的发送节点的节点质量和路由表中的链路质量度量值推理出中继节点适应度值，并记录在路由表中，同时修改转发此RREQ分组，直至RREQ分组传至目的节点。
本步骤中根据算法需求对RREQ报文格式进行修改，修改后RREQ报文主要包含跳数hop、发送节点位置信息(xi，yi)、发送节点移动信息(vi，θi)、发送节点的节点质量、路由请求ID、目的节点IP地址和序列号、源节点IP地址和序列号，其具体格式见图9。其中，发送节点位置信息和移动信息用于计算发送节点与接收节点所构成单跳链路的链路质量，发送节点的节点质量用于计算中继节点适应度值。
步骤S5路由构建与数据传输
当目的节点收到RREQ报文后，开始路由回复过程，目的节点生成路由回复(RREP)报文，收到RREP报文的节点根据源节点找到路由表信息中对应源节点最优的下一跳节点，若该节点已加入其他路由中且还存在其他空闲的下一跳节点，则进行同节点避让，从剩余节点中选择最佳下一跳，选择下一跳节点后更新RREP报文并传回源节点，从而确定一条从源节点到目的节点的最佳路由。
确定路由后，各源节点开始发送数据，若路径失效，则对应源节点重新进行路由发现过程，执行步骤S4，直至数据包全部发送完毕。
不难发现，相比于其他移动自组网路由算法，本实施方式可有效解决稀疏移动自组网的路由空洞问题，利用无人机节点作为中继，在有限的无人机节点下，获得较长的节点覆盖时长，提高路由的稳定性。同时，本实施方式可适应多源传输是由于路由相关度较大引起的队列时延和负载不均衡问题，利用多级模糊逻辑系统和节点避让，降低网络控制开销和传输时延，提高网络性能。

Claims (8)

1.一种基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，包括以下步骤：
基于地面普通节点的初始分布位置及移动信息，采用象群优化算法对无人机节点进行部署；其中，所述无人机节点分为覆盖无人机节点和连通无人机节点，所述覆盖无人机节点为与源节点组或目的节点通信的无人机节点，所述连通无人机节点为用于构建网络连通集、保证无人机节点之间通信的无人机节点；
基于多级模糊逻辑系统选择最佳中继节点，其中，所述多级模糊逻辑系统包括：第一子系统，用于根据节点剩余能量和MAC层缓存队列数计算节点质量；第二子系统，用于根据单跳链路寿命和跳数计算链路质量；第三子系统，用于根据所述节点质量和链路质量计算中继节点的适应度值，并基于所述适应度值选择最佳中继节点；
基于所述最佳中继节点构建传输路由。
2.根据权利要求1所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述基于地面普通节点的初始分布位置及移动信息，采用象群优化算法对无人机节点进行部署具体为：
利用源节点和目的节点的移动信息和位置信息对所述覆盖无人机节点位置进行优化；利用网络连通集和节点度对所述连通无人机节点位置进行优化。
3.根据权利要求2所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述利用源节点和目的节点的移动信息和位置信息对所述覆盖无人机节点位置进行优化具体为：
建立所述覆盖无人机节点的适应度函数Fcover，其中，
Figure FDA0003609517730000011
Ncover,ui是所述覆盖无人机节点ui能够通信的普通节点个数，Nexpand(ui,i)是覆盖无人机节点ui相对于待覆盖节点i的扩展节点度，Tcover(ui,i)是覆盖无人机节点ui相对于待覆盖节点i的覆盖时长，vi为覆盖无人机节点ui的移动速度，Rcover为无人机节点与地面普通节点的有效通信半径，a、b为和为1的随机数；
在待覆盖节点i的通信范围内随机选取Clan1组坐标值，每组有n1个坐标作为覆盖无人机节点的初始位置；
将所述覆盖无人机节点的所有坐标值带入所述适应度函数Fcover进行计算，得到适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置，同时对每组覆盖无人机节点的位置进行更新；
将每组坐标中适应度值最低的覆盖无人机节点替换为一个新的随机坐标，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数；
所有坐标中适应度值最高的选为待覆盖节点i的覆盖无人机节点的最佳部署位置；
重复以上覆盖无人机部署，直至所有源节点和目的节点被所述覆盖无人机节点覆盖。
4.根据权利要求2所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述利用网络连通集和节点度对所述连通无人机节点位置进行优化具体为：
建立所述连通无人机节点的适应度函数Fconnect，其中，
Figure FDA0003609517730000021
并附带三个约束条件，Nexpand(uj)是连通无人机节点uj相对于其他无人机节点的扩展节点度，Ncover,uj是连通无人机节点uj能够通信的普通节点个数，所述三个约束条件分别为：网络连通性约束、覆盖有效性约束和无人机节点间通信约束；
选取Clan2组坐标值，每组有n2个坐标作为所述连通无人机节点的初始位置；
将所述连通无人机节点的所有坐标值带入所述适应度函数Fconnect进行计算，得到适应度值并排序，标记每组坐标中适应度值最大的为最佳坐标位置，同时对每组连通无人机节点的位置进行更新；
将每组坐标中适应度值最低的连通无人机节点替换为一个新的随机坐标，并进行下一次适应度值计算和坐标更新，直至达到最大迭代次数；
所有坐标中适应度值最高的选为所述连通无人机节点的最佳部署位置；
重复以上连通无人机部署，直至网络中连通集个数S降为1或无法满足约束条件。
5.根据权利要求1所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述第一子系统在计算节点质量时，根据所述MAC层缓存队列数计算节点拥塞度，根据所述节点剩余能量计算节点的剩余能量比；使用三角隶属度函数对所述拥塞度和所述剩余能量比进行模糊化处理，得到所述MAC层缓存队列数的三个模糊集合和所述节点剩余能量的三个模糊集合，其中，所述MAC层缓存队列数的三个模糊集合分别为空闲、中等和拥挤，所述节点剩余能量的三个模糊集合分别为：缺少、中等和充足；根据第一推理规则得到节点质量的模糊集合，所述第一推理规则具体为：当所述MAC层缓存队列数为空闲且所述节点剩余能量为缺少时，所述节点质量为中；当所述MAC层缓存队列数为空闲且所述节点剩余能量为中等时，所述节点质量为好；当所述MAC层缓存队列数为空闲且所述节点剩余能量为充足时，所述节点质量为好；当所述MAC层缓存队列数为中等且所述节点剩余能量为缺少时，所述节点质量为差；当所述MAC层缓存队列数为中等且所述节点剩余能量为中等时，所述节点质量为中；当所述MAC层缓存队列数为中等且所述节点剩余能量为充足时，所述节点质量为好；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为缺少时，所述节点质量为差；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为中等时，所述节点质量为差；当所述MAC层缓存队列数为拥挤且所述节点剩余能量为充足时，所述节点质量为中。
6.根据权利要求1所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述第二子系统在计算链路质量时，根据所述单跳链路寿命计算单跳链路生存时长，使用三角隶属度函数对单跳链路生存时长和跳数进行模糊化处理，得到所述单跳链路寿命的三个模糊集合和所述跳数的三个模糊集合，其中，所述单跳链路寿命的三个模糊集合分别为：低、中等和高，所述跳数的三个模糊集合分别为：短、中和长；根据第二推理规则得到链路质量模糊集合，所述第二推理规则具体为：当所述单跳链路寿命为低且所述跳数为短时，所述链路质量为差；当所述单跳链路寿命为低且所述跳数为中时，所述链路质量为差；当所述单跳链路寿命为低且所述跳数为长时，所述链路质量为差；当所述单跳链路寿命为中等且所述跳数为短时，所述链路质量为好；当所述单跳链路寿命为中等且所述跳数为中时，所述链路质量为中；当所述单跳链路寿命为中等且所述跳数为长时，所述链路质量为中；当所述单跳链路寿命为高且所述跳数为短时，所述链路质量为好；当所述单跳链路寿命为高且所述跳数为中时，所述链路质量为好；当所述单跳链路寿命为高且所述跳数为长时，所述链路质量为中。
7.根据权利要求1所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述第三子系统根据第三推理规则得到中继节点的适应度值，其中，所述节点质量分为：差、中和好：所述链路质量分为：差、中和好；所述第三推理规则具体为；当所述节点质量为差且所述链路质量为差时，所述中继节点的适应度值为最差；当所述节点质量为中且所述链路质量为差时，所述中继节点的适应度值为差；当所述节点质量为好且所述链路质量为差时，所述中继节点的适应度值为中；当所述节点质量为中且所述链路质量为差时，所述中继节点的适应度值为差；当所述节点质量为中且所述链路质量为中时，所述中继节点的适应度值为好；当所述节点质量为中且所述链路质量为好时，所述中继节点的适应度值为好；当所述节点质量为好且所述链路质量为差时，所述中继节点的适应度值为中；当所述节点质量为好且所述链路质量为中时，所述中继节点的适应度值为好；当所述节点质量为好且所述链路质量为好时，所述中继节点的适应度值为最好。
8.根据权利要求1所述的基于中继无人机节点的移动自组网多源传输路由方法，其特征在于，所述基于多级模糊逻辑系统选择最佳中继节点时，还包括节点在收到生成路由请求报文后判断自身是否为目的节点，若是则进行路由回复过程；否则将自身的节点质量与阈值进行比较，若小于阈值，则不参与路由构建，丢弃该生成路由请求报文。
CN202210429459.8A 2022-04-22 2022-04-22 基于中继无人机节点的移动自组网多源传输路由方法 Active CN114867081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210429459.8A CN114867081B (zh) 2022-04-22 2022-04-22 基于中继无人机节点的移动自组网多源传输路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210429459.8A CN114867081B (zh) 2022-04-22 2022-04-22 基于中继无人机节点的移动自组网多源传输路由方法

Publications (2)

Publication Number Publication Date
CN114867081A true CN114867081A (zh) 2022-08-05
CN114867081B CN114867081B (zh) 2024-09-03

Family

ID=82633767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210429459.8A Active CN114867081B (zh) 2022-04-22 2022-04-22 基于中继无人机节点的移动自组网多源传输路由方法

Country Status (1)

Country Link
CN (1) CN114867081B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117176645A (zh) * 2023-11-02 2023-12-05 中国人民解放军战略支援部队航天工程大学 一种基于无关多径的低轨通信卫星星座路由方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160050589A1 (en) * 2014-08-13 2016-02-18 Samsung Electronics Co., Ltd. Ambient network sensing and handoff for device optimization in heterogeneous networks
CN113163466A (zh) * 2021-04-25 2021-07-23 北京邮电大学 基于模糊决策树的自适应鱼群寻路包路由方法
CN113747505A (zh) * 2021-09-07 2021-12-03 中国海洋大学 一种基于leach的无线传感器网络低功耗路由方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160050589A1 (en) * 2014-08-13 2016-02-18 Samsung Electronics Co., Ltd. Ambient network sensing and handoff for device optimization in heterogeneous networks
CN113163466A (zh) * 2021-04-25 2021-07-23 北京邮电大学 基于模糊决策树的自适应鱼群寻路包路由方法
CN113747505A (zh) * 2021-09-07 2021-12-03 中国海洋大学 一种基于leach的无线传感器网络低功耗路由方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117176645A (zh) * 2023-11-02 2023-12-05 中国人民解放军战略支援部队航天工程大学 一种基于无关多径的低轨通信卫星星座路由方法及系统

Also Published As

Publication number Publication date
CN114867081B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
Arafat et al. A Q-learning-based topology-aware routing protocol for flying ad hoc networks
CN111741448B (zh) 一种基于边缘计算策略的分簇aodv路由方法
CN111970658A (zh) 一种基于最优刚性图的无人机蜂群编队网络路由方法
Gangopadhyay et al. A position-based modified OLSR routing protocol for flying ad hoc networks
CN114339936A (zh) 基于q学习的飞行器自组织网络优化链路状态路由机制
Toorchi et al. Skeleton-based swarm routing (SSR): Intelligent smooth routing for dynamic UAV networks
Hussain et al. Co-DLSA: Cooperative delay and link stability aware with relay strategy routing protocol for flying Ad-hoc network
Xu et al. Improving traditional routing protocols for flying ad hoc networks: A survey
CN114867081B (zh) 基于中继无人机节点的移动自组网多源传输路由方法
CN114641049A (zh) 一种基于模糊逻辑的无人机自组网分层路由方法
Waheed et al. Laod: Link aware on demand routing in flying ad-hoc networks
Tang et al. Disaster Resilient Emergency Communication With Intelligent Air-Ground Cooperation
CN111356039B (zh) 无线光通信网络的拓扑形成方法
CN110519820B (zh) 一种应用在集群无人机通信中的路由方法
Li et al. Ad hoc network routing protocol based on location and neighbor sensing
CN116456419B (zh) 面向能量均衡高可靠传输的多无人机数据回传路由方法
CN116782330A (zh) Sd-uanet中考虑负载和链路变化的路径选择方法及介质
Cui et al. New Geographical Routing Protocol for Three-Dimensional Flying Ad-Hoc Network Based on New Effective Transmission Range
CN114339668B (zh) 一种基于多维度量准则的olsr路由协议
CN112423356B (zh) 基于能量均衡的无人装备集群aodv路由方法
CN114449608A (zh) 一种基于Q-Learning的无人机自组网自适应路由方法
Wang et al. Elastic routing mechanism for flying ad hoc network
Zhao et al. A Grid-Based Virtual Routing Algorithm for UAV Systems in Three-Dimensional Space
Hajare et al. Robust Opportunistic Routing Solutions for under water Sensor Networks
CN115242290B (zh) 应急无人机网络olsr协议优化方法及装置

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