CN115474216B - 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 - Google Patents
基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 Download PDFInfo
- Publication number
- CN115474216B CN115474216B CN202211361781.8A CN202211361781A CN115474216B CN 115474216 B CN115474216 B CN 115474216B CN 202211361781 A CN202211361781 A CN 202211361781A CN 115474216 B CN115474216 B CN 115474216B
- Authority
- CN
- China
- Prior art keywords
- cluster
- hummingbird
- algorithm
- adaptive
- hoc network
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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
- H04W84/06—Airborne or Satellite Networks
-
- 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)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置。所述方法包括:根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题,构建自适应蜂鸟算法,将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化。采用本方法能够提高飞行自组网拓扑优化的适应范围以及求解的效率。
Description
技术领域
本申请涉及无人机组网拓扑优化技术领域,特别是涉及一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置。
背景技术
随着无人机的生产成本和物理尺寸显著降低,使其在民用和军事的诸多领域得到了广泛应用。为克服单无人机系统通信距离短、处理能力有限和承载能力低等局限性,无人机集群成为当前研究的热点。飞行自组织网络(Flying Ad Hoc Networks, FANET)能够利用动态的拓扑结构保障无人机间的通信协同,是无人机集群通信问题的有效解决方案。各无人机节点之间进行正常的信息传输是保证FANET系统可生存性与可操作性的重要条件,而节点间链路构建的通信拓扑管理成为首要重点解决的关键问题。无人机在飞行过程中存在多种不断变化的因素,节点的高速移动造成地理位置和节点之间的距离不断变化,不同的任务需求造成无人机数量、飞行路线不断变化,受限频谱竞争或者恶意干扰造成各节点的实际可用信道不断变化。这些因素将导致节点之间的链路频繁变化,通信拓扑也将随之发生变化,加重了FANET对网络拓扑的管理难度。
分簇是优化网络拓扑管理的有效手段之一,该结构将网络划分为相互连接的簇群,通常每个簇群由一个簇首及其若干簇成员组成。分簇网络能够提高网络的扩展性,有助于降低网络管理的复杂度。当无人机节点的数量较多时,对网络进行分簇是一个复杂的优化问题,利用传统方法直接求解过于复杂。近年来,人们通过观察自然界各种生物种群的行为,根据仿生学原理提出了群智能优化算法,目前基于群智能优化的分簇算法虽然在相应的模型上取得了不错的效果,但是算法建立的模型都没有考虑可用信道差异对分簇的影响,并且所使用的群智能优化算法在寻优结果和效率上还有待改善的空间。
发明内容
基于此,有必要针对上述技术问题,提供一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置。
一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法,所述方法包括:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新。
在其中一个实施例中,还包括:对组网区域进行划分;其中组网区域包括内层的安全区域以及外层的危险区域;
对簇内成员与簇首之间的相对移动性进行表示为:
其中,分别表示簇首节点和簇内成员节点;
根据相对移动性、组网区域的划分结果以及簇内成员与簇首之间的距离,确定簇群对应的簇移动度为:
,
其中,
,表示簇首节点形成以传输距离为半径的通信范围;
根据簇群对应的簇移动度,确定飞行自组网的簇移动度为:
其中,表示飞行自组网中簇群的总数量。
在其中一个实施例中,还包括:根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题为:
其中,表示负载偏差;
确定所述优化问题的约束条件为:
其中,表示第k个簇群,N表示飞行自组网中节点数量,、分别表示第p和q个簇群,表示信道占用参数,M表示信道数量,表示第m个信道,表示簇群的簇首。
在其中一个实施例中,还包括:构建概率动态调节函数为:
其中,和是预设的最大概率和最小概率,是第次迭代时第只蜂鸟的概率动态调节函数,是第只蜂鸟在第次迭代时的适应度,和是第次迭代时的最优适应度,是第次迭代时的适应度中值。
在其中一个实施例中,还包括:构建柯西高斯变异因子为:
其中,表示当前最优个体位置,是预先设置的自适应调节因子,是满足标准柯西分布的随机变量,是满足标准高斯分布的随机变量。
在其中一个实施例中,还包括:构建自适应调节因子为:
其中,表示最大迭代次数。
在其中一个实施例中,还包括:将自适应蜂鸟算法中蜂鸟个体的实数解映射至优化问题的整数解;利用自适应蜂鸟算法中蜂鸟个体的整数部分将节点身份确定为簇首或簇成员;利用自适应蜂鸟算法中蜂鸟个体的小数部分确定各簇首的主用信道和簇成员所属的簇首。
一种基于自适应蜂鸟算法的飞行自组网拓扑优化装置,所述装置包括:
问题构建模块,用于根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
算法搭建模块,用于构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
求解模块,用于将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新。
上述基于自适应蜂鸟算法的飞行自组网拓扑优化方法、装置、计算机设备和存储介质,首先,考虑到可用信道差异,基于飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题,从而引用信道对分簇的影响,然而在智能算法的选择上,结合目前的人工蜂鸟算法,利用概率动态调节函数调整蜂鸟的觅食策略,并且引入柯西、高斯融合变异算子对蜂鸟种群进行扰动,提出了寻优性能更好的自适应蜂鸟算法,在解决引入信道差异的优化问题,即可以提升问题求解的收敛速度,另外可以保证系统的鲁棒性。
附图说明
图1为一个实施例中基于自适应蜂鸟算法的飞行自组网拓扑优化方法的应用场景图;
图2为一个实施例中基于自适应蜂鸟算法的飞行自组网拓扑优化方法的流程示意图;
图3为一个实施例中区域划分的示意图;
图4为另一个实施例中编码的示意图;
图5为一个实施例中算法执行的流程示意图;
图6为一个实施例中基于自适应蜂鸟算法的飞行自组网拓扑优化装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于自适应蜂鸟算法的飞行自组网拓扑优化方法,可以应用于如图1所示的应用环境中。其中,FANET网络由部署在固定区域内的无人机节点组成,节点在本身具有一定自主能力的基础上,还受到地面站或卫星等设备的控制,网络采用分簇结构进行拓扑的管理,利用分簇算法将FANET网络划分为不重叠的簇群,其中每个簇群由一个簇首和若干簇成员组成,同一簇群内的节点使用一条对所有簇内节点皆可用的主用信道进行通信。实际环境中各节点所处频谱环境不同,导致各节点的实际可用信道存在差异,节点的移动性、通信半径、可用信道差异等因素都将影响分簇的过程。
在一个实施例中,如图2所示,提供了一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法,以该方法应用于图1中应用环境为例进行说明,包括以下步骤:
步骤202,根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题。
以下,重点描述簇群数量、负载偏差以及簇移动度的构建过程。
1、簇群数量
节点集合为,编号构成集合,为节点数量。将整个频域划分为非重叠信道,所有信道表示为集合,编号构成集合为,为总信道数量。节点的实际可用信道构成可用信道集。按照分簇算法得到一种拓扑优化策略对网络进行分簇,第个簇群的所有节点构成集合,簇首用表示。整个网络中簇群的总数量称为簇数量,用表示。
2、负载偏差
表示第个簇群中簇成员的数量,称为簇负载。负载偏差是簇负载的标准差,用表示,具体公式如下:
(1)
(2)
3、簇移动度
假设无人机的移动仅由其任务决定,可以在任意方向上随机移动,这种移动性会导致较差的簇稳定性。如图3所示,在一个簇群中,簇首形成以传输距离为半径的通信范围,簇成员可能接近或者远离簇首。将簇首的通信范围划分为安全区和危险区,其中安全区是半径为的圆形区域,而危险区是半径与之间的环形区域。
簇首与簇成员之间的相对移动方向表示为:
(3)
结合区域划分和相对移动性,若簇成员在危险区域远离簇首移动,意味着该簇成员很可能离开簇首的通信范围;若簇成员靠近簇首移动,意味着暂时不会离开簇首的通信范围;若节点在安全区内远离簇首移动,则按照距离计算相对移动性。簇首与簇成员之间的距离用表示,则簇首与簇成员之间的移动度可通过公式(4)求得。
(4)
在拓扑优化策略下,簇群的簇移动度表示为:
(5)
整个网络的簇移动度表示为:
(6)
在其中一个实施例中,构建优化问题的步骤如下:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题为:
(7)
其中,表示负载偏差。
确定优化问题的约束条件为:
(8)
(9)
(10)
(11)
(12)
(13)
其中,表示第k个簇群,N表示飞行自组网中节点数量,、分别表示第p和q个簇群,表示信道占用参数,M表示信道数量,表示第m个信道,表示簇群的簇首。
其中,是一种拓扑优化策略,主要包括确定拓扑的簇首、簇成员和簇内主用信道等。公式(8)保证每个节点必须加入簇群,公式(9)保证每个节点只能加入一个簇群,公式(10)和公式(11)保证每个节点只能选择一个可用信道进行簇内通信,公式(12)保证一个簇内的所有节点使用一条公共可用信道作为主用信道。公式(13)保证簇首与簇成员之间的距离小于最大通信半径。通过以上讨论可以得出,拓扑优化问题是一个组合优化问题,使用穷举搜索可以找到最优的优化策略,但是算法计算开销巨大。群智能优化算法的计算复杂度要远小于穷举算法,所以本发明使用群智能优化算法进行拓扑优化。
步骤204,构建自适应蜂鸟算法。
自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子。
人工蜂鸟优化算法AHA的灵感来自蜂鸟的采蜜行为,利用只蜂鸟在维搜索空间进行运动,寻找待优化问题(适应度函数)的最优解。在人工蜂鸟算法中,每只蜂鸟个体的位置是其访问的食物源,代表待优化问题的一个可行解,用表示。食物源的花蜜补充率代表可行解对应的适应度值。AHA设计了蜂鸟的搜索运动机制,有效更新蜂鸟位置。
AHA算法最关键的部分是蜂鸟个体的觅食方式,包括引导觅食、区域觅食和迁移觅食。其中,引导觅食和区域觅食按照各的相等概率发生,迁移觅食只有在迭代次数达到预设值时才会发生。
引导觅食是指蜂鸟向着目标食物源方向进行觅食,引导觅食找到的候选食物源表示为:
(14)
其中,是第个食物源在第次迭代时的位置,是飞行向量,是第只蜂鸟的目标食物源位置,是服从标准正态分布的引导觅食因子。
区域觅食是指蜂鸟在当前食物源的邻近区域进行觅食,区域觅食找到的候选食物源表示为:
(15)
其中,是服从标准正态分布的区域觅食因子。
在引导觅食和区域觅食时,蜂鸟个体通过对比食物源的花蜜补充率,更新第次迭代时第个食物源的位置:
(16)
其中代表适应度函数。
AHA定义了迁移系数,当迭代次数达到迁移系数时,蜂鸟将从花蜜补充率最差的食物源向随机产生的新食物源方向觅食,蜂鸟通过迁移觅食找到的新食物源表示为:
(17)
其中,和分别表示维问题的下边界和上边界,是取值范围在0到1之间的随机向量。
AHA算法依靠引导觅食进行全局探索,依靠区域觅食进行区域搜索,但是在整个寻优过程中,引导觅食和区域觅食两种行为的概率始终相同,不能根据寻优情况及时做出调整,并且算法没有有效的跳出局部最优陷阱的方法,导致算法可能收敛于局部最优而不是全局最优。
为了解决上述问题,从如下两个方向进行改进:
在其中一个实施例中,构建概率动态调节函数为:
(18)
其中,和是预设的最大概率和最小概率,是第次迭代时第只蜂鸟的概率动态调节函数,是第只蜂鸟在第次迭代时的适应度,和是第次迭代时的最优适应度,是第次迭代时的适应度中值。
具体的,引入概率动态调节函数,根据蜂鸟个体的不同位置调节引导觅食或区域性觅食的选择概率,促使种群中适应度较差的蜂鸟个体能够以更高的概率选择引导觅食,向更好的食物源靠近,增强算法的全局搜索能力;促使种群中适应度较好的蜂鸟个体以更高的概率选择区域觅食,在原来的位置附近进行搜索,增强算法的局部搜索能力。
通过概率动态调节函数控制引导觅食和区域觅食的概率,当时进行引导觅食,反之,进行区域觅食,是取值范围在0到1之间的随机数。以,为例,当蜂鸟个体的适应度小于适应度中值时,小于0.5,蜂鸟个体倾向于选择区域觅食;当大于适应度中值时,大于0.5,蜂鸟个体更倾向于选择引导觅食。
在其中一个实施例中,构建柯西高斯变异因子为:
(19)
其中,表示当前最优个体位置,是预先设置的自适应调节因子,是满足标准柯西分布的随机变量,是满足标准高斯分布的随机变量。
在又一实施例中,构建自适应调节因子为:
(20)
(21)
其中,表示最大迭代次数。
具体的,柯西分布的概率密度函数图像两翼较为平坦、宽大,在原点附近有一个较低的极值,柯西变异产生的子代距离父代较远。高斯分布的概率密度函数图像关于期望对称,随机数集中在以期望为中心的局部区域。因此,考虑利用柯西变异提高全局搜索能力,利用高斯变异增强在当前最优解附近的局部挖掘能力。
迭代前期值较大,因此柯西变异作用较大,有利于在较大范围对最优蜂鸟位置进行扰动,增强全局搜索性。迭代后期值值较小,此时高斯变异作用较大,有利于在最优蜂鸟位置附近探索,增强局部挖掘性,提高收敛精度。在进行扰动变异更新后,通过比较新旧两个位置的适应度值,选择较优的位置代入下一次迭代。
步骤206,将优化问题进行编码后,采用自适应蜂鸟算法求解优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化。
其中,通过概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过柯西高斯变异因子对粒子位置进行变异更新。
上述基于自适应蜂鸟算法的飞行自组网拓扑优化方法中,首先,考虑到可用信道差异,基于飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题,从而引用信道对分簇的影响,然而在智能算法的选择上,结合目前的人工蜂鸟算法,利用概率动态调节函数调整蜂鸟的觅食策略,并且引入柯西、高斯融合变异算子对蜂鸟种群进行扰动,提出了寻优性能更好的自适应蜂鸟算法,在解决引入信道差异的优化问题,即可以提升问题求解的收敛速度,另外可以保证系统的鲁棒性。
在其中一个实施例中,将自适应蜂鸟算法中蜂鸟个体的实数解映射至优化问题的整数解,利用自适应蜂鸟算法中蜂鸟个体的整数部分将节点身份确定为簇首或簇成员;利用自适应蜂鸟算法中蜂鸟个体的小数部分确定各簇首的主用信道和簇成员所属的簇首。
用ADHA算法来求解本文模型中的问题时,需要做出相应的适配。模型中拓扑优化问题的解是整数解,ADHA算法中蜂鸟个体是实数解,需要对蜂鸟个体进行有效的编码,从而建立蜂鸟个体与优化策略的映射关系。假设算法中的蜂鸟种群由只蜂鸟个体组成,其中每只蜂鸟个体代表一种优化策略,由向量表示。蜂鸟个体的维度与节点总数相等,每一维的元素代表网络中节点的决策。元素的取值范围为,其中整数部分和小数部分表示不同的含义,融合了身份决策、信道决策和入簇决策。身份决策是指确定节点身份为簇首或簇成员,信道决策是指确定簇首的主用信道,入簇决策是指确定簇成员连接的簇首。
整数部分表示节点的身份,若整数部分为1,则节点身份是簇首,若整数部分为0,则节点身份是簇成员。具体表达式如下:
(22)
其中,是向下取整函数,表示的整数部分。
小数部分表示信道决策和入簇决策,按照由整数部分确定的节点身份可以分为两种情况。若节点身份是簇首,则小数部分代表节点的簇内主用信道即信道决策,具体表达式如下:
(23)
(24)
其中,表示信道决策即簇首节点选择的簇内主用信道,表示的小数部分,表示节点的可用信道集,表示可用信道数量,是向上取整函数。公式(24)是一种序号生成算法,通过的小数部分和可用信道数量生成序号。公式(23)中表示选择可用信道集中的第个信道。
若节点身份是簇成员,则小数部分代表入簇决策,具体表达式如下:
(25)
(26)
其中,表示节点需要连接的簇首,表示节点的邻居簇首集,表示邻居簇首数量。节点的邻居簇首是指在节点通信范围内的簇首,并且簇首的主用信道必须在节点的可用信道集之中,节点所有的邻居簇首构成其邻居簇首集。公式(26)是一种序号生成算法,通过的小数部分和邻居簇首数量生成序号。表示邻居簇首集中的第个邻居簇首。
编码映射的过程是:首先利用整数部分将节点身份确定为簇首或簇成员,然后利用小数部分确定各簇首的主用信道和簇成员所属的簇首。为更加直观地说明编码映射的含义,利用一个由8个节点构成的网络进行演示,图4给出了编码映射的具体过程,其中蜂鸟个体为一种可能的取值情况。由图4可以看出,蜂鸟个体可以分为整数部分和小数部分,首先根据整数部分做出身份决策。第1、3、4、7维元素的整数部分是1,则相应节点的身份为簇首,其余元素的整数部分是0,则相应节点的身份为簇成员。然后,簇首依据小数部分和可用信道情况做出信道决策。例如,簇首的可用信道集是,小数部分是0.95,利用公式(24)的序号生成算法求得序号,则根据公式(23)选择其可用信道集的第3个信道()作为主用信道。最后,簇成员依据小数部分和邻居簇首情况做出入簇决策。例如,簇成员的邻居簇首集是,小数部分是0.48,利用公式(26)的序号生成算法求得,则根据公式(25)选择加入其邻居簇首集的第2个簇首()。按照上述编码映射方法可以得到所有节点的身份和关系,形成一个完整的优化策略。
另外,在适应度函数构造上,每只蜂鸟个体能够编码映射为一种优化策略,结合2.2节的系统模型,蜂鸟个体对应的簇数量、负载偏差和簇移动度分别为、和。针对公式(7)建立的优化目标,蜂鸟个体的适应度函数设计如下:
(27)
编码映射机制已经考虑了公式(8)至公式(13)的约束条件,利用ADHA算法求解出使适应度函数最小的最优蜂鸟个体,其代表的优化策略即为最优策略。
在算法流程上,首先,获取部署区域内的各无人机的位置、可用信道情况和移动速度等实际网络情况。然后,根据实际网络情况设置算法参数,如蜂鸟个体维度、蜂鸟种群规模、最大迭代次数等。随机初始化产生符合条件的蜂鸟种群,将每只蜂鸟个体编码映射为相应的拓扑优化策略,从而计算适应度值。随后,执行ADHA算法迭代求解使适应度值最小的最优蜂鸟个体。最后,按照最优蜂鸟个体代表的优化策略进行实际拓扑连接。算法流程如图5所示。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基于自适应蜂鸟算法的飞行自组网拓扑优化装置,包括:问题构建模块602、算法搭建模块604和求解模块606,其中:
问题构建模块602,用于根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
算法搭建模块604,用于构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
求解模块606,用于将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新。
在其中一个实施例中,问题构建模块602还用于对组网区域进行划分;其中组网区域包括内层的安全区域以及外层的危险区域;
对簇内成员与簇首之间的相对移动性进行表示为:
其中,分别表示簇首节点和簇内成员节点;
根据相对移动性、组网区域的划分结果以及簇内成员与簇首之间的距离,确定簇群对应的簇移动度为:
其中,
,表示簇首节点形成以传输距离为半径的通信范围;
根据簇群对应的簇移动度,确定飞行自组网的簇移动度为:
其中,表示飞行自组网中簇群的总数量。
在其中一个实施例中,问题构建模块602还用于根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题为:
其中,表示负载偏差;
确定所述优化问题的约束条件为:
其中,表示第k个簇群,N表示飞行自组网中节点数量,、分别表示第p和q个簇群,表示信道占用参数,M表示信道数量,表示第m个信道,表示簇群的簇首。
在其中一个实施例中,算法搭建模块604还用于构建概率动态调节函数为:
其中,和是预设的最大概率和最小概率,是第次迭代时第只蜂鸟的概率动态调节函数,是第只蜂鸟在第次迭代时的适应度,和是第次迭代时的最优适应度,是第次迭代时的适应度中值。
在其中一个实施例中,算法搭建模块604还用于构建柯西高斯变异因子为:
其中,表示当前最优个体位置,是预先设置的自适应调节因子,是满足标准柯西分布的随机变量,是满足标准高斯分布的随机变量。
在其中一个实施例中,算法搭建模块604还用于构建自适应调节因子为:
其中,表示最大迭代次数。
在其中一个实施例中,还包括编码模块,用于将自适应蜂鸟算法中蜂鸟个体的实数解映射至优化问题的整数解;利用自适应蜂鸟算法中蜂鸟个体的整数部分将节点身份确定为簇首或簇成员;利用自适应蜂鸟算法中蜂鸟个体的小数部分确定各簇首的主用信道和簇成员所属的簇首。
关于基于自适应蜂鸟算法的飞行自组网拓扑优化装置的具体限定可以参见上文中对于基于自适应蜂鸟算法的飞行自组网拓扑优化方法的限定,在此不再赘述。上述基于自适应蜂鸟算法的飞行自组网拓扑优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于自适应蜂鸟算法的飞行自组网拓扑优化方法,其特征在于,所述方法包括:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新;
根据簇内成员与簇首之间的距离确定簇移动度,包括:
对组网区域进行划分;其中组网区域包括内层的安全区域以及外层的危险区域;
对簇内成员与簇首之间的相对移动性进行表示为:
其中,分别表示簇首节点和簇内成员节点;
根据相对移动性、组网区域的划分结果以及簇内成员与簇首之间的距离,确定簇群对应的簇移动度为:
其中,,表示簇首节点的通信范围半径,表示第个簇群中簇成员的数量,表示簇首与簇成员之间的距离,表示第个簇群的所有节点构成集合,表示簇首与簇成员之间的移动度;
根据簇群对应的簇移动度,确定飞行自组网的簇移动度为:
其中,表示飞行自组网中簇群的总数量;
所述根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题,包括:
根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题为:
其中,表示负载偏差;
确定所述优化问题的约束条件为:
其中,A表示优化策略,,表示第k个簇群,N表示飞行自组网中节点数量,、分别表示第p和q个簇群,表示信道占用参数,M表示信道数量,表示第m个信道,表示簇群的簇首。
2.根据权利要求1所述的方法,其特征在于,构建概率动态调节函数,包括:
构建概率动态调节函数为:
其中,和是预设的最大概率和最小概率,是第次迭代时第只蜂鸟的概率动态调节函数,是第只蜂鸟在第次迭代时的适应度,和是第次迭代时的最优适应度,是第次迭代时的适应度中值。
3.根据权利要求1所述的方法,其特征在于,构建柯西高斯变异因子,包括:
构建柯西高斯变异因子为:
其中,表示当前最优个体位置,是预先设置的自适应调节因子,是满足标准柯西分布的随机变量,是满足标准高斯分布的随机变量。
4.根据权利要求3所述的方法,其特征在于,构建自适应调节因子,包括:
构建自适应调节因子为:
其中,表示最大迭代次数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将自适应蜂鸟算法中蜂鸟个体的实数解映射至优化问题的整数解;
所述将自适应蜂鸟算法中蜂鸟个体的实数解映射至优化问题的整数解,包括:
利用自适应蜂鸟算法中蜂鸟个体的整数部分将节点身份确定为簇首或簇成员;
利用自适应蜂鸟算法中蜂鸟个体的小数部分确定各簇首的主用信道和簇成员所属的簇首。
6.一种基于自适应蜂鸟算法的飞行自组网拓扑优化装置,其特征在于,所述装置包括:
问题构建模块,用于根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题;其中,所述负载偏差是根据簇内成员数量的标准差得到的,所述簇移动度是根据簇内成员与簇首之间的距离确定的;
算法搭建模块,用于构建自适应蜂鸟算法;所述自适应蜂鸟算法中包括:概率动态调节函数和柯西高斯变异因子;
求解模块,用于将所述优化问题进行编码后,采用所述自适应蜂鸟算法求解所述优化问题,输出最优蜂鸟个体对应的优化策略,根据优化策略对飞行自组网拓扑进行优化;其中,通过所述概率动态调节函数对种群粒子的适应度进行调节,以控制进行引导觅食或区域觅食的概率,通过所述柯西高斯变异因子对粒子位置进行变异更新;
问题构建模块还用于对组网区域进行划分;其中组网区域包括内层的安全区域以及外层的危险区域;
对簇内成员与簇首之间的相对移动性进行表示为:
其中,分别表示簇首节点和簇内成员节点;
根据相对移动性、组网区域的划分结果以及簇内成员与簇首之间的距离,确定簇群对应的簇移动度为:
其中,,表示簇首节点的通信范围半径,表示第个簇群中簇成员的数量,表示簇首与簇成员之间的距离,表示第个簇群的所有节点构成集合,表示簇首与簇成员之间的移动度;
根据簇群对应的簇移动度,确定飞行自组网的簇移动度为:
其中,表示飞行自组网中簇群的总数量;
问题构建模块还用于根据飞行自组网的簇群数量、负载偏差以及簇移动度构建优化问题为:
其中,表示负载偏差;
确定所述优化问题的约束条件为:
其中,A表示优化策略,,表示第k个簇群,N表示飞行自组网中节点数量,、分别表示第p和q个簇群,表示信道占用参数,M表示信道数量,表示第m个信道,表示簇群的簇首。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211361781.8A CN115474216B (zh) | 2022-11-02 | 2022-11-02 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211361781.8A CN115474216B (zh) | 2022-11-02 | 2022-11-02 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115474216A CN115474216A (zh) | 2022-12-13 |
CN115474216B true CN115474216B (zh) | 2023-04-07 |
Family
ID=84337794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211361781.8A Active CN115474216B (zh) | 2022-11-02 | 2022-11-02 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115474216B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110913402A (zh) * | 2019-11-27 | 2020-03-24 | 南京航空航天大学 | 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法 |
CN113115399A (zh) * | 2021-03-31 | 2021-07-13 | 南京航空航天大学 | 一种异构无人机自组织网络的路由优化方法 |
CN113630838A (zh) * | 2021-07-15 | 2021-11-09 | 天津(滨海)人工智能军民融合创新中心 | 基于类异构蜂窝网络的立体空间蜂群组网架构构建方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11727812B2 (en) * | 2017-07-27 | 2023-08-15 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN110147099B (zh) * | 2019-04-30 | 2022-03-01 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN111291854A (zh) * | 2020-01-16 | 2020-06-16 | 浙江工业大学 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
CN111970658A (zh) * | 2020-07-16 | 2020-11-20 | 西安理工大学 | 一种基于最优刚性图的无人机蜂群编队网络路由方法 |
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 |
CN111885493B (zh) * | 2020-08-04 | 2022-03-29 | 西安邮电大学 | 一种基于改进布谷鸟搜索算法的微云部署方法 |
CN113709841B (zh) * | 2021-07-14 | 2023-08-11 | 西安邮电大学 | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 |
-
2022
- 2022-11-02 CN CN202211361781.8A patent/CN115474216B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110913402A (zh) * | 2019-11-27 | 2020-03-24 | 南京航空航天大学 | 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法 |
CN113115399A (zh) * | 2021-03-31 | 2021-07-13 | 南京航空航天大学 | 一种异构无人机自组织网络的路由优化方法 |
CN113630838A (zh) * | 2021-07-15 | 2021-11-09 | 天津(滨海)人工智能军民融合创新中心 | 基于类异构蜂窝网络的立体空间蜂群组网架构构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115474216A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Dynamic Adaptive Ant Lion Optimizer applied to route planning for unmanned aerial vehicle | |
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
Khan et al. | Moth flame clustering algorithm for internet of vehicle (MFCA-IoV) | |
CN110470301B (zh) | 多动态任务目标点下的无人机路径规划方法 | |
Torkestani | Mobility prediction in mobile wireless networks | |
Kordestani et al. | An adaptive bi-flight cuckoo search with variable nests for continuous dynamic optimization problems | |
CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
Bacanin et al. | RFID network planning by ABC algorithm hybridized with heuristic for initial number and locations of readers | |
CN112820105A (zh) | 路网异常区域处理的方法及系统 | |
CN111366169B (zh) | 一种确定性移动机器人路径规划方法 | |
Banfi et al. | Fair multi-target tracking in cooperative multi-robot systems | |
Qi et al. | CDS-based topology control in FANETs via power and position optimization | |
Chang et al. | 5G private network deployment optimization based on RWSSA in open-pit mine | |
Sharma et al. | HMADSO: a novel hill Myna and desert Sparrow optimization algorithm for cooperative rendezvous and task allocation in FANETs | |
CN114567888A (zh) | 一种多无人机动态部署方法 | |
Yasear et al. | Fine-Tuning the Ant Colony System Algorithm Through Harris’s Hawk Optimizer for Travelling Salesman Problem. | |
CN115474216B (zh) | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 | |
CN109118064A (zh) | 一种用于探测任务规划的最优资源分配方法 | |
CN113256184B (zh) | 测控数传资源一体化的卫星地面站资源规划方法 | |
Anandkumar | Hybrid fuzzy logic and artificial Flora optimization algorithm-based two tier cluster head selection for improving energy efficiency in WSNs | |
Wang et al. | Distributed projection‐free algorithm for constrained aggregative optimization | |
CN116866951A (zh) | 基于改进人工蜂鸟算法的传感器网络覆盖优化方法及系统 | |
Hrymud et al. | MODIFYING A METHOD FOR DIRECT DATA COLLECTION BY A TELECOMMUNICATION AERIAL PLATFORM FROM NODES OF WIRELESS SENSOR NETWORKS. | |
Bardhan et al. | A decentralized game theoretic approach for team formation and task assignment by autonomous unmanned aerial vehicles | |
CN116709290A (zh) | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 |
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 |