CN116132354B - 一种无人机集群网络化传输路径优化方法及系统 - Google Patents
一种无人机集群网络化传输路径优化方法及系统 Download PDFInfo
- Publication number
- CN116132354B CN116132354B CN202310153991.6A CN202310153991A CN116132354B CN 116132354 B CN116132354 B CN 116132354B CN 202310153991 A CN202310153991 A CN 202310153991A CN 116132354 B CN116132354 B CN 116132354B
- Authority
- CN
- China
- Prior art keywords
- node
- edge
- function
- unmanned aerial
- aerial vehicle
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000006855 networking Effects 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000003016 pheromone Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 41
- 241000257303 Hymenoptera Species 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机集群网络化传输路径优化方法及系统,属于无人机集群数据共享领域。通过将无人机集群网络用图的形式进行表示,在该图的基础上构建传输时延函数,将传输路径优化的问题转化为总时延最小化目标函数优化的问题,再在特定的约束条件下利用启发式方法求解目标函数,从而得到全局最优解,获得优化的数据传输路径。本发明利用启发式方法能够有效降低计算量,提高无人机协同过程中对数据传输路径的决策速度。
Description
技术领域
本发明涉及一种无人机集群网络化传输路径优化方法及系统,属于无人机集群数据共享领域。
背景技术
随着无人机技术的发展,无人机数据共享方式逐渐网络化、智能化以及集群化,如何利用无人机集群提供实时动态任务,充分、高效、准确、可靠的数据资源支撑是当前的难点问题。为提高无人机数据传输效率,需要在无人机集群组网的基础上,对网络化的数据传输路径进行合理安排,从而形成高效的数据分发方案。这个过程需要在无人机平台处理能力、通信能力、协同关系等多种约束条件下,搜索大量可能的数据分发路径以达到最终效果最优,是一个复杂的组合优化问题。例如,无人机数据传输任务需要在收到多个数据分发请求后,由多个数据发送端无人机向多个数据接收端无人机传输数据,通过对上述多个数据分发请求选择合适的通信网络路径以实现数据计算、中转、传输至接收端无人机所需的总时间最短。
为满足涌现的大容量、高效率和高服务质量的无人机数据共享业务传输需求,将无人机集群中的数据传输问题视为无人机组网环境下基于网络拓扑的路径选择问题。首先,将该无人机集群数据传输问题建模表示为一个网络拓扑条件下的多路径选择问题;其次,将网络化传输路径选择问题进一步定量描述为一个整数线性规划问题,并根据无人机集群的实际数据传输要求合理定义约束条件,使优化结果满足实际要求;最后,采用启发式优化算法——蚁群优化算法(Ant Colony Optimization,ACO)快速得到上述约束条件下整数规划问题的优化结果,并作为传输路径选择的决策方案。
发明内容
本发明的目的是提出一种无人机集群网络化传输路径优化方法及系统,以解决无人机协同过程中数据快速传输问题。
为实现上述目的,本发明采用以下技术方案:
一种无人机集群网络化传输路径优化方法,包括以下步骤:
将无人机集群网络用图N = ( V , E , C , T )表示,其中V为节点集合,节点代表无人机,E为边集合,边代表无人机的源—目的之间的数据传输路径,C为边的最大数据容量集合,T为时延集合,T包括边时延集合TE与节点时延集合TV,边时延为数据经过边所需时间,节点时延为数据经过节点所需时间;
基于所述图,定义源—目的的传输时延函数,该函数为边时延和节点时延的总和函数;根据传输时延函数得到总时延函数,将总时延最小作为优化的目标函数,同时限定优化过程需要满足的约束条件;
基于所述约束条件,利用蚁群算法求解所述目标函数,计算出最小总时延,该最小总时延对应的由节点和边构成的路径即为优化的数据传输路径。
优选地,首先基于所述图来设定决策变量,该决策变量表示数据传输需求分配在边/>上传输;然后结合决策变量定义源—目的的传输时延函数,该传输时延函数如下:
;
式中,表示传输时延函数,/>分别表示源和目的,m表示第m组源和目的,/>表示经过两节点/>间的边所需时间,/>表示经过节点/>所需时间,E为边集合,V为节点集合,i , j为节点编号。
优选地,。
优选地,所述优化的目标函数为,其中/>表示总时延,M表示源-目的的数量,m表示第m组源和目的。
优选地,所述约束条件包括:
;
;
;
;
;
;
式中,为决策变量,/>为数据传输需求,/>分别表示源和目的,m表示第m组源和目的,/>为两节点/>间边的数据容量,i , j为节点编号,n为节点数量,f表示第f个节点。
优选地,基于所述约束条件,利用蚁群算法求解所述目标函数,计算出最小总时延,具体包括以下步骤:
1)初始化蚂蚁参数:蚂蚁数量s、最大迭代次数Max_iter、信息素重要程度因子α、启发函数的重要程度因子β,将起始禁忌表设为空集,维度设置为节点数量n,生成的矩阵,设置各节点与边的时延和各边数据流;
2)初始化信息素浓度,将s只蚂蚁放在起点/>∈A,A为起点集合即发送端集合,将各蚂蚁的起点/>置于当前解集/>中,计算蚂蚁/>从节点/>到节点/>的概率/>;
3)在蚂蚁完成一次搜索后,根据蚂蚁走过的路径上释放的信息素,对信息素浓度进行更新;
4)将s只蚂蚁放在起点集合A中,重复步骤2)至3),直到所有蚂蚁到达终点∈B,B为终点集合即接收端集合,得到 s 条由起点集合A到终点集合B的总时延/>;
5)比较 s 条时延的大小,计算出最小值赋值给,记本次最优解为/>,并对对应的路径上的信息素浓度进行全局更新;
6)再将 s 只蚂蚁放置于起点集合A中,按照步骤4)进行搜索,如此一直重复进行,直到迭代 Max_iter次,得到全局最优解即最小总时延。
优选地,Max_iter = 80。
优选地,步骤2)中计算概率的公式如下:
;
式中,为信息素浓度函数,/>为启发函数,表示蚂蚁在当前迭代次数h下从节点/>转移到节点/>的概率;α为信息素重要程度因子,β为启发函数的重要程度因子,sum( )为求和函数。
优选地,步骤3)中对信息素浓度进行更新的公式如下:
;
;
式中,表示信息素挥发程度,/>表示当前迭代h中边/>上信息素的增量,/> 表示在当前迭代中第 k 只蚂蚁在边/>上的信息素量,s表示蚂蚁数量。
一种无人机集群网络化传输路径优化系统,包括存储器和处理器,在该存储器上存储有计算机程序,该处理器执行该程序时实现上述方法的步骤。
本发明的优点为:
1. 将无人机集群组网环境中数据传输路径选择问题建模为网络拓扑条件下的整数规划问题,模型准确易于扩展,兼容多个数据传输需求并能够适应多种约束条件;
2. 采用蚁群算法对网络传输路径优化问题进行求解,该启发式方法能够有效降低计算量,提高无人机协同过程中对数据传输路径的决策速度。
附图说明
图1是本发明的一种无人机集群网络化传输路径优化方法的简化流程图。
图2A-2B是不同节点数据传输路径图。
具体实施方式
为使本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
本实施例具体公开一种无人机集群网络化传输路径优化方法,如图1所示,以下对其具体的处理步骤进行详细说明。
(1)对无人机集群网络以图的形式表示。
在实际运行过程中,无人机集群在一段时间间隔内具有稳定的网络结构并通过网状拓扑结构表示任意两架无人机之间的连接。假设相邻两架无人机是能够通信的,因此相邻两个网络节点之间构成一条边。网络化数据传输的一条链路,表示为数据发送端(源)—数据接收端(目的)之间传输的路径。该路径是由多条边连接形成的无环结构,即从数据发送端开始到数据接收端结束。
设置无人机网络,节点集合/>,/>为节点(无人机)数量。多个源—目的集合为/>, A、B分别表示发送端(源)和接收端(目的),M为源-目的的数量,集合(A, B)中任意数据传输需求/>,表示第m个源—目的对/>的数据传输量,单位为Mb/s。边集合/>表示节点之间的边/通路,/>为对应边的最大容量所形成的集合,其中/>为间的数据容量,单位为Mb/s;i、j表示节点编号,i、j在节点集合/>数量中,也就是为1至n中任意两个值。T 为时延集合,包含边时延集合TE与节点时延集合TV。
设置为边时延集合,/>为经过/>间边上所需时间,假设在一段时间间隔内,边时延是不变的,且在不超过边的容量约束的情况下,边的数据传输时延不变。/>为经过节点时延集合,/>表示经过节点/>所需时间。对数据传输经过边/>,则需要将两个节点/>的处理时延分别考虑入内。
(2)数据传输路径优化问题量化建模。
(2-1)决策变量:
表示数据传输需求/>分配在边/>上传输,则:
。
定义源—目的的传输时延为/>;式中,表示传输时延函数,/>分别表示源和目的,m表示第m组源和目的,/>表示经过两节点/>间的边所需时间,/>表示经过节点/>所需时间,E为边集合,V为节点集合,i , j为节点编号。
则总时延为,从而优化目标可表示为:
(2-1)
目标函数为数据传输总时延最小,M表示源-目的的数量,m表示第m组源和目的。
(2-2)上述优化过程需要满足如下约束条件:
(2-2)
(2-3)
(2-4)
(2-5)
(2-6)
(2-7)
式中,为决策变量,/>为数据传输需求,/>分别表示源和目的,m表示第m组源和目的,/>为两节点/>间边的数据容量,i , j为节点编号,n为节点数量,f表示第f个节点。
公式(2-2)表示为无向图,即两个相连的节点可以互相抵达。公式(2-3)表示无环图起始点数据流只有流出,无流入。公式(2-4)表示无环图终点数据流只有流入,无流出。公式(2-5)表示对于中间无人机节点需保证数据有流入和流出才能成立。公式(2-6)表示无环约束。公式(2-7)为通路的传输利用率不大于1,即所有传输/>流经通路/>的传输速率综合不超过其容量/>。
(3)启发式优化计算。
针对以上目标函数与相关约束,本发明利用蚁群算法对该问题进行优化,主要思路为通过蚂蚁寻找食物的路径表示待优化的无人机数据传输路径,将蚂蚁种群中所经过的路径构成待优化问题的解空间,蚂蚁在寻找食物时会有多条路径,且都会在经过的路径上留下一种信息素,信息素会随着时间的增加而不断减少,若此路径较短,路径上累积的信息素浓度逐渐增高,后续的蚂蚁也会选择信息素较高的路径。最终整个蚂蚁种群会找到一个最佳路径,即全局最优解。
利用蚁群算法解决无人机集群的数据传输方法为:
设蚁群中蚂蚁集合为,节点集合(无人机数量),节点/>与节点/>之间的时延为/>,经过节点/>时延为/>。节点/>与节点/>之间相连接的路径上的信息素浓度为/>。初始时刻,蚂蚁放置在起点内,且各节点连接路径上的信息素浓度相同,然后蚂蚁按一定的概率选择路线。将/>设为蚂蚁/>从节点/>转移到节点/>的概率。这个概率的大小依赖于其他蚂蚁释放的信息素浓度。
所以定义:
(2-8)
式中为信息素浓度函数;/>为启发函数,表示蚂蚁在当前迭代次数h下从节点/>转移到节点/>的概率;α为信息素重要程度因子,β为启发函数的重要程度因子,sum( )为求和函数。
与实际情况类似,随着时间的推移,残留在路径上的信息素会逐渐挥发,蚂蚁在经过路径时残留的信息素量也会逐渐等同于信息素挥发量,最终使信息素残留量趋于稳定。令表示信息素挥发程度,各路径上的信息素残留量的数学表达式如下:
(2-9)
(2-10)
式(2-10)表示s只蚂蚁从点i到点j路径上留下的信息素总和,s为蚂蚁数量,k表示第几只蚂蚁。
(3-1):初始化蚂蚁参数(蚂蚁数量s、最大迭代次数Max_iter、信息素重要程度因子α、启发函数的重要程度因子β),将起始禁忌表设为空集。设置蚂蚁数量为s,维度为n,此时维度代表节点数量(无人机数量),生成/>的矩阵,设置最大迭代次数Max_iter,例如Max_iter = 80,设置各节点与边的时延和各边数据流。
(3-2):初始化信息素浓度,将s只蚂蚁放在起点/>∈A,A为起点集合(即发送端),将各蚂蚁的起点/>置于当前解集/>中。根据公式(2-8)计算蚂蚁/>从节点/>到节点/>的概率/>。
(3-3):信息素浓度的更新。在蚂蚁完成一次搜索后,信息素一方面要挥发掉一部分,另一方面根据公式(2-9)蚂蚁在走过的路径上要释放一定量的信息素。
(3-4):将s只蚂蚁放在起点集合A中,重复步骤 3-2 和 3-3,直到所有蚂蚁都到达终点,此时得到 s 条由起点集合A到终点集合B(即接收端)的总时延/>。
(3-5):比较 s 条时延的大小有,计算出最小值赋值给/>,记本次最优解为/>,对此路径上的信息素浓度进行全局更新。
(3-6):再将 s 只蚂蚁放置于起点集合,按照步骤(3-4)进行搜索,这样一直重复进行,直到迭代Max_iter次,此时可以得到全局最优解,此时得出最小总时延。
上述实施例中,发送端、源、起点表示相同含义,接收端、目的、终点表示相同含义。
实验测试:
为了验证本发明方法利用蚁群算法优化无人机数据传输的有效性,设置4个源-目的集合,/>与/>中分别设置4个起点与2个终点,/>与/>中分别设置3个起点与1个终点。从每类(即每个源—目的集合)中选择一个起始点向终点进行数据路线规划,找出四类中全局最短时延路径。实验结果如图2A-2B所示,图中横-纵坐标表示无人机节点的笛卡尔坐标,各个节点上的数字表示无人机编号。图中相同形状节点表示同一源-目的,实心表示数据发送端,空心表示数据接收端。
虽然本发明已以实施例公开如上,然其并非用以限定本发明,本领域的普通技术人员对本发明的技术方案进行的适当修改或者等同替换,均应涵盖于本发明的保护范围内,本发明的保护范围以权利要求所限定者为准。
Claims (6)
1.一种无人机集群网络化传输路径优化方法,其特征在于,包括以下步骤:
将无人机集群网络用图N=(V,E,C,T)表示,其中V为节点集合,节点代表无人机,E为边集合,边代表无人机的源—目的之间的数据传输路径,C为边的最大数据容量集合,T为时延集合,T包括边时延集合TE与节点时延集合TV,边时延为数据经过边所需时间,节点时延为数据经过节点所需时间;
基于所述图,定义源—目的的传输时延函数,该函数为边时延和节点时延的总和函数;根据传输时延函数得到总时延函数,将总时延最小作为优化的目标函数,同时限定优化过程需要满足的约束条件;
基于所述约束条件,利用蚁群算法求解所述目标函数,计算出最小总时延,该最小总时延对应的由节点和边构成的路径即为优化的数据传输路径;
首先基于所述图来设定决策变量该决策变量表示数据传输需求/>分配在边eij上传输;然后结合决策变量定义源—目的的传输时延函数,该传输时延函数如下:
式中,表示传输时延函数,am,bm分别表示源和目的,m表示第m组源和目的,/>表示经过两节点(vi,vj)间的边所需时间,/>表示经过节点vi所需时间,E为边集合,V为节点集合,i,j为节点编号;
所述优化的目标函数为其中/>表示总时延,M表示源-目的的数量即图中从数据发送端到接收端的数量集合,m表示第m组源和目的;
所述约束条件包括:
式中,为决策变量,/>为数据传输需求即第m个源—目的对(am,bm)的数据传输量,am,bm分别表示源和目的,m表示第m组源和目的,cij为两节点(vi,vj)间边的数据容量,i,j为节点编号,n为节点数量,f表示第f个节点;
基于所述约束条件,利用蚁群算法求解所述目标函数,计算出最小总时延,具体包括以下步骤:
1)初始化蚂蚁参数:蚂蚁数量s、最大迭代次数Max_iter、信息素重要程度因子α、启发函数的重要程度因子β,将起始禁忌表tabu设为空集,维度设置为节点数量n,生成tabu=(s,n)的矩阵,设置各节点与边的时延和各边数据流;
2)初始化信息素浓度Aij,将s只蚂蚁放在起点am∈A,A为起点集合即发送端集合,将各蚂蚁的起点am置于当前解集tabu中,计算蚂蚁Antk从节点vi到节点vj的概率
3)在蚂蚁完成一次搜索后,根据蚂蚁走过的路径上释放的信息素,对信息素浓度Aij进行更新;
4)将s只蚂蚁放在起点集合A中,重复步骤2)至3),直到所有蚂蚁到达终点bm∈B,B为终点集合即接收端集合,得到s条由起点集合A到终点集合B的总时延
5)比较s条时延的大小,计算出最小值赋值给Lbest,记本次最优解为Lbest,并对对应的路径上的信息素浓度进行全局更新;
6)再将s只蚂蚁放置于起点集合A中,按照步骤4)进行搜索,如此一直重复进行,直到迭代Max_iter次,得到全局最优解即最小总时延。
2.如权利要求1所述的方法,其特征在于,
3.如权利要求1所述的方法,其特征在于,Max_iter=80。
4.如权利要求1所述的方法,其特征在于,步骤2)中计算概率的公式如下:
式中,Aij(h)为信息素浓度函数;nij(h)为启发函数,表示蚂蚁在当前迭代次数h下从节点vi转移到节点vj的概率;α为信息素重要程度因子,β为启发函数的重要程度因子,sum()为求和函数。
5.如权利要求1所述的方法,其特征在于,步骤3)中对信息素浓度Aij进行更新的公式如下:
Aij(h+1)=(1-ρ)·Aij(h)+ρΔAij(h);
式中,ρ(0<ρ<1)表示信息素挥发程度,ΔAij(h)表示当前迭代h中边eij上信息素的增量,ΔAkij(h)表示在当前迭代中第k只蚂蚁在边eij上的信息素量,s表示蚂蚁数量。
6.一种无人机集群网络化传输路径优化系统,包括存储器和处理器,在该存储器上存储有计算机程序,该处理器执行该程序时实现权利要求1-5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153991.6A CN116132354B (zh) | 2023-02-23 | 2023-02-23 | 一种无人机集群网络化传输路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153991.6A CN116132354B (zh) | 2023-02-23 | 2023-02-23 | 一种无人机集群网络化传输路径优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116132354A CN116132354A (zh) | 2023-05-16 |
CN116132354B true CN116132354B (zh) | 2024-03-22 |
Family
ID=86297352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153991.6A Active CN116132354B (zh) | 2023-02-23 | 2023-02-23 | 一种无人机集群网络化传输路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116132354B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109547965A (zh) * | 2018-12-27 | 2019-03-29 | 国网江苏省电力有限公司南京供电分公司 | 一种基于业务优先级的无线传感器网络路径规划方法 |
CN109726859A (zh) * | 2018-12-21 | 2019-05-07 | 延安大学 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN112702401A (zh) * | 2020-12-15 | 2021-04-23 | 北京邮电大学 | 一种电力物联网多任务协同分配方法及装置 |
CN114172843A (zh) * | 2022-01-17 | 2022-03-11 | 重庆邮电大学 | 一种时间敏感网络中路径选择和门控调度的联合优化方法 |
CN115460668A (zh) * | 2022-09-14 | 2022-12-09 | 山东师范大学 | 一种无人机间数据疏散传输路径规划方法及系统 |
-
2023
- 2023-02-23 CN CN202310153991.6A patent/CN116132354B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109726859A (zh) * | 2018-12-21 | 2019-05-07 | 延安大学 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
CN109547965A (zh) * | 2018-12-27 | 2019-03-29 | 国网江苏省电力有限公司南京供电分公司 | 一种基于业务优先级的无线传感器网络路径规划方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN112702401A (zh) * | 2020-12-15 | 2021-04-23 | 北京邮电大学 | 一种电力物联网多任务协同分配方法及装置 |
CN114172843A (zh) * | 2022-01-17 | 2022-03-11 | 重庆邮电大学 | 一种时间敏感网络中路径选择和门控调度的联合优化方法 |
CN115460668A (zh) * | 2022-09-14 | 2022-12-09 | 山东师范大学 | 一种无人机间数据疏散传输路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116132354A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN113296963B (zh) | 一种考虑用户移动性的无人机辅助的边缘计算方法 | |
CN113296845A (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
CN105515987A (zh) | 一种基于sdn架构面向虚拟光网络的映射方法 | |
Li et al. | Improved ant colony optimization for the traveling salesman problem | |
CN111953547B (zh) | 一种基于业务的异构基站重叠分组及资源配置方法及装置 | |
CN115277689A (zh) | 一种基于分布式联邦学习的云边网络通信优化方法及系统 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN107911300A (zh) | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 | |
CN101944157A (zh) | 一种应用与仿真网格系统的生物智能调度方法 | |
CN111246320B (zh) | 一种云-雾弹性光网络中的深度强化学习流量疏导方法 | |
Tuyishimire et al. | Modelling and analysis of interference diffusion in the internet of things: An epidemic model | |
CN117639244A (zh) | 一种多域异构配电通信网络集中控制系统 | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
Sangeetha et al. | Genetic optimization of hybrid clustering algorithm in mobile wireless sensor networks | |
CN116132354B (zh) | 一种无人机集群网络化传输路径优化方法及系统 | |
Yin et al. | A cooperative edge computing scheme for reducing the cost of transferring big data in 5G networks | |
CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
CN110138670B (zh) | 一种基于动态路径的负载迁移方法 | |
CN112333102B (zh) | 基于知识图谱的软件定义网络路由选择方法和系统 | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
Kim et al. | Generative Service Provisioning for IoT Devices Using Line Graph Structure | |
CN117272838B (zh) | 一种政务大数据平台数据采集优化方法 |
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 |