CN116367178A - 无人集群自适应组网方法与装置 - Google Patents
无人集群自适应组网方法与装置 Download PDFInfo
- Publication number
- CN116367178A CN116367178A CN202310627358.6A CN202310627358A CN116367178A CN 116367178 A CN116367178 A CN 116367178A CN 202310627358 A CN202310627358 A CN 202310627358A CN 116367178 A CN116367178 A CN 116367178A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- cluster
- node
- time slot
- current time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000006855 networking Effects 0.000 title claims abstract description 61
- 230000003595 spectral effect Effects 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000004891 communication Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000004992 fission Effects 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 54
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- 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
- H04W84/18—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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种无人集群自适应组网方法与装置，涉及通信的技术领域，该方法首先根据无人节点之间信噪比和链路有效值构建出当前时隙下无人集群对应的图结构，然后利用裂变谱聚类算法对上述图结构进行谱聚类处理，得到多个子图，其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。裂变谱聚类算法的聚类条件能够确保分簇结果中保留高性能通信链路，同时确保簇结构的合理性、稳定性及其通信能力。因此，该方法能够有效地缓解现有的无人集群聚类算法存在的无法保障分簇后的无人集群通信性能的技术问题。
Description
技术领域
本发明涉及通信的技术领域，尤其是涉及一种无人集群自适应组网方法与装置。
背景技术
分簇作为一种网络组织方法，可以有效地防止大范围的网络洪泛。传统的无人机聚类算法通常将无人机节点抽象为欧式结构数据样本，然后进行分簇，分簇的依据是最小化同簇无人机之间的距离之和来确定无人机的簇归属。但是，这种分簇方法只考虑了无人机之间静态的物理距离，忽视了无人机之间的无线链路属性（例如，无线链路质量、无线链路连接持续时间等），这导致该分簇方法只适用于密集型的无人机集群场景，在将上述分簇方法应用于稀疏型的无人机集群场景时，分簇结果中极容易出现簇头不能直接和簇成员通信的情况。也就是说，现有的无人集群聚类算法存在无法保障分簇后的无人集群通信性能的技术问题。
发明内容
本发明的目的在于提供一种无人集群自适应组网方法与装置，以缓解现有的无人集群聚类算法存在的无法保障分簇后的无人集群通信性能的技术问题。
第一方面，本发明提供一种无人集群自适应组网方法，包括：获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值；其中，所述链路有效值用于表征当前时隙内两无人节点之间的通信性能；基于所述信噪比、预设信噪比限值和所述链路有效值，构建当前时隙下所述无人集群对应的图结构；利用裂变谱聚类算法对所述图结构进行谱聚类处理，得到多个子图；其中，所述裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于所述预设信噪比限值的目标无人节点；基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头；其中，所述目标子图表示所述多个子图中的任一子图；基于所有子图和每个子图的簇头确定所述无人集群在所述当前时隙的组网策略。
在可选的实施方式中，获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值，包括：获取第一无人节点和第二无人节点在当前时隙的第一距离、在上一时隙的第二距离、所述第一无人节点在当前时隙的第一速度矢量和所述第二无人节点在当前时隙的第二速度矢量；其中，所述第一无人节点和所述第二无人节点为所述无人集群中的任意两个无人节点；基于所述第一距离计算当前时隙下所述第一无人节点和所述第二无人节点之间的信噪比；基于所述信噪比计算当前时隙下所述第一无人节点和所述第二无人节点之间的传输速率；基于所述第一距离、所述第二距离、所述第一速度矢量和所述第二速度矢量，确定当前时隙下所述第一无人节点和所述第二无人节点的连接时长；基于所述第一距离、所述传输速率和所述连接时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值。
在可选的实施方式中，基于所述第一距离、所述第二距离、所述第一速度矢量和所述第二速度矢量，确定当前时隙下所述第一无人节点和所述第二无人节点的连接时长，包括：基于所述第一距离、所述第一速度矢量和所述第二速度矢量计算当前时隙下所述第一无人节点和所述第二无人节点的相对速度；基于所述第一距离和所述第二距离，计算所述第一无人节点和所述第二无人节点在当前时隙和上一时隙的相对位置差；在确定所述相对位置差非0的情况下，基于预设通信距离限值、所述第一距离和所述相对速度，计算当前时隙下所述第一无人节点和所述第二无人节点的计划连接时长；在确定计划连接时长大于预设单时隙时长的情况下，调整所述计划连接时长为所述预设单时隙时长。
在可选的实施方式中，基于所述第一距离、所述传输速率和所述连接时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值，包括：基于所述连接时长和预设单时隙时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的连接稳定性因子；基于所述第一距离、预设通信距离限值、无人节点对外发送1比特数据时发射机消耗的第一能量和放大器消耗的第二能量，计算当前时隙下所述第一无人节点和所述第二无人节点之间的成本因子；基于所述连接稳定性因子和所述成本因子确定当前时隙下所述第一无人节点和所述第二无人节点之间的有效因子；基于所述有效因子和所述传输速率确定当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值。
在可选的实施方式中，利用裂变谱聚类算法对所述图结构进行谱聚类处理，包括：基于所述无人集群中无人节点的总数和所述预设阈值确定初始分簇数；基于所述初始分簇数对所述图结构进行谱聚类处理，得到多个子图；重复执行下述步骤，直至所有子图满足所述聚类条件：判断目标子图中无人节点的数量是否大于预设阈值；其中，所述目标子图表示所述多个子图中的任一子图；若是，则基于所述目标子图中无人节点的数量和所述预设阈值对所述目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图；若否，则判断所述目标子图中是否存在所述目标无人节点；若不存在，则以分簇数2为目标对所述目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
在可选的实施方式中，基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头，包括：计算所述目标子图中指定无人节点与剩余无人节点之间的链路有效值的累加和；其中，所述指定无人节点表示所述目标无人节点中的任一个无人节点；将累加和最大的结果对应的指定无人节点作为所述目标子图中所有无人节点的簇头。
在可选的实施方式中，在基于所有子图和每个子图的簇头信息确定所述无人集群在所述当前时隙的组网策略之后，所述方法还包括：在确定目标簇成员在下一时隙移出其原始簇头的覆盖区域的情况下，调整所述目标簇成员所属的簇头编号，并更新每个子图；其中，所述目标簇成员表示所有子图中的任一簇成员；基于所述裂变谱聚类算法对不满足所述聚类条件的子图进行谱聚类处理，直至所有子图均满足所述聚类条件，并更新所述无人集群在下一时隙的组网策略；计算当前时隙的组网策略下，所述无人集群的第一平均集群吞吐量，以及，计算所述无人集群在下一时隙的组网策略下，所述无人集群的第二平均集群吞吐量；在确定所述第二平均集群吞吐量低于所述第一平均集群吞吐量的一半的情况下，更新下一时隙下所述无人集群对应的图结构，并对更新后的图结构进行谱聚类处理，以基于谱聚类处理结果更新所述无人集群在下一时隙的组网策略。
第二方面，本发明提供一种无人集群自适应组网装置，包括：获取模块，用于获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值；其中，所述链路有效值用于表征当前时隙内两无人节点之间的通信性能；构建模块，用于基于所述信噪比、预设信噪比限值和所述链路有效值，构建当前时隙下所述无人集群对应的图结构；第一谱聚类模块，用于利用裂变谱聚类算法对所述图结构进行谱聚类处理，得到多个子图；其中，所述裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于所述预设信噪比限值的目标无人节点；第一确定模块，用于基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头；其中，所述目标子图表示所述多个子图中的任一子图；第二确定模块，用于基于所有子图和每个子图的簇头确定所述无人集群在所述当前时隙的组网策略。
第三方面，本发明提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述实施方式中任一项所述的无人集群自适应组网方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现前述实施方式中任一项所述的无人集群自适应组网方法。
本发明提供了一种无人集群自适应组网方法，首先根据无人节点之间信噪比和链路有效值构建出当前时隙下无人集群对应的图结构，然后利用裂变谱聚类算法对上述图结构进行谱聚类处理，得到多个子图，其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。裂变谱聚类算法的聚类条件能够确保分簇结果中保留高性能通信链路，同时确保簇结构的合理性、稳定性及其通信能力。因此，该方法能够有效地缓解现有的无人集群聚类算法存在的无法保障分簇后的无人集群通信性能的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种无人集群自适应组网方法的流程图；
图2为本发明实施例提供的一种裂变谱聚类的方法流程图；
图3为本发明实施例提供的一种簇维护阶段的方法流程图；
图4为本发明实施例提供的初始分簇阶段下不同算法的通信性能比较示意图；
图5为本发明实施例提供的簇维护阶段下不同算法的通信性能比较示意图；
图6为本发明实施例提供的一种无人集群自适应组网装置的功能模块图；
图7为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
分簇作为一种网络组织方法，可以有效地防止大范围的网络洪泛。将无人机群分为若干个簇，每个簇由一个选定的簇头和若干个簇成员组成，并且每个无人机都隶属于一个簇且只能属于一个簇。在无人机网络中，簇头负责集群之间的协作信息共享和同一集群内所有簇成员的管理。基于这种集群结构，信息传输是分层的，这大大减少了泛洪开销。
传统的无人机聚类算法通常将无人机节点抽象为欧式结构数据样本，然后进行分簇，分簇的依据是最小化同簇无人机之间的距离之和来确定无人机的簇归属。这种的分簇方法只考虑了无人机之间的静态的物理距离，忽视了无人机之间的无线链路属性（例如，无线链路质量、无线链路连接持续时间等）。因此，分簇后的无人机群的通信性能无法保障。
并且，传统的无人机聚类算法还存在分簇结果的不可控的问题，一方面，在传统算法中，只考虑了无人机的物理距离，忽视了无人机的通信范围，这导致该分簇方式只适用于密集型的无人机集群场景。而当无人机集群分布逐渐稀疏，此时的分簇结果中极容易出现簇头不能直接和簇成员通信的场景。在这种情况下，簇头仍可以通过多跳的方式与簇成员通信，但这无疑会增加簇内路由的复杂性。另一方面，如果一个簇内的无人机数目过多，簇头的能量消耗会加快，这会影响无人机网络的稳定性，并且，在节点密度非常高的区域，无人机发生碰撞的概率较大。
为了解决以上两点问题，传统的解决方法只能不断地增大分簇数k（预先确定的簇的数量），用簇的大小来换取簇结构的合理性。然而，这样的做法存在两点问题：一方面，k不能太小，因为簇太小会影响整个簇的能力。因此，只能用尝试的方法逐步放大k，这个过程比较繁琐。另一方面，增加k使得原本已经满足条件的部分簇也被迫重新分了簇，这将降低簇的能力。有鉴于此，本发明实施例提供了一种无人集群自适应组网方法，用以缓解上文中所涉及的技术问题。
实施例一
图1为本发明实施例提供的一种无人集群自适应组网方法的流程图，如图1所示，该方法具体包括如下步骤：
步骤S102，获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值。
步骤S104，基于信噪比、预设信噪比限值和链路有效值，构建当前时隙下无人集群对应的图结构。
具体的，为了将无人集群进行合理的组网，本发明实施例将无人集群的分簇问题转换为图切割问题，而图切割之前需要将无人集群抽象为图结构，本发明实施例将无人集群中的无人节点视为图的顶点，将无人节点之间的无线链路视为边，边的权重值为链路有效值，其中，链路有效值用于表征当前时隙内两无人节点之间的通信性能，也即，链路有效值描述了一段时间内的无线链路属性，这也使得本发明实施例所提供的组网方法可以应用于动态的网络。
本发明实施例中，无人节点之间是否存在无线链路是由二者之间的信噪比SINR（Signal to Interference plus Noise Ratio，信号与干扰加噪声比）大小决定的，如果信噪比小于预设信噪比限值，则确定接收方无法成功解码来自发送方的信息，也即，信噪比小于预设信噪比限值的两个无人节点之间不存在无线链路，无法构成邻居关系。
因此，在获取到当前时隙下无人集群中无人节点之间的信噪比和链路有效值之后，将信噪比大于或等于预设信噪比限值的两个无人节点作为图结构中的邻居节点，互为邻居节点的无人节点之间的无线通信链路作为图结构中的边，互为邻居节点的无人节点之间的链路有效值作为边的权重值。基于以上条件限定，即可构建出当前时隙下无人集群对应的图结构。
例如，将包括N个无人节点的无人集群抽象成图
，其中，V表示N个无人节点的集合，E表示图中边的集合，也即，邻居节点之间的边的集合。如果无人节点i和无人节点j为邻居，则/>
，否则/>
。
步骤S106，利用裂变谱聚类算法对图结构进行谱聚类处理，得到多个子图。
在得到当前时隙下无人集群对应的图结构之后，为了解决上文中所介绍的传统算法存在的分簇后簇结构的合理性、稳定性及其通信能力不佳的技术问题，本发明实施例提出了利用裂变谱聚类算法对无人集群进行分簇的方法。具体的，首先，与现有的谱聚类算法的目标一致，以最大化子图中的边权重，最小化子图之间的边权重为目标对图结构进行谱聚类处理；在此基础上，还提出了裂变谱聚类算法的聚类条件，其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。
本发明实施例在谱聚类的基础上提出了裂变谱聚类来实现无人集群场景下的智能分簇。在这种分簇方式下，最终的分簇数（也即，子图数）k并不需要预先指定，只需定义初始分簇数。在每一次谱聚类后，核查每个子图，并对不满足上述聚类条件的子图进行拆分，直到每次拆分的结果满足要求为止，而已经满足要求的子图将保持不变。重复以上过程，完成分簇，每个子图对应一个无人网络的簇。因此，应用本发明实施例方法完成的分簇结果能够保留无人节点之间的高性能通信链路，同时还能确保簇结构的合理性、稳定性及其通信能力。
步骤S108，基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头。
其中，目标子图表示多个子图中的任一子图。
得到多个子图（也即，分簇结束）后，还需要从每个簇中选择簇头。簇头的最基本要求就是需要能和簇内的其它无人节点均能通信，符合这个条件的无人节点可能不止一个，也即，对应聚类条件中：每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。对于簇头的选择，本发明实施例考虑总体的通信性能最优，因此，根据无人节点之间的链路有效值，在目标子图的目标无人节点中选择能够使得目标子图的通信能力最佳的无人节点作为簇头。
步骤S110，基于所有子图和每个子图的簇头确定无人集群在当前时隙的组网策略。
本发明提供了一种无人集群自适应组网方法，首先根据无人节点之间信噪比和链路有效值构建出当前时隙下无人集群对应的图结构，然后利用裂变谱聚类算法对上述图结构进行谱聚类处理，得到多个子图，其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。裂变谱聚类算法的聚类条件能够确保分簇结果中保留高性能通信链路，同时确保簇结构的合理性、稳定性及其通信能力。因此，该方法能够有效地缓解现有的无人集群聚类算法存在的无法保障分簇后的无人集群通信性能的技术问题。
在一个可选的实施方式中，上述步骤S102，获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值，具体包括如下步骤：
步骤S1021，获取第一无人节点和第二无人节点在当前时隙的第一距离、在上一时隙的第二距离、第一无人节点在当前时隙的第一速度矢量和第二无人节点在当前时隙的第二速度矢量。
其中，第一无人节点和第二无人节点为无人集群中的任意两个无人节点。
具体的，在高动态无人集群网络中，特征感知是离散的。因此，本发明实施例将所有无人节点的最大运行时间设置为T（若无人节点为无人机，则最大运行时间即为无人机的最大飞行时间），并将其划分为几个等间距的时隙。设
表示每个时隙的长度，也即预设单时隙时长，第s个时隙用/>
表示。
为了计算无人节点之间的信噪比和链路有效值，首先应获取第一无人节点i和第二无人节点j在当前时隙
的第一距离/>
、第一无人节点i和第二无人节点j在上一时隙/>
的第二距离/>
、第一无人节点i在当前时隙的第一速度矢量/>
和第二无人节点j在当前时隙的第二速度矢量/>
。其中，/>
；
，/>
表示第一无人节点i在/>
时刻的三维空间位置，/>
表示第二无人节点j在/>
时刻的三维空间位置，/>
表示第一无人节点i在/>
时刻的三维空间位置，
表示第二无人节点j在/>
时刻的三维空间位置。
步骤S1022，基于第一距离计算当前时隙下第一无人节点和第二无人节点之间的信噪比。
当前时隙下第一无人节点i和第二无人节点j之间的信噪比SINR通过以下算式进行计算：
；其中，P表示无人节点的发射功率，h表示信道增益，/>
表示第一距离，α表示平均路径损耗指数，σ表示噪声功率，且h，α和σ均为无人节点所处环境属性，不随时间改变。
已知根据SINR与预设信噪比限值之间的大小可用于判断无人节点之间的邻居关系，如果SINR太小，则接收方无法成功解码来自发送方的信息。当两个无人节点之间的距离超过通信范围时，它们不是邻居。因此，如果预设信噪比限值为γ，则无人节点之间的最大通信范围（也即，预设通信距离限值）ε可通过以下公式计算：
。
步骤S1023，基于信噪比计算当前时隙下第一无人节点和第二无人节点之间的传输速率。
当前时隙下第一无人节点i和第二无人节点j之间的传输速率C由香农公式得到：
，其中，B表示信道带宽。
步骤S1024，基于第一距离、第二距离、第一速度矢量和第二速度矢量，确定当前时隙下第一无人节点和第二无人节点的连接时长。
具体的，在获取到第一无人节点i和第二无人节点j在当前时隙的第一距离
，以及，第一无人节点i和第二无人节点j在上一时隙的第二距离/>
之后，根据第一距离与第二距离之间的相对位置差，即可确定第一无人节点i和第二无人节点j跟随时间的推进是越来越近，还是越来越远，进而结合上文中所推算出来的预设通信距离限值确定二者的最大通信距离。
接下来，根据第一无人节点i在当前时隙的第一速度矢量
和第二无人节点j在当前时隙的第二速度矢量/>
，以及第一无人节点i和第二无人节点j在当前时隙的第一距离/>
，可计算当前时隙下第一无人节点i和第二无人节点j的相对速度，进而结合二者的最大通信距离以及时隙长度定义，确定出当前时隙下第一无人节点i和第二无人节点j的连接时长。
步骤S1025，基于第一距离、传输速率和连接时长，计算当前时隙下第一无人节点和第二无人节点之间的链路有效值。
在本发明实施例中，第一无人节点和第二无人节点之间的链路有效值与二者的第一距离呈反比，与二者的传输速率和连接时长成正比，本发明实施例不对链路有效值的计算方法进行具体的限定，用户可根据实际情况进行设定。
在一个可选的实施方式中，上述步骤S1024，基于第一距离、第二距离、第一速度矢量和第二速度矢量，确定当前时隙下第一无人节点和第二无人节点的连接时长，具体包括如下步骤：
步骤S10241，基于第一距离、第一速度矢量和第二速度矢量计算当前时隙下第一无人节点和第二无人节点的相对速度。
在本发明实施例中，相对速度的计算公式为：
。
表示第一无人节点i在/>
时刻的三维空间位置，/>
表示第二无人节点j在/>
时刻的三维空间位置，/>
。
步骤S10242，基于第一距离和第二距离，计算第一无人节点和第二无人节点在当前时隙和上一时隙的相对位置差。
在本发明实施例中，相对位置差的计算公式为：
。
步骤S10243，在确定相对位置差非0的情况下，基于预设通信距离限值、第一距离和相对速度，计算当前时隙下第一无人节点和第二无人节点的计划连接时长。
如果第一无人节点i和第二无人节点j在当前时隙和上一时隙的相对位置差
≠0，则存在以下两种情况：情况一，/>
；情况二，/>
。如果/>
，则说明第一无人节点i和第二无人节点j跟随时间的推进距离越来越近，那么二者可以保持连接的最大相对距离为：/>
；如果/>
，则说明第一无人节点i和第二无人节点j跟随时间的推进距离越来越远，二者可以保持连接的最大相对距离为：/>
。
如果第一无人节点i和第二无人节点j在当前时隙和上一时隙的相对位置差为0，那么理论上，第一无人节点i和第二无人节点j可以始终保持连接，也就是说，如果相对位置差为0，则第一无人节点i和第二无人节点j的计划连接时长为无穷大。也就是说，当前时隙下第一无人节点和第二无人节点的计划连接时长表示为：
。
步骤S10244，在确定计划连接时长大于预设单时隙时长的情况下，调整计划连接时长为预设单时隙时长。
鉴于本发明实施例是以时隙为单位进行的研究，因此，如果计划连接时长大于预设单时隙时长，那么应该修正计划连接时长为预设单时隙时长。也就是说，当前时隙下第一无人节点i和第二无人节点j的连接时长
表示为：/>
。
在一个可选的实施方式中，上述步骤S1025，基于第一距离、传输速率和连接时长，计算当前时隙下第一无人节点和第二无人节点之间的链路有效值，具体包括如下步骤：
步骤S10251，基于连接时长和预设单时隙时长，计算当前时隙下第一无人节点和第二无人节点之间的连接稳定性因子。
具体的，本发明实施例考虑到无人节点在一段时隙内的移动性，利用算式
计算当前时隙下第一无人节点i和第二无人节点j之间的连接稳定性因子
。
步骤S10252，基于第一距离、预设通信距离限值、无人节点对外发送1比特数据时发射机消耗的第一能量和放大器消耗的第二能量，计算当前时隙下第一无人节点和第二无人节点之间的成本因子。
进一步的，考虑到无人节点之前传输数据包的能量消耗，本发明实施例采用算式
计算当前时隙下第一无人节点i和第二无人节点j之间的成本因子/>
；其中，/>
，/>
。/>
表示无人节点对外发送1比特数据时发射机消耗的第一能量，/>
表示放大器消耗的第二能量，二者均为无人机本身属性，/>
表示第一无人节点i向第二无人节点j发送/>
个比特数的能耗，/>
表示当第一无人节点i与第二无人节点j之间相距为预设通信距离限值ε时，/>
的极限值。
步骤S10253，基于连接稳定性因子和成本因子确定当前时隙下第一无人节点和第二无人节点之间的有效因子。
有效因子
，其中，/>
表示可调系数，/>
表示当前时隙下第一无人节点i和第二无人节点j之间的成本因子；/>
表示当前时隙下第一无人节点i和第二无人节点j之间的连接稳定性因子。
步骤S10254，基于有效因子和传输速率确定当前时隙下第一无人节点和第二无人节点之间的链路有效值。
当前时隙下第一无人节点i和第二无人节点j之间的链路有效值代表时隙内两个无人机之间的通信性能，其计算公式可表示为：
。
已知本发明实施例将信噪比大于或等于预设信噪比限值的两个无人节点作为图结构中的邻居节点，互为邻居节点的无人节点之间的无线通信链路作为图结构中的边，互为邻居节点的无人节点之间的链路有效值作为边的权重值。并且，已知相似度矩阵
是定量描述节点间链路的重要参数，是谱聚类的重要的分类依据。因此，本发明实施例中，相似度矩阵W表示为/>
，利用W即可构建出无人集群对应的图结构。
图2为本发明实施例提供的一种裂变谱聚类的方法流程图，在一个可选的实施方式中，上述步骤S106，利用裂变谱聚类算法对图结构进行谱聚类处理，具体包括如下步骤：
步骤S1061，基于无人集群中无人节点的总数和预设阈值确定初始分簇数。
本发明实施例所提出的裂变谱聚类算法是一个循环谱聚类的过程，已知无人集群中无人节点的总数为N，且要求每个子图中无人节点的数量小于或等于预设阈值
，因此，确定的初始分簇数表示为/>
，/>
表示向上取整。
步骤S1062，基于初始分簇数对图结构进行谱聚类处理，得到多个子图。
谱聚类将无人集群的分簇问题转化为图切割问题，它的目标是最大化子图中的边权重，最小化子图之间的边权重，每个子图对应一个无人网络的簇。因此，无人机分簇结果将保留高性能通信链路。但是仅执行一次谱聚类处理并不能控制单簇中无人节点的总数不超过预设阈值，以及无法确保单簇中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。有鉴于此，本发明实施例提出重复执行下述步骤，直至所有子图满足聚类条件：
步骤S1063，判断目标子图中无人节点的数量是否大于预设阈值。
其中，目标子图表示多个子图中的任一子图。
若是，则执行下述步骤S1064；若否，则执行下述步骤S1065。
步骤S1064，基于目标子图中无人节点的数量和预设阈值对目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
步骤S1065，判断目标子图中是否存在目标无人节点。
若不存在，则执行下述步骤S1066；若存在，则确定目标子图满足聚类条件。
步骤S1066，以分簇数2为目标对目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
具体的，在对整个网络执行一次谱聚类之后，需要对每个聚类后的子图进行检查，如果目标子图不满足聚类条件，那么就需要对目标子图进行拆分。具体的，如果目标子图中无人节点的数量大于预设阈值，那么需要对目标子图执行一次谱聚类处理，此时目标子图的分簇数为
，其中，/>
表示目标子图中的无人节点的数量。对目标子图执行谱聚类处理之后，根据当前谱聚类处理结果更新子图的集合，也就是说，将目标子图拆分之后，每个拆分后的子图需要返回执行判断是否满足聚类条件的步骤。
如果目标子图中无人节点的数量小于或等于预设阈值，则继续判断目标子图中是否存在目标无人节点，也即，是否存在可以担当簇头的无人点，如果存在，则确定目标子图满足聚类条件。然后选择下一个未经检查的子图，并返回步骤S1063。如果不存在目标无人节点，则同样需要对目标子图执行一次谱聚类，在此情况下，目标子图的分簇数为2，选择分簇数为2的原因是希望在满足聚类条件的情况下，簇里无人节点越多越好，以提高簇的通信能力。将目标子图拆分之后，每个拆分后的子图需要再返回执行判断是否满足聚类条件的步骤，直至所有的子图满足聚类条件。
在一个可选的实施方式中，上述步骤S108，基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头，具体包括如下步骤：
步骤S1081，计算目标子图中指定无人节点与剩余无人节点之间的链路有效值的累加和。
其中，指定无人节点表示目标无人节点中的任一个无人节点。
步骤S1082，将累加和最大的结果对应的指定无人节点作为目标子图中所有无人节点的簇头。
具体的，对无人集群完成分簇之后，需要从每个簇中选择簇头，本发明实施例考虑总体的通信性能最优，因此将与剩余无人节点之间的链路有效值累加和最大的指定无人节点作为目标子图中所有无人节点的簇头，表示为：
，其中，cand表示目标无人节点（也即，所有候选簇头）的集合，C表示目标子图。
在确定出无人集群在当前时隙的组网策略之后，由于无人节点的是动态的，因此接下来将进入簇维护阶段。无人节点的高动态性降低了集群结构的稳定性。因此，现有的解决方法是每隔τ检查无人网络，并通过裂变谱聚类每隔τ对无人集群进行聚类。然而，本发明实施例所提出的算法属于集中式算法，需要构建复杂的无人网络，并且需要大量计算。所以这种解决方法会导致大量的计算开销。实际应用中发现，尽管无人网络是动态的，但许多无人节点仍可以在下一个时隙和所在簇保持通信，因此这些无人节点无需再次分簇。为了降低簇维护阶段的计算开销，本发明实施例在基于所有子图和每个子图的簇头信息确定无人集群在当前时隙的组网策略之后，方法还包括如下步骤：
步骤S201，在确定目标簇成员在下一时隙移出其原始簇头的覆盖区域的情况下，调整目标簇成员所属的簇头编号，并更新每个子图。
其中，目标簇成员表示所有子图中的任一簇成员。
具体的，在下一个时隙，如果发现目标簇成员i移出其原始簇头的覆盖区域，它将考虑加入另一个簇。目标簇成员i在其覆盖范围ε中搜索其新邻居，选择邻居中与其之间的链路有效值Q最大的无人节点h，然后，目标簇成员i将自己的簇头编号修改为无人节点h的簇头编号。在确定出所有无人节点在下一时隙的簇头编号之后，更新每个子图。
步骤S202，基于裂变谱聚类算法对不满足聚类条件的子图进行谱聚类处理，直至所有子图均满足聚类条件，并更新无人集群在下一时隙的组网策略。
子图更新之后，需要再次检查每个子图的状态，此时，将每个子图视为局部的无人网络，检查每个子图是否符合聚类条件，并对不满足聚类条件的子图执行裂变谱聚类算法，上文中已经对裂变谱聚类处理的流程进行了详细的介绍，此处不再赘述。在确定所有子图满足聚类条件之后，为每个子图重新选择簇头，进而更新无人集群在下一时隙的组网策略。
在簇维护阶段进行裂变谱聚类与对无人集群的图结构初次进行裂变谱聚类相比，网络规模较小，计算复杂度大大降低，进而有效地降低了计算开销。
步骤S203，计算当前时隙的组网策略下，无人集群的第一平均集群吞吐量，以及，计算无人集群在下一时隙的组网策略下，无人集群的第二平均集群吞吐量。
步骤S204，在确定第二平均集群吞吐量低于第一平均集群吞吐量的一半的情况下，更新下一时隙下无人集群对应的图结构，并对更新后的图结构进行谱聚类处理，以基于谱聚类处理结果更新无人集群在下一时隙的组网策略。
本发明实施例所提供的裂变谱聚类算法会将簇分裂到合适大小，但是不断地分裂会使得簇规模越来越小，进而将降低每个簇的通信能力。因此，本发明实施例以初始分簇阶段的平均集群吞吐量（也即，第一平均集群吞吐量）为标准，并将标准的一半为阈值。如果在某个时隙内平均集群吞吐量低于阈值，则当前簇结构的性能将被认为是低效的。然后，在下一个时隙，所有无人机都需要分簇，无人集群返回到初始分簇阶段。
其中，平均集群吞吐量的计算公式为：
，其中，K为所有簇头节点的集合，/>
表示簇头k所在的簇的所有无人节点的集合。基于以上方案介绍，簇维护阶段的方法流程图可参考图3。
发明人对本发明实施例所提出的裂变谱聚类算法（FSC），和其他算法在通信性能上进行了比较。选择了四种无人机网络聚类算法，分别是加权聚类算法（WCA）、高斯混合模型（GMM）、亲和传播（AP）和层次聚类算法（AC），图4为初始分簇阶段下不同算法的通信性能比较示意图。根据图4可知，在不同的初始无人机数目下，本发明实施例所提的算法拥有最高的平均集群吞吐量。图5为簇维护阶段下不同算法的通信性能比较示意图，从图5中可以分析，当时间为100秒、80秒、100秒、90秒、90分钟时，FSC、GMM、WCA、AP和AC分别首次达到阈值。然后，在下一个时间段，它们返回到初始聚类阶段并重新聚类。其中FSC和WCA的簇维护时间更长，而更长的簇维护阶段将节省计算开销。此外，虽然FSC和WCA都保持簇结构100秒，但FSC的平均集群吞吐量明显高于WCA。
综上所述，本发明实施例所提出的无人集群自适应组网方法实质上是一种裂变谱聚类的无人集群的分簇方法，与传统分簇方法相比，它提高了无人网络分簇后的通信性能。本发明实施例将节点和边的时间序列属性建模为链路有效值，然后通过网络的链路有效值，执行谱聚类对无人集群进行切图，使得子图中的边权重最大，子图之间的边权重最小，每个子图对应一个无人机网络的簇。接下来再检查每个簇，如果簇无人节点超出最大数目限制或者簇中无法选择出簇头，则进一步分裂该簇，直到每个子簇满足条件。除此之外，本发明实施例还提出了一种按需的簇维护机制，通过考虑每个时隙中簇的大小和结构来决定这个簇是否需要分裂，从而大大减少了计算开销。
实施例二
本发明实施例还提供了一种无人集群自适应组网装置，该无人集群自适应组网装置主要用于执行上述实施例一所提供的无人集群自适应组网方法，以下对本发明实施例提供的无人集群自适应组网装置做具体介绍。
图6是本发明实施例提供的一种无人集群自适应组网装置的功能模块图，如图6所示，该装置主要包括：获取模块10，构建模块20，第一谱聚类模块30，第一确定模块40，第二确定模块50，其中：
获取模块10，用于获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值；其中，链路有效值用于表征当前时隙内两无人节点之间的通信性能。
构建模块20，用于基于信噪比、预设信噪比限值和链路有效值，构建当前时隙下无人集群对应的图结构。
第一谱聚类模块30，用于利用裂变谱聚类算法对图结构进行谱聚类处理，得到多个子图；其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。
第一确定模块40，用于基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头；其中，目标子图表示多个子图中的任一子图。
第二确定模块50，用于基于所有子图和每个子图的簇头确定无人集群在当前时隙的组网策略。
本发明实施例提供了一种无人集群自适应组网装置，该装置首先根据无人节点之间信噪比和链路有效值构建出当前时隙下无人集群对应的图结构，然后利用裂变谱聚类算法对上述图结构进行谱聚类处理，得到多个子图，其中，裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于预设信噪比限值的目标无人节点。裂变谱聚类算法的聚类条件能够确保分簇结果中保留高性能通信链路，同时确保簇结构的合理性、稳定性及其通信能力。因此，该方法能够有效地缓解现有的无人集群聚类算法存在的无法保障分簇后的无人集群通信性能的技术问题。
可选地，获取模块10包括：
获取单元，用于获取第一无人节点和第二无人节点在当前时隙的第一距离、在上一时隙的第二距离、第一无人节点在当前时隙的第一速度矢量和第二无人节点在当前时隙的第二速度矢量；其中，第一无人节点和第二无人节点为无人集群中的任意两个无人节点。
第一计算单元，用于基于第一距离计算当前时隙下第一无人节点和第二无人节点之间的信噪比。
第二计算单元，用于基于信噪比计算当前时隙下第一无人节点和第二无人节点之间的传输速率。
确定单元，用于基于第一距离、第二距离、第一速度矢量和第二速度矢量，确定当前时隙下第一无人节点和第二无人节点的连接时长。
第三计算单元，用于基于第一距离、传输速率和连接时长，计算当前时隙下第一无人节点和第二无人节点之间的链路有效值。
可选地，确定单元具体用于：
基于第一距离、第一速度矢量和第二速度矢量计算当前时隙下第一无人节点和第二无人节点的相对速度。
基于第一距离和第二距离，计算第一无人节点和第二无人节点在当前时隙和上一时隙的相对位置差。
在确定相对位置差非0的情况下，基于预设通信距离限值、第一距离和相对速度，计算当前时隙下第一无人节点和第二无人节点的计划连接时长。
在确定计划连接时长大于预设单时隙时长的情况下，调整计划连接时长为预设单时隙时长。
可选地，第三计算单元具体用于：
基于连接时长和预设单时隙时长，计算当前时隙下第一无人节点和第二无人节点之间的连接稳定性因子。
基于第一距离、预设通信距离限值、无人节点对外发送1比特数据时发射机消耗的第一能量和放大器消耗的第二能量，计算当前时隙下第一无人节点和第二无人节点之间的成本因子。
基于连接稳定性因子和成本因子确定当前时隙下第一无人节点和第二无人节点之间的有效因子。
基于有效因子和传输速率确定当前时隙下第一无人节点和第二无人节点之间的链路有效值。
可选地，第一谱聚类模块30具体用于：
基于无人集群中无人节点的总数和预设阈值确定初始分簇数。
基于初始分簇数对图结构进行谱聚类处理，得到多个子图。
重复执行下述步骤，直至所有子图满足聚类条件：
判断目标子图中无人节点的数量是否大于预设阈值；其中，目标子图表示多个子图中的任一子图。
若是，则基于目标子图中无人节点的数量和预设阈值对目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
若否，则判断目标子图中是否存在目标无人节点。
若不存在，则以分簇数2为目标对目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
可选地，第一确定模块40具体用于：
计算目标子图中指定无人节点与剩余无人节点之间的链路有效值的累加和；其中，指定无人节点表示目标无人节点中的任一个无人节点。
将累加和最大的结果对应的指定无人节点作为目标子图中所有无人节点的簇头。
可选地，该装置还包括：
调整和更新模块，用于在确定目标簇成员在下一时隙移出其原始簇头的覆盖区域的情况下，调整目标簇成员所属的簇头编号，并更新每个子图；其中，目标簇成员表示所有子图中的任一簇成员。
第二谱聚类模块，用于基于裂变谱聚类算法对不满足聚类条件的子图进行谱聚类处理，直至所有子图均满足聚类条件，并更新无人集群在下一时隙的组网策略。
计算模块，用于计算当前时隙的组网策略下，无人集群的第一平均集群吞吐量，以及，计算无人集群在下一时隙的组网策略下，无人集群的第二平均集群吞吐量。
更新模块，用于在确定第二平均集群吞吐量低于第一平均集群吞吐量的一半的情况下，更新下一时隙下无人集群对应的图结构，并对更新后的图结构进行谱聚类处理，以基于谱聚类处理结果更新无人集群在下一时隙的组网策略。
实施例三
参见图7，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA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7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。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60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60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60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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发明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。结合本发明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61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种无人集群自适应组网方法与装置的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种无人集群自适应组网方法，其特征在于，包括：
获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值；其中，所述链路有效值用于表征当前时隙内两无人节点之间的通信性能；
基于所述信噪比、预设信噪比限值和所述链路有效值，构建当前时隙下所述无人集群对应的图结构；
利用裂变谱聚类算法对所述图结构进行谱聚类处理，得到多个子图；其中，所述裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于所述预设信噪比限值的目标无人节点；
基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头；其中，所述目标子图表示所述多个子图中的任一子图；
基于所有子图和每个子图的簇头确定所述无人集群在所述当前时隙的组网策略。
2.根据权利要求1所述的无人集群自适应组网方法，其特征在于，获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值，包括：
获取第一无人节点和第二无人节点在当前时隙的第一距离、在上一时隙的第二距离、所述第一无人节点在当前时隙的第一速度矢量和所述第二无人节点在当前时隙的第二速度矢量；其中，所述第一无人节点和所述第二无人节点为所述无人集群中的任意两个无人节点；
基于所述第一距离计算当前时隙下所述第一无人节点和所述第二无人节点之间的信噪比；
基于所述信噪比计算当前时隙下所述第一无人节点和所述第二无人节点之间的传输速率；
基于所述第一距离、所述第二距离、所述第一速度矢量和所述第二速度矢量，确定当前时隙下所述第一无人节点和所述第二无人节点的连接时长；
基于所述第一距离、所述传输速率和所述连接时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值。
3.根据权利要求2所述的无人集群自适应组网方法，其特征在于，基于所述第一距离、所述第二距离、所述第一速度矢量和所述第二速度矢量，确定当前时隙下所述第一无人节点和所述第二无人节点的连接时长，包括：
基于所述第一距离、所述第一速度矢量和所述第二速度矢量计算当前时隙下所述第一无人节点和所述第二无人节点的相对速度；
基于所述第一距离和所述第二距离，计算所述第一无人节点和所述第二无人节点在当前时隙和上一时隙的相对位置差；
在确定所述相对位置差非0的情况下，基于预设通信距离限值、所述第一距离和所述相对速度，计算当前时隙下所述第一无人节点和所述第二无人节点的计划连接时长；
在确定计划连接时长大于预设单时隙时长的情况下，调整所述计划连接时长为所述预设单时隙时长。
4.根据权利要求2所述的无人集群自适应组网方法，其特征在于，基于所述第一距离、所述传输速率和所述连接时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值，包括：
基于所述连接时长和预设单时隙时长，计算当前时隙下所述第一无人节点和所述第二无人节点之间的连接稳定性因子；
基于所述第一距离、预设通信距离限值、无人节点对外发送1比特数据时发射机消耗的第一能量和放大器消耗的第二能量，计算当前时隙下所述第一无人节点和所述第二无人节点之间的成本因子；
基于所述连接稳定性因子和所述成本因子确定当前时隙下所述第一无人节点和所述第二无人节点之间的有效因子；
基于所述有效因子和所述传输速率确定当前时隙下所述第一无人节点和所述第二无人节点之间的链路有效值。
5.根据权利要求1所述的无人集群自适应组网方法，其特征在于，利用裂变谱聚类算法对所述图结构进行谱聚类处理，包括：
基于所述无人集群中无人节点的总数和所述预设阈值确定初始分簇数；
基于所述初始分簇数对所述图结构进行谱聚类处理，得到多个子图；
重复执行下述步骤，直至所有子图满足所述聚类条件：
判断目标子图中无人节点的数量是否大于预设阈值；其中，所述目标子图表示所述多个子图中的任一子图；
若是，则基于所述目标子图中无人节点的数量和所述预设阈值对所述目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图；
若否，则判断所述目标子图中是否存在所述目标无人节点；
若不存在，则以分簇数2为目标对所述目标子图进行谱聚类处理，并基于当前谱聚类处理结果更新子图。
6.根据权利要求1所述的无人集群自适应组网方法，其特征在于，基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头，包括：
计算所述目标子图中指定无人节点与剩余无人节点之间的链路有效值的累加和；其中，所述指定无人节点表示所述目标无人节点中的任一个无人节点；
将累加和最大的结果对应的指定无人节点作为所述目标子图中所有无人节点的簇头。
7.根据权利要求1所述的无人集群自适应组网方法，其特征在于，在基于所有子图和每个子图的簇头信息确定所述无人集群在所述当前时隙的组网策略之后，所述方法还包括：
在确定目标簇成员在下一时隙移出其原始簇头的覆盖区域的情况下，调整所述目标簇成员所属的簇头编号，并更新每个子图；其中，所述目标簇成员表示所有子图中的任一簇成员；
基于所述裂变谱聚类算法对不满足所述聚类条件的子图进行谱聚类处理，直至所有子图均满足所述聚类条件，并更新所述无人集群在下一时隙的组网策略；
计算当前时隙的组网策略下，所述无人集群的第一平均集群吞吐量，以及，计算所述无人集群在下一时隙的组网策略下，所述无人集群的第二平均集群吞吐量；
在确定所述第二平均集群吞吐量低于所述第一平均集群吞吐量的一半的情况下，更新下一时隙下所述无人集群对应的图结构，并对更新后的图结构进行谱聚类处理，以基于谱聚类处理结果更新所述无人集群在下一时隙的组网策略。
8.一种无人集群自适应组网装置，其特征在于，包括：
获取模块，用于获取当前时隙下无人集群中无人节点之间的信噪比和链路有效值；其中，所述链路有效值用于表征当前时隙内两无人节点之间的通信性能；
构建模块，用于基于所述信噪比、预设信噪比限值和所述链路有效值，构建当前时隙下所述无人集群对应的图结构；
第一谱聚类模块，用于利用裂变谱聚类算法对所述图结构进行谱聚类处理，得到多个子图；其中，所述裂变谱聚类算法包括以下聚类条件：每个子图中无人节点的数量小于或等于预设阈值，每个子图中至少存在一个与其他无人节点之间的信噪比均小于所述预设信噪比限值的目标无人节点；
第一确定模块，用于基于无人节点之间的链路有效值在目标子图的目标无人节点中确定簇头；其中，所述目标子图表示所述多个子图中的任一子图；
第二确定模块，用于基于所有子图和每个子图的簇头确定所述无人集群在所述当前时隙的组网策略。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的无人集群自适应组网方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1至7中任一项所述的无人集群自适应组网方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627358.6A CN116367178B (zh) | 2023-05-31 | 2023-05-31 | 无人集群自适应组网方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627358.6A CN116367178B (zh) | 2023-05-31 | 2023-05-31 | 无人集群自适应组网方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116367178A true CN116367178A (zh) | 2023-06-30 |
| CN116367178B CN116367178B (zh) | 2023-07-25 |
Family
ID=86934836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627358.6A Active CN116367178B (zh) | 2023-05-31 | 2023-05-31 | 无人集群自适应组网方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116367178B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103334A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | Distributed estimation with adaptive clustering strategy based on element-wise distance over multitask networks. |
| 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 |
| CN114221687A (zh) * | 2021-11-12 | 2022-03-22 | 国家电网有限公司信息通信分公司 | 无人机空中基站组网方法、装置及电子设备 |
| CN114727356A (zh) * | 2022-05-16 | 2022-07-08 | 北京邮电大学 | 无人集群组网方法、装置和电子设备 |
| CN114885379A (zh) * | 2022-04-29 | 2022-08-09 | 西北核技术研究所 | 一种大规模无人机集群自适应分簇组网方法 |
-
2023
- 2023-05-31 CN CN202310627358.6A patent/CN116367178B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103334A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | Distributed estimation with adaptive clustering strategy based on element-wise distance over multitask networks. |
| 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 |
| CN114221687A (zh) * | 2021-11-12 | 2022-03-22 | 国家电网有限公司信息通信分公司 | 无人机空中基站组网方法、装置及电子设备 |
| CN114885379A (zh) * | 2022-04-29 | 2022-08-09 | 西北核技术研究所 | 一种大规模无人机集群自适应分簇组网方法 |
| CN114727356A (zh) * | 2022-05-16 | 2022-07-08 | 北京邮电大学 | 无人集群组网方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116367178B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Analysis of network coverage optimization based on feedback K-means clustering and artificial fish swarm algorithm | |
| CN112600921B (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
| CN111867139A (zh) | 基于q学习的深度神经网络自适应退避策略实现方法及系统 | |
| CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
| Shanmugam et al. | An energy‐efficient clustering and cross‐layer‐based opportunistic routing protocol (CORP) for wireless sensor network | |
| CN114727356B (zh) | 无人集群组网方法、装置和电子设备 | |
| CN105704031B (zh) | 一种数据传输路径确定方法及装置 | |
| CN111132074A (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
| CN114928611B (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
| Li et al. | Learning-based hierarchical edge caching for cloud-aided heterogeneous networks | |
| Jothiraj et al. | An efficient adaptive threshold‐based dragonfly optimization model for cooperative spectrum sensing in cognitive radio networks | |
| CN116367178B (zh) | 无人集群自适应组网方法与装置 | |
| Baradaran et al. | NEECH: new energy-efficient algorithm based on the best cluster head in wireless sensor networks | |
| 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 | |
| Rani et al. | A hybrid approach for the optimization of quality of service metrics of WSN | |
| CN110661566B (zh) | 一种采用深度图嵌入的无人机集群组网方法与系统 | |
| Li et al. | Deep reinforcement learning based computing offloading for mec-assisted heterogeneous vehicular networks | |
| Yan et al. | Regression-based K nearest neighbours for resource allocation in network slicing | |
| CN115037638B (zh) | 低能耗和高时效性的无人机网络数据采集与传输控制方法 | |
| CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
| CN104200246B (zh) | 分组n叉跟踪树型rfid防碰撞算法 | |
| Allani et al. | Towards better data management/gathering in connected environments | |
| Sheikh et al. | Dynamic Topology Reconstruction on Next Generation WLAN Using Spatial Reuse Gain by DBSCAN Clustering Algorithm | |
| Zhou et al. | Large Language Model (LLM)-enabled In-context Learning for Wireless Network Optimization: A Case Study of Power Control | |
| CN112637926B (zh) | 一种基于随机森林均匀量化特征提取的安全中继选择方法 |
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 |