CN118102414A - 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 - Google Patents
一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 Download PDFInfo
- Publication number
- CN118102414A CN118102414A CN202410486957.5A CN202410486957A CN118102414A CN 118102414 A CN118102414 A CN 118102414A CN 202410486957 A CN202410486957 A CN 202410486957A CN 118102414 A CN118102414 A CN 118102414A
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering
- unmanned aerial
- aerial vehicle
- node
- 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
- 241000272201 Columbiformes Species 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 title claims abstract description 27
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 51
- 238000004891 communication Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000011273 social behavior Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 11
- 230000004083 survival effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 244000144992 flock Species 0.000 claims 2
- 238000010276 construction Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于谱聚类‑离散鸽群算法的无人机集群分簇方法,包括如下步骤:建立协同自组网稳定分簇模型,确定模型约束条件和优化目标;采用谱聚类实现无人机节点分组;基于节点分组结果,初始化多个待评估簇首选择方案;设置适应度函数评价方法,实现簇首选择方案与分簇方案的唯一对应,量化分簇性能;基于离散鸽群算法对簇首选择方案进行迭代优化;提取、输出迭代优化后的分簇方案。本发明得到的分簇策略考虑了无人机机间协同行为对分簇性能要求,能够降低簇首通信负载,同时能够提高分簇策略求解速度和效率。
Description
技术领域
本发明涉及无人机集群组网控制领域,具体涉及一种基于谱聚类-离散鸽群算法的无人机集群分簇方法。
背景技术
随着无人机技术的发展,无人机已成为现代战争中不可或缺的组成部分,其在成本效益、操作灵活性、快速部署和隐蔽性方面具有明显的优势。尤其是在军事侦查、电子对抗、情报搜集和战场监控等领域,无人机的应用已显著改变了战争的面貌。在这一背景下,无人机集群的应用前景尤为广泛,因为相比单个无人机,无人机集群在容错性、任务性能、以及多样化作战能力方面具有显著优势。
虽然无人机集群作战能够有效提高我方力量打击效能,但是大规模无人机集群作战对网络通信性能提出了较高要求,现有大规模无人机集群作战任务背景下,分簇是一种适用性较好的组网方式,由于如下几个难点,分簇组网依然存在较大挑战:首先,机间协同关系复杂。分簇是为无人机集群提供较好的通信架构,复杂机间关系增加分簇决策难度。其次,簇首通信负担重。在分簇架构下,簇首负责信息传输、数据聚合以及簇间通信,容易成为通信瓶颈。最后,分簇策略求解空间大。大规模无人机集群将带来大求解空间问题,难以高效求解。
发明内容
针对无人机集群分簇面临的上述难点,本发明提出一种基于谱聚类-离散鸽群算法的无人机集群分簇方法,通过谱聚类-离散鸽群算法,结合该问题结构特征,克服该问题面临的机间协同关系复杂、簇首通信负担重、分簇策略求解空间大难点。
实现本发明目的的技术方案为:一种基于谱聚类-离散鸽群算法的无人机集群分簇方法,包括如下步骤:
步骤1:获取无人机集群总数量,各作战任务下无人机通信资源、通信需求;
步骤2:建立考虑机间协同行为的自组网稳定分簇模型,确定分簇约束条件,构建优化目标函数;
步骤3:采用谱聚类对无人机集群节点进行分组,为鸽群算法初始化提供决策依据;
步骤4:基于节点分组结果,初始化多个待评估簇首选择方案;
步骤5:设置适应度函数评价方法,实现簇首选择方案与分簇方案的唯一对应,量化分簇性能;
步骤6:基于离散鸽群算法,对簇首选择方案进行迭代优化;
步骤7:提取、输出最优分簇方案。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的基于谱聚类-离散鸽群算法的无人机集群分簇方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的基于谱聚类-离散鸽群算法的无人机集群分簇方法。
本发明由于采用以上技术方案,能够取得如下的技术效果:本发明建立的协同自组网稳定分簇模型能够有效表征无人机集群机间协同行为,同时考虑了簇首负载对分簇成本的影响,从而能够有效实现通信需求与分簇能力映射。基于上述模型,提出了基于谱聚类-离散鸽群算法的分簇算法,能够有效规范簇首选择方案的初始化,解决决策空间过大问题,提高求解效率。
附图说明
图1是本发明的无人机集群分簇方法原理框图。
图2是经过分簇调度之后的网络分簇示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详述。
如图1所示,本发明主要包括:初始化模快、协同自组网稳定分簇模型构建模块、约束条件构建模块、优化目标函数构建模块、无人机集群节点分组模块、簇首选择方案初始化模块、适应度函数设置模块、簇首选择方案迭代优化模块,最优分簇方案提取输出模块。结合流程图说明具体实现步骤为:
步骤1:初始化。通过操作人员输入无人机集群,作战任务集合/>。其中,/>表示第/>架无人机,/>代表第架无人机;/>,/>用于定义作战任务下各无人机最大通信计算资源集合,/>表示无人机/>当前最大通信计算资源,/>,表示无人机/>与另一架无人机/>之间的单位时间通信需求。
步骤2:协同自组网稳定分簇子模型构建。
定义无人机集群分簇架构为:用元组表示节点是否是簇首,表示第/>个节点是否为簇首,用/>表示簇首集合,则对于/>,若/>,则/>;用/>表示簇首簇员对应关系,/>表示簇首/>的簇员集合,对于/>,若,则/>,即/>是簇首/>的簇员;为保证一个无人机节点只能是簇首或簇员,因此满足/>;为保证一个簇员只能属于一个簇,因此满足/>;在此基础上,描述整个网络架构为/>,其中,/>表示由无人机/>作为簇首的簇‘’后续使用/>作下角标时,表示任意无人机/>,/>作下角标时,表示任意簇首无人机/>,/>作下角标时,表示任意簇员无人机/>;
计算节点间链路生存概率,如下方程所示:
(1)
其中,表述节点/>按照当前运动方向,离开节点/>通信范围需要的距离,表示时间阈值,/>表示节点/>相对节点/>的移动速度。
计算簇内链路生存概率的平均值,如下方程所示:
(2)
(3)
其中,公式(3)用于说明公式(2)中单个簇簇内链路生存概率的计算方程,公式(3)中的/>表示簇员节点/>和另一个簇员节点/>之间的链路生存概率, 表示簇首节点/>与簇员节点/>之间的链路生存概率。
计算簇间链路生存概率的平均值,如下方程所示:
(4)
计算簇内通信需求的平均值,如下方程所示:
(5)
(6)
其中,公式(6)用于说明公式(5)中以为簇首的簇,其簇内通信需求/>的计算方程。
计算簇间通信需求的平均值,如下方程所示:
(7)
(8)
其中,公式(8)用于说明公式(7)中簇间通信需求的计算方程。
计算簇首平均处理能力,如下方程所示:
(9)
步骤3:分簇模型约束条件构建。分簇子模型满足约束条件:
(10)
(11)
其中,公式(10)表示簇首与对应簇员在各自通信范围内,公式(11)表示一个簇首的簇员数量不能超过预留的连接上限,公式(10)中表示对应节点的最大通信距离,公式(11)中的/>表示簇首节点的最大链路数量,/>表示预留的簇间链路数量;
步骤4:优化目标函数构建。如下优化目标方程所示:
(12)
其中,函数计算网络架构/>的性能,/>、/>、/>、/>为常数,四者都大于0,且四者之和等于1。
步骤5:无人机集群分组。
计算聚类的数量,如下方程所示:
(13)
其中,表示网络中无人机的平均连接上限,/>表示各无人机连接上限,/>是一个常数,表示各无人机预留的簇间通信链路,/>表示向上取整;
计算相似度矩阵,如下方程所示:
(14)
其中,,/>为加权系数,两者都大于0,且两者之和等于1。
计算度矩阵,如下方程所示:
(15)
计算拉普拉斯矩阵,如下方程所示:
(16)
计算新的特征空间,如下方程所示:
(17)
其中,表示特征值,/>表示特征向量,选择最小的/>个非零特征值对应的特征向量,按列排列形成特征空间/>。
使用经典K means算法对无人机节点根据特征空间进行聚类,分组结果保存在中,/>,其中/>表示第/>组无人机节点集合,满足/>,/>,即所有节点都在/>中,且只属于其中一个。
步骤6:簇首选择方案初始化。初始化鸽群,整个种群大小为,单个鸽子表述为一种簇首选择方案,即/>,/>,结合谱聚类的节点分组结果/>,初始化种群,满足/>,即每个/>存在且仅存在一个节点被选为簇首。初始化地图指南针算子以及地标算子的最大迭代次数分别为/>、,满足/>。初始化各鸽子对应的速度为/>,其中/>,其值符合0到1的均匀分布,即/>。
步骤7:适应度函数设置。
设置如下簇员簇首映射关系为/>,其中/>为给定簇首选择关系/>后,对应的簇首簇员对应关系;:
首先,对每个簇首选择方案,初次分配所有簇员节点,如下方程所示:
(18)
其中,表示对应节点的最大通信距离;
其次,根据连接上限,对簇员数量超出限制的簇,将与簇首相似度最低的簇员移出该簇,如下方程所示:
(19)
移出后的节点记录在集合中,/>,循环运行公式(19),直至满足/>;
最后,保证对于,其通信范围内的所有簇首的簇员数量都到达上限,如下方程所示:
(20)
(21)
依次循环公式(20)、(21),直至满足。
设置簇首调整方法,其中,/>为调整后的簇首簇员对应关系。使每个簇首选择方案对应的/>,能够满足/>,如下方程所示:
(22)
当调整后的对应的/>仍不能满足/>时,依次调用公式(22)、,直至满足/>。
设置簇首选择方案与分簇方案的映射关系:调用、/>,对种群进行调整,对调整完后的种群,重新调用,实现簇首选择方案/>与/>的唯一映射;
设置适应度函数,如下方程所示:
(23)
步骤8:簇首选择方案迭代优化。
记录所有迭代过程中,适应度值最高的簇首选择方案为;
建立地图指南针算子,如下方程所示:
(24)
其中,,公式(24)表示当/>与/>的元素值不同时,如果/>的速度大于随机数/>,则对/>进行更新。
建立地标算子,如下方程所示:
(25)
(26)
其中,公式(25)为地标算子计算方式,为中心鸽子/>的元素,其计算方式见公式(26),公式(24)中,/>表示该节点为簇首时在整个种群中的适应度值,/>表示该节点为簇员时在整个种群中的适应度值,表示示性函数。
当迭代次数时,重复如下过程:调用/>,实现簇首选择方案/>与/>的唯一映射;调用适应度函数计算每种簇首选择方案的适应度值;计算并更新/>,根据当前/>,使用地图指南针算子,对鸽群进行更新。
当迭代次数时,重复如下过程:调用/>,实现簇首选择方案/>与/>的唯一映射;调用适应度函数计算每种簇首选择方案的适应度值;计算并更新/>,根据当前/>,使用地标算子,对鸽群进行更新。记录迭代完成后适应度值最高的簇首选择方案/>为最优分簇方案。
步骤9:最优分簇方案提取输出。将步骤8最后记录的,使用,找到对应的/>,作为最优分簇方案提取、输出。
本发明的实验结果如图2所示。其中,硬件环境为:中央处理器(CPU),型号为IntelCore i7-12700H,主频为2.30 GHz,内存24G,一共对30个无人机节点进行组网。图2展示了组网结果。
其中,图2展示了分簇结果,圆点表示簇员节点,五角星表示簇首节点。从图2可以看出,分簇后,根据加权后的分簇评价指标可知,得到的分簇关系综合评价指标最优。
本发明的分簇模型能够有效表征无人机集群机间协同行为,解决簇首负载重的难点,在模型求解时,通过提出的谱聚类-离散鸽群算法,能够结合问题特征解决求解空间过大问题,提高模型求解速度。
本发明提供了一种基于谱聚类-离散鸽群算法的无人机集群分簇方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,包括如下步骤:
步骤1,获取无人机集群总数量,各作战任务下无人机通信资源、通信需求;
步骤2,建立考虑机间协同行为的自组网稳定分簇模型,确定分簇约束条件,构建优化目标函数;
步骤3,采用谱聚类对无人机集群节点进行分组,为鸽群算法初始化提供决策依据;
步骤4,基于节点分组结果,初始化多个待评估簇首选择方案;
步骤5,设置适应度函数评价方法,实现簇首选择方案与分簇方案的唯一对应,量化分簇性能;
步骤6,基于离散鸽群算法,对簇首选择方案进行迭代优化;
步骤7,提取、输出最优分簇方案。
2.根据权利要求1所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤1包括:
步骤1-1,无人机集群定义为,其中/>表示第/>架无人机,/>代表第/>架无人机;
步骤1-2,各类作战任务定义为,其中,/>用于定义作战任务下各无人机最大通信计算资源集合,/>表示无人机/>当前最大通信计算资源,/>,/>表示无人机/>与另一架无人机/>之间的单位时间通信需求。
3.根据权利要求2所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤2包括:
步骤2-1,定义无人机集群分簇架构,如下所示:
用元组表示节点是否是簇首,/>表示第/>个节点是否为簇首,用表示簇首集合,则对于/>,若/>,则/>;用/>表示簇首簇员对应关系,/>表示簇首/>的簇员集合,对于/>,若/>,则/>,即/>是簇首的簇员;为保证一个无人机节点只能是簇首或簇员,因此满足/>;为保证一个簇员只能属于一个簇,因此满足/>;在此基础上,描述整个网络架构/>为,其中,/>表示由无人机/>作为簇首的簇;后续使用/>作下角标时,表示任意无人机/>,/>作下角标时,表示任意簇首无人机/>,/>作下角标时,表示任意簇员无人机/>;
步骤2-2,计算节点间链路生存概率,如下方程所示:
(1)
其中,表述节点/>按照当前运动方向,离开节点/>通信范围需要的距离,/>表示时间阈值,/>表示节点/>相对节点/>的移动速度;
步骤2-3,计算簇内链路生存概率的平均值,如下方程所示:
(2)
(3)
其中,公式(3)用于说明公式(2)中单个簇簇内链路生存概率的计算方程;表示簇员节点/>和另一个簇员节点/>之间的链路生存概率,/> 表示簇首节点与簇员节点/>之间的链路生存概率;
步骤2-4,计算簇间链路生存概率的平均值,如下方程所示:
(4)
步骤2-5,计算簇内通信需求的平均值,如下方程所示:
(5)
(6)
其中,公式(6)用于说明公式(5)中以为簇首的簇,其簇内通信需求/>的计算方程;
步骤2-6,计算簇间通信需求的平均值,如下方程所示:
(7)
(8)
其中,公式(8)用于说明公式(7)中簇间通信需求的计算方程;
步骤2-7,计算簇首平均处理能力,如下方程所示:
(9)
步骤2-8,建立如下约束条件:
(10)
(11)
其中,公式(10)表示簇首与对应簇员在各自通信范围内,公式(11)表示一个簇首的簇员数量不能超过预留的连接上限,公式(10)中表示对应节点的最大通信距离,公式(11)中的/>表示簇首节点的最大链路数量,/>表示预留的簇间链路数量;
步骤2-9,建立如下优化目标方程:
(12)
其中,函数计算网络架构/>的性能,/>、/>、/>、/>为常数,四者都大于0,且四者之和等于1。
4.根据权利要求3所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤3包括:
步骤3-1,计算聚类的数量,如下方程所示:
(13)
其中,表示网络中无人机的平均连接上限,/>表示各无人机连接上限,/>是一个常数,表示各无人机预留的簇间通信链路,/>表示向上取整;
步骤3-2,计算相似度矩阵,如下方程所示:
(14)
其中,,/>为加权系数,两者都大于0,且两者之和等于1;
步骤3-3,计算度矩阵,如下方程所示:
(15)
步骤3-4,计算拉普拉斯矩阵,如下方程所示:
(16)
步骤3-5,计算新的特征空间,如下方程所示:
(17)
其中,表示特征值,/>表示特征向量,选择最小的/>个非零特征值对应的特征向量,按列排列形成特征空间/>;
步骤3-6,使用经典K means算法对无人机节点根据特征空间进行聚类,分组结果保存在/>中,/>,其中/>表示第/>组无人机节点集合,/>满足/>,/>,即所有节点都在/>中,且只属于其中一个/>。
5.根据权利要求4所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤4包括:
步骤4-1,初始化鸽群,整个种群大小为,单个鸽子表述为一种簇首选择方案,即,/>,结合谱聚类的节点分组结果/>,初始化种群,满足/>,即每个/>存在且仅存在一个节点被选为簇首;
步骤4-2,初始化地图指南针算子以及地标算子的最大迭代次数分别为、/>,满足/>;
步骤4-3,初始化各鸽子对应的速度为,其中,其值符合0到1的均匀分布,即/>。
6.根据权利要求5所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤5包括:
步骤5-1,对每个簇首选择方案,初次分配所有簇员节点,如下方程所示:
(18)
其中,表示对应节点的最大通信距离;
步骤5-2,根据连接上限,对簇员数量超出限制的簇,将与簇首相似度最低的簇员移出该簇,如下方程所示:
(19)
移出后的节点记录在集合中,/>,循环运行公式(19),直至满足/>;
步骤5-3: 保证对于,其通信范围内的所有簇首的簇员数量都到达上限,如下方程所示:
(20)
(21)
依次循环公式(20)、(21),直至满足;
步骤5-4,通过步骤5-1到5-3,建立簇员簇首映射关系为/>,其中为给定簇首选择关系/>后,对应的簇首簇员对应关系;
步骤5-5,建立簇首调整方法为/>,其中,/>为调整后的簇首簇员对应关系;使每个簇首选择方案对应的/>,能够满足/>,如下方程所示:
(22)
当调整后的对应的/>仍不能满足/>时,依次调用公式(22)、,直至满足/>;
步骤5-6,建立簇首选择方案与分簇方案的映射关系:调用步骤5-4中的/>、步骤5-5当中的/>,对种群进行调整,对调整完后的种群,重新调用/>,实现簇首选择方案/>与/>的唯一映射;
步骤5-7,调用步骤5-6中的,实现/>与/>的唯一对应,结合公式(12)建立适应度函数,如下方程所示:
(23)。
7.根据权利要求6所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,步骤6包括:
步骤6-1,记录所有迭代过程中,适应度值最高的簇首选择方案为;
步骤6-2,建立地图指南针算子,如下方程所示:
(24)
其中,,公式(24)表示当/>与/>的元素值不同时,如果/>的速度/>大于随机数/>,则对/>进行更新;
步骤6-3,建立地标算子,如下方程所示:
(25)
(26)
其中,公式(25)为地标算子计算方式,为中心鸽子/>的元素,其计算方式见公式(26),公式(24)中,/>表示该节点为簇首时在整个种群中的适应度值,/>表示该节点为簇员时在整个种群中的适应度值,/>表示示性函数;
步骤6-4,当迭代次数时,重复如下过程:调用步骤5-6中的,实现簇首选择方案/>与/>的唯一映射;调用步骤5-7中的适应度函数计算每种簇首选择方案的适应度值;计算并更新/>,根据当前/>,使用步骤6-2中的地图指南针算子,对鸽群进行更新;
步骤6-5,当迭代次数时,重复如下过程:调用步骤5-6中的,实现簇首选择方案/>与/>的唯一映射;调用步骤5-7中的适应度函数计算每种簇首选择方案的适应度值;计算并更新/>,根据当前/>,使用步骤6-3中的地标算子,对鸽群进行更新;
步骤6-6,记录迭代完成后适应度值最高的簇首选择方案为最优分簇方案。
8.根据权利要求7所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法,其特征在于,将步骤6-6中记录的,使用/>,找到对应的/>,作为最优分簇方案提取、输出。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-8中任一所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的基于谱聚类-离散鸽群算法的无人机集群分簇方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410486957.5A CN118102414B (zh) | 2024-04-23 | 2024-04-23 | 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410486957.5A CN118102414B (zh) | 2024-04-23 | 2024-04-23 | 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118102414A true CN118102414A (zh) | 2024-05-28 |
CN118102414B CN118102414B (zh) | 2024-07-09 |
Family
ID=91150435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410486957.5A Active CN118102414B (zh) | 2024-04-23 | 2024-04-23 | 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118102414B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109819495A (zh) * | 2019-03-15 | 2019-05-28 | 北京科技大学 | 一种集群无人机自组网分簇方法 |
CN110062421A (zh) * | 2019-04-08 | 2019-07-26 | 东南大学 | 用于雾无线接入网中的鸽群优化算法及基于该算法的协作缓存方法 |
WO2020056125A1 (en) * | 2018-09-14 | 2020-03-19 | Human Automation Teaming Solutions, Inc. | Coordination of remote vehicles using automation level assignments |
US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN112269396A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学 | 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法 |
CN112666981A (zh) * | 2021-01-04 | 2021-04-16 | 北京航空航天大学 | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 |
CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
US20220256431A1 (en) * | 2021-02-07 | 2022-08-11 | Sun Yat-Sen University | Wsn clustering routing method based on optimization with salp swarm algorithm |
CN114897215A (zh) * | 2022-04-06 | 2022-08-12 | 北京航空航天大学 | 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 |
CN116634504A (zh) * | 2023-05-11 | 2023-08-22 | 南京理工大学 | 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 |
-
2024
- 2024-04-23 CN CN202410486957.5A patent/CN118102414B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
WO2020056125A1 (en) * | 2018-09-14 | 2020-03-19 | Human Automation Teaming Solutions, Inc. | Coordination of remote vehicles using automation level assignments |
CN109819495A (zh) * | 2019-03-15 | 2019-05-28 | 北京科技大学 | 一种集群无人机自组网分簇方法 |
CN110062421A (zh) * | 2019-04-08 | 2019-07-26 | 东南大学 | 用于雾无线接入网中的鸽群优化算法及基于该算法的协作缓存方法 |
CN112269396A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学 | 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法 |
CN112666981A (zh) * | 2021-01-04 | 2021-04-16 | 北京航空航天大学 | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 |
US20220256431A1 (en) * | 2021-02-07 | 2022-08-11 | Sun Yat-Sen University | Wsn clustering routing method based on optimization with salp swarm algorithm |
CN114020031A (zh) * | 2021-11-16 | 2022-02-08 | 南京航空航天大学 | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 |
CN114897215A (zh) * | 2022-04-06 | 2022-08-12 | 北京航空航天大学 | 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 |
CN116634504A (zh) * | 2023-05-11 | 2023-08-22 | 南京理工大学 | 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 |
Non-Patent Citations (2)
Title |
---|
JIANGPENG MAO: "A SDN-based Dynamic Routing for Multi-UAV Network based on Bidirectional A-star Algorithm", PROCEEDINGS OF THE 42ND CHINESE CONTROL CONFERENCE, 26 July 2023 (2023-07-26) * |
RUNZHOU CHEN,: "Network topology and bandwidth optimization for communication enhancement of multi-UAV system", 2023 38TH YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION, 31 December 2023 (2023-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN118102414B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632831B (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN112598150B (zh) | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
CN111314123A (zh) | 一种面向时延和能耗的电力物联网工作负载分配方法 | |
Sha et al. | DRL-based task offloading and resource allocation in multi-UAV-MEC network with SDN | |
CN112926825A (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
US20220286366A1 (en) | Method and apparatus for graph neural network based virtual network management | |
Hu et al. | Dynamic task offloading in MEC-enabled IoT networks: A hybrid DDPG-D3QN approach | |
Ye et al. | Balanced multi-access edge computing offloading strategy in the Internet of things scenario | |
CN118102414B (zh) | 一种基于谱聚类-离散鸽群算法的无人机集群分簇方法 | |
Jiang et al. | MARS: A DRL-based Multi-task Resource Scheduling Framework for UAV with IRS-assisted Mobile Edge Computing System | |
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 | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
CN117156450A (zh) | 一种基于改进人工蜂鸟算法的移动边缘计算任务卸载方法 | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN116595864A (zh) | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 | |
CN113703482B (zh) | 大型无人机群中基于简化注意力网络的任务规划方法 | |
Basu | Improved particle swarm optimization for global optimization of unimodal and multimodal functions | |
Su et al. | Using grasshopper optimization algorithm to solve 0-1 knapsack computation resources allocation problem in mobile edge computing | |
Tang et al. | Using improved glowworm swarm optimization algorithm for clustering analysis | |
CN117590757B (zh) | 基于高斯分布海鸥优化算法的多无人机协同任务分配方法 | |
Yang et al. | Multi-uav maritime search and rescue with dnn inference acceleration | |
Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching | |
Zhou et al. | AMPSO: Artificial multi-swarm particle swarm optimization |
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 |