CN117915348A - 一种飞行器集群通信网络生成方法 - Google Patents
一种飞行器集群通信网络生成方法 Download PDFInfo
- Publication number
- CN117915348A CN117915348A CN202410310970.5A CN202410310970A CN117915348A CN 117915348 A CN117915348 A CN 117915348A CN 202410310970 A CN202410310970 A CN 202410310970A CN 117915348 A CN117915348 A CN 117915348A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- communication network
- node
- generating
- cluster communication
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 238000000342 Monte Carlo simulation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及通信网络生成技术领域,公开了一种飞行器集群通信网络生成方法,包括以下步骤:S1,采用BAT算法生成飞行器集群通信网络;S2,对飞行器集群通信网络中的随机变量进行仿真,估计出模拟变量。本发明解决了现有技术存在的可靠性低等问题。
Description
技术领域
本发明涉及通信网络生成技术领域,具体是一种飞行器集群通信网络生成方法。
背景技术
蒙特卡洛可以用以解决任何具有不确定现象的一种预测方法,可通过“试验”的方式,将指定目标进行多次数据模拟,得到多组实验数据,从而对问题进行准确性求解分析的一种模拟方式。因此该算法具备将不确定性进行确定化,显式地解决不确定性概率性问题的能力。蒙特卡洛算法解决复杂不确定性的问题的优秀能力,随着计算机技术的快速发展,也在各个领域得到了快速发展。在集群通信网络生成领域,蒙特卡洛算法可以针对节点运动过程中面临的环境不确定进行模拟仿真,赋予网络一定的可靠性。
在移动通信网络生成技术中,飞行器通过与通信范围内的其他飞行器建立通信链路,建立集群飞行器通信网络,实现无人机之间的分布通信,取代传统的地面基站对无人机的集中式控制通信,提高了移动通信网络的自主性和灵活性。移动通信网络会显著影响无人机集群协同编队控制收敛到一致状态的速度和精度,因此,有必要对移动通信网络的生成技术进行研究。
空中移动通信技术由于其灵活性和可控制的移动性得到大量研究,同时,空中网络节点可以在不同的环境中进行调度,这使得它们可以在地面网络无法在通信网络节点之间传递数据包的情况下成为替代网络。
在过去一段时间内,学者们提出了许多重要的方法,经典的移动通信网络生成技术主要分为基于边的生成规则,基于位置的生成规则以及二者混合的规则。基于边的生成规则通常是通过控制节点关联边的数目实现,如全连通规则。而基于位置的生成规则,其基本原理为通过判断邻节点是否位于本节点周围特定的区域来建立拓扑。相较于基于边的网络生成规则,基于位置的网络生成更加符合实际。但这些生成算法仅在节点移动较慢的特定环境中进行部署,未考虑环境中的不确定因素。随着计算机的快速发展,将新型算法应用于空中移动通信网络生成技术在未来也将成为一种趋势。在移动通信网络生成过程中,需要考虑节点移动性以及移动过程中存在的不确定因素等问题。在这些限制中,高速飞行器的高动态运动会严重影响通信网络生成技术。因此,有必要开发一种高可靠性通信网络生成方案,保证将节点移动过程中的不确定因素转变为确定性因素。
当前,存在多种形式的基于位置的网络生成算法,在此类算法中,各个节点可以使用GPS定位服务获取所有任务节点的位置信息,生成符合当前位置的通信网络。基于位置的网络生成算法,未考虑节点移动过程中的环境不确定因素,因此设计的通信网络可靠性低。
现有的高速飞行器集群通信网络生成方法均未对运动过程中的环境不确定性因素进行分析,但是,这些不确定因素对长期运行的飞行器造成的影响不可忽视。因此,为了对环境中的不确定性问题进行确定性评估预测,亟需发展一种考虑环境不确定性的高速飞行器集群通信网络生成方法。
发明内容
为克服现有技术的不足,本发明提供了一种飞行器集群通信网络生成方法,解决现有技术存在的可靠性低等问题。
本发明解决上述问题所采用的技术方案是:
一种飞行器集群通信网络生成方法,包括以下步骤:
S1,采用BAT算法生成飞行器集群通信网络;
S2,对飞行器集群通信网络中的随机变量进行仿真,估计出模拟变量。
作为一种优选的技术方案,BAT算法为:
若,则/>不满足BAT条件,然后将节点/>视为可通信的节点;
若,则/>满足BAT条件,然后将节点/>视为不可通信的节点;
其中,表示节点,/>、/>表示随机的两个飞行器,/>表示设定的角度,/>表示飞行器/>至节点/>的连线与飞行器/>至节点/>的连线之间的夹角。
作为一种优选的技术方案,。
作为一种优选的技术方案,BAT算法的最大顶点度上界为:
;
其中,表示二维情况下的BAT算法的最大顶点度上界。
作为一种优选的技术方案,BAT算法的最大顶点度上界为:
;
其中,表示二维情况下的BAT算法的最大顶点度上界。
作为一种优选的技术方案,飞行器之间的通信链路为双向链路。
作为一种优选的技术方案,步骤S2中,通过蒙特卡洛算法对飞行器集群通信网络中的随机变量进行仿真。
作为一种优选的技术方案,步骤S2中,通过蒙特卡洛算法对影响飞行器轨迹的参数进行模拟仿真处理,赋予轨迹波动性,以概率分布的形式将运行轨迹的不确定性表现出来。
作为一种优选的技术方案,步骤S2包括以下步骤:
S21,构造带环境扰动的动力学方程,运行设定步数;
S22,定义环境扰动;
S23,通过模拟生成多个飞行器集群通信网络;
S24,对步骤S23中的多个飞行器集群通信网络的环境扰动求取均值,将不确定性状态转换为确定性状态进行分析计算。
作为一种优选的技术方案,步骤S22中,定义环境扰动为正态分布扰动。
本发明相比于现有技术,具有以下有益效果:
本发明通过将蒙特卡洛仿真与基于位置的通信网络生成技术进行结合,将环境中的不确定性因素进行确定性分析;相较于传统的算法,本算法考虑了环境中的不确定因素,通过多次仿真运算,将不确定因素转变为确定因素进行定性分析,可靠性更强。
附图说明
图1为二维情况下BAT算法示意图之一(一个节点满足BAT条件);
图2为二维情况下BAT算法示意图之二(多个节点满足BAT条件);
图3为BAT算法代码示意图。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1至图3所示,本发明通过将蒙特卡洛仿真与基于位置的通信网络生成技术进行结合,将环境中的不确定性因素进行确定性分析。相较于传统的算法,本算法考虑了环境中的不确定因素,通过多次仿真运算,将不确定因素转变为确定因素进行定性分析,可靠性更强。
本发明提出一种基于蒙特卡洛仿真的高速飞行器集群通信网络生成方法。
(一)通信网络生成阶段
通信网络生成阶段采用Beta-angle test(BAT)算法,该算法在遵循分布式及对称性原则的基础上,更有利于无人机集群协同编队控制,BAT算法原理如图1、图2所示。
图1、图2显示了二维情况下边是否满足BAT条件的情况。图1中节点/>位于区域(即图1中虚线所包络的范围)外,满足/>;节点/>、节点/>位于区域内,满足/>,/>。即节点/>满足BAT条件,将节点/>视为不可通信的节点,节点/>、节点/>不满足BAT条件,将节点/>、节点/>视不可通信的节点。/>表示飞行器/>至节点/>的连线与飞行器/>至节点/>的连线之间的夹角,/>表示飞行器/>至节点/>的连线与飞行器/>至节点/>的连线之间的夹角,/>表示飞行器/>至节点/>的连线与飞行器/>至节点/>的连线之间的夹角。
BAT算法具有如下优势:
a)本质上,BAT机制遵循了分布式以及对称性的原则。因此,随着无人机集群中无人机数目的增加,生成的网络结构具有一定的可扩展性以及鲁棒性。另外,通过将无人机之间的通信链路建模为双向链路,BAT规则的对称性有利于避免由于单向链路导致的隐藏终端等所导致的不必要麻烦。
b)随着通信半径内节点数目增多,全连通机制下每个节点的需要维持的链路数大大增加,相应计算以及通信复杂度也会大大增加。此外,不考虑顶点度上界的算法通常会出现最大顶点度为的问题。而BAT算法机制下,其顶点度存在一个常数顶点度上界,该上界为/>的函数,并且与节点数/>无关,最大顶点度上界如下公式所示:
二维情况下:
三维情况下:
综上,BAT算法具备如下特征:①顶点度上界可控,②可分布式实现,③满足对称性。设计相应如下BAT算法如图3所示。
不难看出,区域随着/>的增大而减小,属于单调调增函数。表明每个节点可建立的边数增加,因而整入网络图中总的边数也增加。一方面,这会导致满足BAT条件的邻节点数目增加,导致通信开销增大因而整个无人机集群更难以收敛至一致状态。另一方面,随着生成的网络拓扑中边数的增加,对应网络图的代数连通度增大,同时来自于邻节点的参考信息增加,使得网络节点收敛至全局一致的速率更快。
(二)蒙特卡洛统计阶段
蒙特卡洛算法是一种统计模拟实验法,通过大量对随机变量进行仿真求取平均值估计出模拟变量。在环境不确定因素分析时,蒙特卡洛仿真通过对影响轨迹的参数进行模拟仿真处理,赋予轨迹一定的波动性,以概率分布的形式将运行轨迹的不确定性表现出来,从而在一定程度上解决不确定性环境因素对轨迹生成的影响。
构建蒙特卡洛算法解决此类问题如下步骤所示:
1.构造带环境扰动的动力学方程,运行100步;
2.定义随机变量,即环境扰动。假设环境扰动为正态分布扰动,均值为0,方差为0.01;
3.通过模拟生成多个移动通信网络(飞行器集群通信网络);
4.统计计算。对3中的飞行器集群通信网络的环境扰动求取均值,将不确定性转换为确定性状态进行分析计算。
本发明将蒙特卡洛仿真与基于位置的移动通信网络生成技术结合起来,创新地将环境中的不确定因素进行确定性分析。
本发明建立蒙特卡洛仿真与基于位置的移动通信网络生成技术方案。
本发明采用蒙特卡洛仿真,可以将不确定性的环境因素进行确定性分析,并且生成可靠性更高的通信网络。
本发明将蒙特卡洛仿真与基于位置的移动通信网络生成技术结合起来,相较于传统基于位置的移动通信网络生成技术,其仿真结果更接近真实情况。
本发明针对高速飞行器的移动通信网络生成技术,可以由其他移动设备通信网络生成技术替代,两者均需要对环境中的不确定性进行分析。
针对本发明的基于位置的移动通信网络生成技术,可以由其他通信网络生成技术替代,也能实现将环境中的不确定因素进行确定性分析的目的。
如上所述,可较好地实现本发明。
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.一种飞行器集群通信网络生成方法,其特征在于,包括以下步骤:
S1,采用BAT算法生成飞行器集群通信网络;
S2,对飞行器集群通信网络中的随机变量进行仿真,估计出模拟变量。
2.根据权利要求1所述的一种飞行器集群通信网络生成方法,其特征在于,BAT算法为:
若,则/>不满足BAT条件,然后将节点/>视为可通信的节点;
若,则/>满足BAT条件,然后将节点/>视为不可通信的节点;
其中,表示节点,/>、/>表示随机的两个飞行器,/>表示设定的角度,/>表示飞行器/>至节点/>的连线与飞行器/>至节点/>的连线之间的夹角。
3.根据权利要求2所述的一种飞行器集群通信网络生成方法,其特征在于,。
4.根据权利要求3所述的一种飞行器集群通信网络生成方法,其特征在于,BAT算法的最大顶点度上界为:
;
其中,表示二维情况下的BAT算法的最大顶点度上界。
5.根据权利要求3所述的一种飞行器集群通信网络生成方法,其特征在于,BAT算法的最大顶点度上界为:
;
其中,表示二维情况下的BAT算法的最大顶点度上界。
6.根据权利要求1所述的一种飞行器集群通信网络生成方法,其特征在于,飞行器之间的通信链路为双向链路。
7.根据权利要求1至6任一项所述的一种飞行器集群通信网络生成方法,其特征在于,步骤S2中,通过蒙特卡洛算法对飞行器集群通信网络中的随机变量进行仿真。
8.根据权利要求7所述的一种飞行器集群通信网络生成方法,其特征在于,步骤S2中,通过蒙特卡洛算法对影响飞行器轨迹的参数进行模拟仿真处理,赋予轨迹波动性,以概率分布的形式将运行轨迹的不确定性表现出来。
9.根据权利要求8所述的一种飞行器集群通信网络生成方法,其特征在于,步骤S2包括以下步骤:
S21,构造带环境扰动的动力学方程,运行设定步数;
S22,定义环境扰动;
S23,通过模拟生成多个飞行器集群通信网络;
S24,对步骤S23中的多个飞行器集群通信网络的环境扰动求取均值,将不确定性状态转换为确定性状态进行分析计算。
10.根据权利要求9所述的一种飞行器集群通信网络生成方法,其特征在于,步骤S22中,定义环境扰动为正态分布扰动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410310970.5A CN117915348A (zh) | 2024-03-19 | 2024-03-19 | 一种飞行器集群通信网络生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410310970.5A CN117915348A (zh) | 2024-03-19 | 2024-03-19 | 一种飞行器集群通信网络生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117915348A true CN117915348A (zh) | 2024-04-19 |
Family
ID=90689295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410310970.5A Pending CN117915348A (zh) | 2024-03-19 | 2024-03-19 | 一种飞行器集群通信网络生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117915348A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880182A (zh) * | 2012-09-12 | 2013-01-16 | 北京航空航天大学 | 一种存在网络随机延迟的微小型无人飞行器控制方法 |
CN103116280A (zh) * | 2013-01-16 | 2013-05-22 | 北京航空航天大学 | 一种存在变分布网络随机延迟的微小型无人飞行器纵向控制方法 |
CN106697333A (zh) * | 2017-01-12 | 2017-05-24 | 北京理工大学 | 一种航天器轨道控制策略的鲁棒性分析方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器***任务可靠性评估方法 |
CN112020001A (zh) * | 2020-08-30 | 2020-12-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无人机多站多机***时隙资源分配方法 |
CN113885320A (zh) * | 2021-09-26 | 2022-01-04 | 北京航空航天大学 | 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法 |
CN114035536A (zh) * | 2021-10-15 | 2022-02-11 | 北京航空航天大学 | 一种基于蒙特卡洛法的飞行控制***鲁棒性评估方法 |
CN114244774A (zh) * | 2022-02-23 | 2022-03-25 | 武汉烽火凯卓科技有限公司 | 一种基于群体智能的leo卫星网络拥塞规避组播路由算法 |
CN117193389A (zh) * | 2023-10-16 | 2023-12-08 | 北京航空航天大学 | 一种基于量化编码器的多飞行器角度协同制导方法 |
-
2024
- 2024-03-19 CN CN202410310970.5A patent/CN117915348A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880182A (zh) * | 2012-09-12 | 2013-01-16 | 北京航空航天大学 | 一种存在网络随机延迟的微小型无人飞行器控制方法 |
CN103116280A (zh) * | 2013-01-16 | 2013-05-22 | 北京航空航天大学 | 一种存在变分布网络随机延迟的微小型无人飞行器纵向控制方法 |
CN106697333A (zh) * | 2017-01-12 | 2017-05-24 | 北京理工大学 | 一种航天器轨道控制策略的鲁棒性分析方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器***任务可靠性评估方法 |
CN112020001A (zh) * | 2020-08-30 | 2020-12-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无人机多站多机***时隙资源分配方法 |
CN113885320A (zh) * | 2021-09-26 | 2022-01-04 | 北京航空航天大学 | 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法 |
CN114035536A (zh) * | 2021-10-15 | 2022-02-11 | 北京航空航天大学 | 一种基于蒙特卡洛法的飞行控制***鲁棒性评估方法 |
CN114244774A (zh) * | 2022-02-23 | 2022-03-25 | 武汉烽火凯卓科技有限公司 | 一种基于群体智能的leo卫星网络拥塞规避组播路由算法 |
CN117193389A (zh) * | 2023-10-16 | 2023-12-08 | 北京航空航天大学 | 一种基于量化编码器的多飞行器角度协同制导方法 |
Non-Patent Citations (2)
Title |
---|
刘超: "飞行自组织网络分布式集群控制关键技术研究", 中国优秀博士论文电子期刊网-信息科技辑, 15 April 2022 (2022-04-15), pages 3 - 1 * |
李宁: "飞行器推进***不确定性量化方法研究与分析", 中国优秀硕士论文电子期刊网-信息科技辑, 15 January 2022 (2022-01-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Reinforcement learning in multiple-UAV networks: Deployment and movement design | |
Ye et al. | Multi-UAV navigation for partially observable communication coverage by graph reinforcement learning | |
Esrafilian et al. | Three-dimensional-map-based trajectory design in UAV-aided wireless localization systems | |
Strumberger et al. | Monarch butterfly optimization algorithm for localization in wireless sensor networks | |
Ma et al. | An optimal three-dimensional drone layout method for maximum signal coverage and minimum interference in complex pipeline networks | |
US12028720B2 (en) | Method and node for handling sensor nodes and fog nodes in a communications system | |
Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
Abbasi et al. | Bioinspired evolutionary algorithm based for improving network coverage in wireless sensor networks | |
Konak | A kriging approach to predicting coverage in wireless networks | |
Niewiadomska-Szynkiewicz et al. | Simulation-based design of self-organising and cooperative networks | |
Lee et al. | Deep reinforcement learning for UAV-assisted emergency response | |
CN117915348A (zh) | 一种飞行器集群通信网络生成方法 | |
Parnianifard et al. | Hybrid metamodeling/metaheuristic assisted multi-transmitters placement planning | |
Fan et al. | BS-to-ground channel reconstruction with 3D obstacle map based on RSS measurements | |
Lou et al. | Terrain-based UAV deployment: Providing coverage for outdoor users | |
Wu et al. | Research on RSS based indoor location method | |
Li et al. | Optimal wifi aps deployment for localization and coverage based on virtual force | |
Li et al. | Efficient optimal backhaul-aware placement of multiple drone-cells based on genetic algorithm | |
CN104754733B (zh) | 动态无线网络控制***节点位置预测方法 | |
Xingxing et al. | Weighted factor graph aided distributed cooperative position algorithm | |
CN113055111A (zh) | 一种基于贝叶斯优化的信道建模方法及*** | |
Townsend | Wireless sensor network clustering with machine learning | |
CN117119471B (zh) | 一种在多用户位置未知环境下的中继无人机部署方法 | |
Singhal | Efficient connectivity maintenance for distributed robotic systems | |
CN113568323B (zh) | 一种无线自组织网络半实物仿真装置和方法 |
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 |