文摘
执行搜救任务时,无人驾驶飞行器(无人机)应该不断搜索目标高于任务区域。为了快速有效地搜索和救援信息,转移两种类型的无人机,运送无人机和搜索无人机,用于完成任务。显然,这个应用程序场景需要运送无人机的一个有效的路径规划方法。现有的无人机路径规划方法运送通常关注缩短路径长度和忽略不同初始能量的运送无人机。然而,存在以下问题:如果运送无人机用更少的初始能量分配较长的路径,这意味着运送无人机用更少的初始能量将渡船消息搜索无人机。当lower-initial-energy运送无人机的能量,更多的搜索无人机将不再提供成功的消息。因此,计划之间的不匹配路径长度和初始能量最终将导致全球消息传递率较低。为了解决这个问题,我们提出一个新的概念能量因数运送无人机和使用所有运送无人机的能量因数测量的方差之间的平衡计划路径长度和初始能量。进一步,我们模型检测多个运送无人机路径规划问题,进一步研究多目标优化问题实际上是一个最小化的计划路径长度和最小化所有运送无人机的能量因数的方差。基于遗传算法,我们设计和实现一个检测路径规划算法(EMTSPA)为多个运送无人机,进一步研究多目标优化来解决这个问题。 Experimental results show that EMTSPA effectively increases the global message delivery ratio and decreases the global message delay.
1。介绍
近年来,multi-UAVs已经用于许多领域,如工业、农业、军事、和救灾。因为有很多限制网络通信基础设施的基础上,如地面中继站和卫星飞行特设网络(FANETs)通常用于实现多个无人机之间的通信(1- - - - - -3]。Delay-tolerant网络(DTN)著名的“storage-carry-forward”功能,可以很好地解决网络中断问题[4,5]。
在无人机搜救任务,我们需要不断搜索任务区域。灵感来自DTN机制,两种类型的无人机,搜索无人机和运送无人机,用于任务。搜索无人机拍照或拍摄视频时运送无人机消息传输到地面站(6]。基于消息路由算法、消息首先被存储在搜索无人机,然后,消息被转移到运送无人机在适当的时间;最后,消息传送到地面站。
智能路径规划方法和伟大的路由协议能有效降低包丢失和消息延迟(7]。关于运送节点的路径规划问题,近年来有许多研究。在[8)、消息运送(MF)机制是首次提出。本文指出,运送节点的路径规划问题是一个旅行商问题(TSP)。此外,作者设计一个运送节点的路径,而普通节点是静止的。在[9),曼氏金融机制扩展。根据运送节点和普通节点的移动性,曼氏金融机制分为MF由普通节点和MF运送发起节点。文献[10)设计多个运送节点在DTN路由,这分有三种方式运送节点之间的交互:没有互动,互动通过运送节点,通过普通节点和交互。在[11),普通节点聚集成许多集群根据地理位置,然后,一个运送节点旨在通过这些集群中心沿着TSP的路线。在[12),普通节点移动的情况下,该算法首先选择合适的点的路径移动的普通节点,然后计算出适当的接触时间加强学习算法,以便运送节点可以接受普通节点的消息。在[13),运送无人机飞行在一个乒乓球模式任务区域和地面站之间的锚点。在[14),与禁飞任务区域,路径运送无人机设计的确定和在线路径规划方法。确定方法生成图片点,然后根据图片点生成一个路线,同时在线方法生成的路线,然后生成图片点根据路线。然而,由于在线路径规划方法是低效的,在大多数情况下,最好是采用确定路径规划方法进行飞行前(14]。
一些文献进一步模拟移动机器人的运动轨迹。飞行轨迹的仿真(15]不仅停留在简单的运动学方程,还考虑了系统的动态约束和相应的动态约束。本研究考虑最小化的优化运动时间和最小化高度和距离,并使用一个增强粒子群算法来解决轨迹规划问题。此外,路径规划算法集成了一个轨迹跟踪算法,利用Lyapunov-based约束反演法和命令过滤器。文献[16]介绍了一种新颖的方法来解决最优控制问题提供免费初始条件和验证的情况下的飞行时间最小化low-thrust轨道转移。这种方法使用两个进化优化方法:遗传algorithm-particle群优化和帝国竞争算法和希尔伯特空间中三个正交的方程。上述两个引用提出相应算法的最优控制问题是要找到一个控制律对于一个给定的动力系统在一段时间内。然而,这个问题在这项研究中只考虑无人机的初始能量因数不考虑其他约束和控制方程的无人机,它可以被看作是一个优化问题。
总之,multiferrying无人机的路径规划问题可以通过两个步骤来解决。第一步是让运送无人机的锚点的集合。第二步是解决多旅行商问题(MTSP)根据这些锚点。但是确实存在以下问题:如果运送无人机更长的路径分配初始能量较低,这意味着运送无人机用更少的初始能量将渡船消息搜索无人机。当lower-initial-energy运送无人机的能量,更多的搜索无人机将不再提供成功的消息。这种不平衡的分配将导致更多搜索无人机的消息无法被传送到地面站energy-exhausted运送无人机时,最终导致全球消息传递率较低。基于上述事实,我们首先提出了能量因数的概念,反映的方差之间的平衡规划路径的长度和初始能量。然后,我们模型检测路径规划问题实际上是一个多目标优化问题的减少计划路径长度和最小化能量因数的方差。最后,一个检测路径规划算法的基础上,提出了经典遗传算法(GA)来解决这一多目标优化问题。
剩下的纸是组织如下。节2,我们介绍一个典型的搜索和救援场景和模型方面的网络移动模型、消息路由算法,以及能源消耗。节3我们的模型检测对multiferrying无人机路径规划问题。节4,我们介绍了检测路径规划算法基于GA multiferrying无人机(EMTSPA)。节5,我们现在比较EMTSPA与其他路径规划算法。节中我们得出结论6。
2。应用场景和网络模型
在本节中,我们将首先介绍一个典型的搜索和救援现场。接下来,我们将模型飞行特设网络移动模型等方面,消息路由模型,和能源消耗。
2.1。应用的场景
本文以四驱无人机为例进行讨论。搜索和救援场景如图1。搜索无人机悬停在一个固定区域和拍照。循环的方式运送无人机飞根据规划路径。此外,每个运送为至少一个搜索无人机无人机渡轮消息和消息的搜索应该运送无人机只有一个运送无人机。基于DTN机制、消息首先存储在搜索无人机,然后转移到运送无人机在合适的时间,最后传送到地面站。
2.2。流动模型
参考文献(17,18]讨论了无人机在三维空间的流动模型,而引用(19- - - - - -21讨论它在一个二维平面。为了方便讨论,论述了无人机在二维平面上的流动模型,而忽略了无人机之间的碰撞。
无人机的运动可以用两种流动模型。一个是著名的高斯-马尔可夫移动模型,反映了当前状态之间的关系和未来无人机的状态。另一个反映了无人机飞沿规划路径的字符在搜索和救援任务。在本文中我们称之为MapRoute流动模型。(我)高斯-马尔可夫移动模型
无人机的流动模型是线性的和决定性的13),和未来无人机可以由当前位置估计的位置,方向,和速度。因此,无人机的机动模型可以用高斯-马尔可夫移动模型(22]。在高斯方程如下所示: 在哪里和是新的无人机的速度和方向间隔吗 ; ,在哪里 ,用于不同的调优参数随机性;和是常数代表速度和方向的平均值和和从高斯分布的随机变量。(2)MapRoute流动模型
当执行搜救任务时,无人机通常在相邻锚点之间的直线飞行计划的路径。这个流动模型称为MapRoute流动模型。在这个模型中,无人机有一个目标在任何时间在飞行航点。达到一个目标点后,无人机停止时间( )然后继续下一个目标点。
假设间隔时间 , 和 位置在 和 。 和是速度和方向在哪里 。 水平轴表示,从前面的路标是向量到下一个路标 。 代表了水平轴的夹角和向量 。MapRoute流动模型中,无人机的位置方程可以表示为:
2.3。消息路由算法
FANET的通信连接断断续续由于无人机的飞行速度快。因此,传统的AODV等移动ad hoc网络路由算法,动态安全域不适合无人机通信(1]。延迟容忍网络(DTN)通信中断问题的机制是一个很好的解决方案。
文献[23- - - - - -25基于位置信息的路由算法)提出的消息。这类算法的主要思想如下:如果有一个节点的通信范围接近目的地比当前存储节点,消息将被转移到近的节点。否则,消息将被存储在当前节点。然而,这种类型的算法有明显的缺陷。由于节点可能多次见面,节点可以接收消息,只是从自身转移到其他节点。来回传输消息的现象称为乒乓效应,它消耗了不必要的能源(13]。
在[13通过低吞吐量),GPS信息传播网络内部(IEEE 802.15.4)提供服务;然后, , ,和提出了基于地理位置的预测。基于高斯-马尔可夫移动模型,消息转移到节点靠近地面站在未来的时间。通过这种方式,减少了乒乓效应在某种程度上。然而,如果搜索区域和地面站之间的距离超过低吞吐量的网络的覆盖范围,将会有两个问题。首先,消息路由算法不能完全消除乒乓效应。其次,由于GPS数据不能播放所有节点之间通过低吞吐量的网络,路由算法在长途搜救任务并不可行。
基于文献[8),我们设计一个基于服务的消息路由算法。路由算法的主要思想如下。消息搜索无人机只能传送到最近的运送无人机或保存在搜索无人机。可以将消息传送到地面站当运送无人机地面站返回。这个路由算法确保消息可以可靠地传送到地面站即使没有一个低吞吐量的网络。此外,这种路由算法完全消除了乒乓效应。
跳计数啤酒花的数量是一个消息传递,直到到达目的地。这个指标可以反映转发算法的效率。乒乓效应增加消息啤酒花的平均数量。显然,本文设计的基于服务的路由算法使消息的跳跃数2。
2.4。能源消耗模型
能量主要消耗在沟通和运动在飞行。文献[17,26)指出,用于通信远小于能源用于运动,所以这里忽略能量有关的沟通。
根据无人机的MapRoute运动模型,我们知道,能源消耗的无人机可以分为两个部分:线性运动的能源消耗和能源消耗在调整方向。让代表了能源消耗在线性运动阶段,代表了能源消耗在调整方向。然后,消耗的总能量可以表示如下。
文献[27)提出了一个quadrotor无人机的能源消费在一个线性方程以恒定的速度飞行。让表示速度,表示飞行距离表示speed-related能源消费比例。如果是常数,将保持不变,能耗方程可以表示如下。
一般来说,长途任务的无人机,线性运动的能源消耗比能源消耗更大的调整方向,所以我们忽略在这里。根据公式(4)和(5),如果有一个固定的值θ(θ> 0),无人驾驶飞机的能源消耗速度常数可以表示为:
基于上述分析,我们只是考虑到能耗恒速飞行的无人机飞行距离成正比。
3所示。模型检测对Multiferrying无人机路径规划问题
消息传递效率和可靠性是至关重要的一个无人机搜救任务。因此,路径规划的目标是不仅缩短路径的长度也增加消息传输的效率和可靠性。
在下面,我们先给消息传递的评价指标,然后对multiferrying无人机模型检测路径规划问题。据分析,这个问题实际上是一个多目标优化问题的长度和最小化能量因数的方差最小化。最后,证明了解决这一多目标优化问题可以增加消息传递率和减少消息延迟在特定条件下。
3.1。指标
消息传递的效果通常是由消息传递率,评估消息延迟等。13]。然而,对于一个完整的搜索和救援任务,我们坚持认为最好考虑全球递送网络中消息的影响。所以,在给出的定义之前检测路径规划问题,我们首先介绍一些重要的全球指标及其定义。
定义1(全球消息传递率(GMDR))。交货率被定义为的消息的一部分已经成功地交付到目标生成的消息。这是一个节点的一个指标。全球消息传递率(GMDR)是所有节点的平均消息传递率。全球消息传递率措施在全球网络消息传输的可靠性。
让表示搜索无人机的数量,表示搜索生成的无人机的消息的数量最后成功地送到目的地,和表示搜索生成的无人机的消息的数量 。所以,GMDR可以表示为:
定义2(全球消息延迟(GMD))。消息延迟通信延迟发生在每一跳的和遍历消息到达目的地。全球消息延迟的平均消息延迟所有消息成功到达地面站。全球信息延迟措施在全球网络消息传输的效率。
让表示成功地抵达地面站的消息数量,表示消息的交付时间 , 表示消息的时候存储在搜索无人机和表示消息的时候由运送无人机中继。所以,GMD可以表示为:
3.2。检测功能的定义对Multiferrying无人机路径规划问题
之前检测的定义对于multiferrying无人机路径规划问题,首先我们会给三个基本定义:PPL multiferrying无人机,EF运送无人机,能源因素的方差。最后,我们抽象的目标函数和限制的问题。
定义3(计划路径长度(PPL) multiferrying无人机)。计划路径长度multiferrying无人机是运送无人机的总和的PPL。
MTSP基于任务通常是用两个索引整数线性规划公式表示(28,29日]。与这个不同的是,我们与三大股指定义PPL multiferrying无人机。
假设有一个图 ,在哪里是一组锚点的multiferrying无人机(标准MTSP顶点),是所有弧的集合(边缘)。有一组的运送无人机(标准MTSP旅行推销员)。代表点之间的距离年代和点t。 是一个矩阵对设置成本(距离)。
首先,我们定义了一个二进制变量,见公式(8)。如果运送无人机计划从点飞吗对点 ,的价值是1。否则,该值是0。
然后,运送无人机的PPL是
因此,PPL multiferrying无人机
定义4(能量因数(EF)运送UAV)。能量因数的运送无人机的比例是运送无人机的PPL初始能量。
假设代表运送无人机的PPL , 代表运送无人机的初始能量 ,然后,EF运送的无人机可以表示为:
定义5(能源因素的方差(”))。能源因素的方差是所有运送无人机的EF的方差。它反映了平衡的PPL和初始能量运送无人机在全球网络。
让捐赠的数量所有渡船,捐赠所有EFs的平均值捐赠”。然后,和可以表示为:
定义6 (multiferrying无人机检测路径规划问题)。假设有一组N锚点(包括地面站)。所有运送无人机离开地面站和返回到地面站。每一个运送为至少一个搜索无人机无人机传输消息。每个搜索的无人机传输的消息只有一个运送无人机。运送无人机的初始能量是不同的。multiferrying无人机的PPL,是”。问题是要找到一个最优路径multiferrying无人机,可以覆盖所有点在N和最小化和 。
显然,这个问题是一个多目标优化问题,优化模型可以表示如下。
目标函数:
限制:
公式(16)和(17)表明,所有运送无人机离开地面车站(点1表示地面站)并返回到地面站。公式(18)和(19)表明,只有一个运送无人机穿过一个路标。公式(20.)表明,运送无人机应通过至少两个点以上点。
3.3。模型的基本性质
基于上述定义和检测路径规划问题的抽象,我们可以找到模型的流动性质和定理设计算法和实验提供依据。应该强调,以下属性和定理是基于这样一个前提:每个无人机飞行以恒定速度和所有无人机的速度是一样的。为了方便讨论,我们先给统一的描述符号和定义在表1。
财产7。如果 ,然后, 。
证明。根据方程(6),我们可以进一步表达GMDR任务时间t .假设运送无人机生成的消息的数量在是一个恒定值(如果 ),GMDR可以表示如下。
否则,如果运送无人机的能量耗尽,消息的相关搜索无人机将不再被传输到地面站。因此,方程(求和项22)满足:
然后,最大GMDR可以表示为:
之前的时间 ,运送无人机生成的消息的数量并发表地面站=成功乘以 ,也等于由搜索生成的消息数量运送无人机无人机在一圈( )的数量乘以飞行圈( )。因此,方程的积分项(24)可以转化为如下:
此外,消息的几个搜索由一个运送无人机无人机可能运送。让搜索的数量分配给运送无人机无人机 j是。然后,最大GMDR可以进一步由方程(24)和(25)。
总之,房地产7是证明。
财产8。如果 ,然后, 。
证明。如果搜索无人机是静止的,消息延迟消息=时间之和消息等待运送无人机和消息传输的时间运送无人机(8]。因此,搜索的平均消息延迟无人机( )的时间运送无人机飞一圈。
如果搜索固定地区的无人机飞行,我们应该考虑延迟误差引起的搜索无人机的运动。因此,搜索的平均消息延迟无人机可以表示为公式(28)。
如果运送的PPL无人机( )远远大于半径(r)的活动区域搜索无人机,将被忽略。此外,由于一个运送无人机可以运送消息多个搜索无人机,GMD可以表示为公式(29日)。
因此,房地产8是证明。
定理9。假设有一组人,一组初始能量E,和一个正数集合X, y L和X之间有一对一的映射关系,和E和y .除此之外, , , , , , 。如果ω( )满足 ,然后,需要最大的时候是最低的。
证明。一般来说,搜索无人机,运送无人机旅行越多,时间越长PPL。特别是,我们假设的PPL运送无人机的数量成正比搜索运送无人机无人机旅行。在其他世界中,我们假设 满足 。
假设PPL运送无人机构成的向量 和初始能量构成的向量 。基于属性7,我们可以推导出公式(30.)。
因为,小是,更多的人之间的平衡和运送无人机的初始能量。从公式(13),我们知道了以及更高的或更短以及更低的会导致更好的平衡。显然,当 和 , 比其他组合的点积。在其他世界中,需要最大的时候是最低的。所以,定理9是证明。
定理10。如果 ,然后,有 满足 。
证明。当搜索无人机的数量( )运送无人机转移的是谁的信息等于一个常数(如果 ),我们可以减少方程(21)从房地产(2),所以定理10是证明。
4所示。检测Multiferrying无人机路径规划算法
在路径规划之前,我们需要得到所有无人机的路径点。路径点可以获得主要是通过集群、部门和其他算法(11,14]。本文的路径规划算法是基于现有的锚点。
因为解决最短路径的一部分检测multiferrying无人机路径规划问题,和标准MTSP问题是一个np完全问题。因此,检测multiferrying无人机路径规划问题提出了也是一个np完全问题。因此,我们能解决它与启发式算法(30.- - - - - -32]。
检测路径规划算法multiferrying无人机(EMTSPA)提出了基于遗传算法(GA)。标准遗传算法通常包括以下步骤:染色体编码、初始化、选择、进化,并最终得到最好的个人。EMTSPA了新设计适应度函数等等。算法的流程图显示在图2。
4.1。染色体编码和初始化
在搜索和救援任务,每个运送无人机地面站的离开。因此,第一点的路径应该地面站染色体编码。为了更好地解释算法,我们假设有4运送无人机(轮渡1 - 4),9路点(节点1 - 9),和1个地面站(节点0)。
染色体编码操作分为以下步骤。(1)建立一个基地的路点1 - 9;(2)“洗牌”基本数组;(3)生成数组“长度”,包含路径点的数量,每个运送无人机旅行(除了地面站);(4)采取分基地数组根据数组”的长度。“染色体编码过程如图3。
上述操作生成一个个人在第一代。初始操作重复染色体编码人数规模方面。生成初始操作之后,第一代人口。
4.2。适应度函数
一般有两种方法来解决多目标优化问题:体重依赖型剂量法和Pareto-based法(33- - - - - -35]。从定理9和10,我们知道减少PPL”可以提高GMDR和GMD在特定条件下的性能。我们与体重依赖型剂量方法解决多目标优化问题,结合多个指标和权重值。是用来测量个人的健身价值。所以,适应度函数可以表示为公式(32),和权重,multiferrying无人机的PPL,是”。
我们发现从公式(32),较小的和更大的健身是。相反,当或较大,健身更小。下面的验证和设置为10000。
4.3。遗传操作
(我)选择
选择操作的目的是选择适当的个人作为父母个人的下一代。EMTSPA使用两步选择精英策略。(1)副本最高的个人健身直接从上一代到下一代。(2)随机选择两个子集从上一代相同的大小,然后选出两个最好的个人从两个子集作为父母个人的下一代。(2)交叉
在选择父母,交叉操作执行生成下一代的新个体。我们使用图4说明交叉操作的主要过程。(1)选择一个连续的段(1,4,5从数组“Father.base”。(2)连续片段插入到合适的位置(“开始”“结束”)数组“Child.base”。(3)插入其他点(除了1,4,5“母亲的数组。基地“数组”的孩子。基地”有序;(4)最后,进行染色体编码基于数组”的孩子。基地”一节中描述的方法4所示。1。(3)突变
为了避免早期遗传算法收敛,个人需要突变。当生成的随机值小于设定参数,个人需要突变。变异操作包含以下步骤。(1)选择一些运送无人机(渡轮2和4)运送无人机。(2)从基地选择任意长度段数组选择运送无人机和反向段的序列。如图5,段1,9是突变(1,9),和段3,6,7是突变(3,6,7]。变异操作如图5。
5。实验和分析
5.1。设置的参数
我们在一个模拟器实验。模拟器是一个受欢迎的机会网络环境模拟器。它可以模拟信息传输在不同的移动模型和不同的消息路由协议,可以提供实时可视化仿真和结果输出36,37]。
在搜索和救援任务,有两种类型的运送无人机的飞行模式。(1)沿着TSP的道路,多个运送无人机飞一个接一个。下面的算法TSPA属于这种类型。(2)沿着MTSP的道路,每个运送无人机飞周期性。以下算法MTSPA、B_MTSP EMTSPA属于这种类型。
我们主要比较以下四个算法的性能的PPL multiferrying无人机和通信标准。四个算法如下:(我)标准的一般算法MTSP (MTSPA)。它不考虑其他因素,选择一个随机数字的锚点运送无人机(6](2)MTSP考虑纯平衡的算法(BMTSPA)。它认为所有的运送无人机都是一样的,旨在让所有路径的长度完全相同(38](3)标准的TSP算法(TSPA)。它允许多个运送无人机飞行在相等的时间间隔一个接一个39](iv)项目的算法提出了考虑初始能量之间的平衡和multiferrying无人机的PPL (EMTSPA)
从算法的角度设计,EMTSPA比其他算法具有以下优势。在TSPA EMTSPA避免太长人;它支持的情况下,初始能量运送无人机是不同的,虽然BMTSPA不支持;它能避免在MTSPA完成随机性。下面,我们将讨论进一步的实验结果。
实验场景如图6。假设有4运送无人机(f10-f13), 9搜索无人机(u1-u9),和1个地面站(g0)。搜索无人机保持周期性沿z字形飞行路径如图6c1-c9,中心活动区域。运送无人机地面站(g0)离开,通过锚点(c1-c9)沿规划路径,并保持飞行的一轮轮。假设运送无人机的通信范围不小于活跃区域的范围搜索无人机苍蝇。换句话说,当一个运送无人机通过活跃的中心区域,搜索的消息可以发送到运送无人机无人机。此外,地面站仍然是静止的。
我们把搜索无人机飞行一定范围内作为一个例子来解释路径规划算法。在本文中,假设当渡轮无人机飞越搜索无人机飞行的中心区域,运送无人机可以接收消息存储在搜索无人机。因此,所有点的集合,multiferrying无人机需要通过每个搜索的所有中心点无人机的飞行区域。然而,搜索无人机也许不是移动在一个小范围在实际的应用程序。当搜索无人机有一个大的飞行区域,我们可以先将区域划分为若干小的分区使用无人机的通信半径的平方。在这种情况下,点的中心是multiferrying无人机通过这些分区。因为这是另一个范畴的问题,为了简明地把握关键的能量均衡算法提出了,我们假设搜索无人机飞行的“Z”飞行在一个正方形区域解释算法。
其他的测试参数如表所示2。
5.2。结果和分析
5.2.1。的收敛行为EMTSPA
因为上面的四个算法不同的健身功能都是基于遗传算法,EMTSPA提议在这项研究作为一个例子来验证遗传算法的收敛性。当人口大小设置为20时,适应度函数收敛行为之一是图所示7。
5.2.2。计划平均路径长度
由于遗传算法的随机性,为了比较上述四种算法的性能,本文对四种算法进行50轮测试中测试路径规划长度和平均能量因数方差的算法和相应的平均和最小值进行比较。
根据定理10一般来说,平均长度越小,越小全球平均消息延迟。因此,PPL平均路径规划的一个重要指标比较。每个算法的平均PPL 50实验如图8。此外,图9显示的平均和最小值平均每个算法获得的PPL。
从图可以看出8遗传算法的随机性,但平均PPL算法获得的稳定在一定的范围内。这是因为这四个算法所有目标至少缩短距离。因此,它是合理的,比较各算法的性能与平均和最小值。如图9的平均PPL EMTSPA、MTSPA BMTSPA相似而平均PPL TSPA是最大的。具体而言,一般人的平均值而言,比TSPA EMTSPA是33.3%。的最小值,比TSPA EMTSPA是36.7%。
5.2.3。能源因素的方差
能源因素的方差反映了人之间的平衡和运送无人机的初始能量。它可以看到从定理9”越小,越大GMDR是在特定条件下。能量因数方差在50个实验的实验结果如图所示10。平均和最小值在图所示11。
从图可以看出10”TSPA和MTSPA波动极大,而BMTSPA和EMTSPA是稳定的”。这是因为TSPA MTSPA只考虑缩短PPL, EMTSPA认为优化”,和BMTSPA认为优化每架飞机的计划长度的方差。当ppl每架飞机都是相同的在每一轮的实验中,”必须相等。
”的比较如图8。EMTSPA远优于其他算法”的性能。因为每个运送无人机的计划路径TSPA是相同的,”TSPA远远大于其他算法在初始能量是不同的。虽然MTSPA”小于BMTSPA, MTSPA具有较强的随机性。具体地说,”的平均值,EMTSPA比TSPA 99.1%, 97.6%比MTSPA, 97.3%比BMTSPA更好。
5.2.4。全球消息传递率
本研究旨在提高消息传递率和减少延迟的信息设计一个更好的multiferrying无人机路径。因此,有必要在模拟环境测试计划的路径。考虑到遗传算法的随机性,我们已经多次运行的路径,发现平均和最小平均PPL和”的价值观。在这一系列的实验中,合适的路径平均PPL,”接近上述结果(数据9和11)选择。
这一系列的实验试图发现的影响路径设计的四个算法GMDR和GMD无人机的能源耗尽。我们有六种不同的任务时间(200年代,400年代,600年代,800年代,1000年代,1200年代)测试GMDR。GMDR如图的实验结果12。(单位y设在%,单位的x设在第二)。
从图可以看出12:(我)的GMDR EMTSPA略低于GMDR BMTSPA当测试时间很短。我们相信如下。较长的EMTSPA,运送无人机PPL负责更多message-ferrying任务。由于测试时间短,较长的运送无人机地面站PPL未能交付消息。这结果GMDR EMTSPA略低于GMDR BMTSPA。然而,GMDR EMTSPA仍大于GMDR TSPA MTSPA(2)大多数时候,GMDR EMTSPA大于其他算法。随着测试时间的增加,一些运送无人机可能energy-exhausted,然后,这些energy-exhausted运送无人机不能再运送信息。在EMTSPA,运送无人机与更多的能量分配不再PPL。换句话说,运送无人机和更多的能量可以运送更多的消息和渡轮在长时间的消息。毫无疑问,这将增加GMDR。实验结果验证了这一点(3)从GMDR的整体性能,EMTSPA表现最好,BMTSPA执行第二,和MTSPA TSPA表现不佳。比较如表所示3。(“+”意味着EMTSPA的性能更好,而“-”意味着EMTSPA的表现更糟。默认单位是%。例如,+ 925.9表3意味着EMTSPA GMDR TSPA GMDR的925.9%)
5.2.5。全球消息延迟
当测试时间是不同的,全球的信息延迟的结果在不同的测试时间如图13。从图可以看出13,GMD TSPA远远大于其他算法,和EMTSPA接近BMTPSA GMD的。的PPL MTSPA是最小的,GMD MTSPA是最小的。它可以发现GMD PPL有正相关。结果还验证定理的正确性10节3。特别是EMTSPA GMD TSPA只有50%的。
6。结论
在本文中,我们考虑了路径规划问题在搜索和救援的场景中使用无人机网络。特别是,我们已经注意到这样一个问题,现有的路径规划方法运送无人机通常专注于缩短路径长度,忽略了不同初始能量的运送无人机,而忽略了这个问题,下一个问题将会出现:低能渡轮无人机分配较长的路径,和这种低能渡轮无人机可能不再提供成功的消息。解决计划之间的不匹配路径长度和初始能量,我们提出一个新概念命名为运送无人机能量因数,并使用所有运送无人机的能量因数测量的方差之间的平衡计划路径长度和初始能量。进一步研究多目标优化方法的基础上,我们提出一个新颖的方法叫EMTSPA处理这个问题。我们已经完成了建模、算法设计、分析和实验验证;结果表明,EMTSPA显著改善全球消息传递率和全球信息延迟比其他算法。然而,由于该算法在这项研究中使用重量系数重叠两个优化目标,权重系数的选择是主观的。该算法可以进一步优化基于帕累托解,最终得到一组解决方案。
数据可用性
如果需要任何信息,请与作者联系。
的利益冲突
作者宣称没有利益冲突有关的出版。