继电器定位战略交通数据收集多个无人机使用混合优化系统:FANET-Based案例研究

文摘

在下一代网络的新背景下,空中特设网络,也被称为FANET(飞行特设网络),被用于监控困难的地区访问。由于这种类型的活力和自动配置网络,战略位置所需设备(无人机)以确保它可以实现良好的性能。鉴于这一点,本文提出了一种飞行路径规划模型,其中包括一个metaheuristic文中针对方法。建议依靠人工神经网络优化中继设备的定位,这样可以增加其他设备之间的吞吐量;方案的好处是通过模拟演示。

1。介绍

近年来,由于科技进步在机器人等领域,电信和计算机网络、无人机(uav)已成为另一种手段,提供多样化的应用在民用和军用领域。这些无人机旨在改进或者创建一个很难访问的网络基础设施的地方,如自然灾害或敌人领土的地区。在这个区域,空气特别的网络已经成为一个可接受的解决方案,因为它允许信息被收集在一个更灵活、快速、可靠的方法(1]。

在[2),作者认为FANET的主要挑战是执行合作检测使用多个无人机占地面积,不能由一个单一的无人机。通过这种方式,它可以创建一个网络的设备开销(无人机)互相传递信息进行通信。因此,它是必要的可靠和稳定的设备之间的通信保持良好水平的QoS(服务质量)和体验质量(质量)的经验。

在大多数FANET应用程序,目标是收集的数据环境和继电器地面基站。FANET网络的拓扑由几种无人机(无人机)和无人机中继,负责接收信息从其他无人机和地面传输到基站。建立无人机继电器的位置相对于其他无人机是至关重要的,以确保网络的令人满意的性能,因为它必须直接或间接地(即访问。通过中间设备)、通信网络的所有其他元素。这导致增加的数量研究无人机中继定位在学术社区。

提出了一种模型,该模型可以建立最好的无人机的实时定位继电器在多个无人机飞行任务的场景中使用如图所示1。目标是无人机实时飞行的最佳位置基于知识飞行任务所需的位置或位置的最优位置。因此,建议目标进行实时传递一个“理想”的位置(可以保持良好的的沟通和其他设备)。这个定位将由其他网络的多个无人机的位置和本文中概述的提议将计算/优化新无人机中继位置。

建议分为两个关键阶段,包括激活无人机通过网络模拟器的流动(NS-2)和使用移动数据无人机的人工神经网络(长)的MatLab(与继电器的位置和交通无人机被用于神经网络的训练),这将表明无人机继电器的位置。

本文结构如下:部分2讨论了评价相关工作;部分3详细描述了该优化器;模拟的结果部分所示4;和部分5总结了结论,会对未来的工作提出建议。

2。相关的工作

本节讨论相关工作和检查天线特设网络(FANETs)。此外,它的定位计算无人机中继,目的是提高网络性能。

在[4无人机,用于定位森林火灾。他们的方法导致了改善定位任务通过决策策略,造成一个temperature-based概率模型,旨在估计距离森林大火。无人机调整轨迹根据火灾的知识,使用地图来表示其知识,更新在每个阶段的探索。

在[5),一个精确的分析模型是着手减少无人机和基站之间的信号干扰。带宽内的算法执行统一的跳频信道本身和取得服务质量在过载或“中断细胞。”However, in the article, there is no applied artificial intelligence technique that can make the task of optimization more efficient and faster, and in most situations, only a new relay UAV positioning would be able to achieve gains.

文献[6]表明形成一组天线特设网络,包括几个骨干FANETs相互沟通,也与基站进行通信。这篇作文的几个骨干增加监控区域的覆盖范围,但并没有研究的正确方法定位设备,以确保网络可以执行以最好的方式。

这篇文章的7)包含一个用于无人机的运动的控制方案在一个特定的覆盖范围。运动控制方案是基于无人机之间的距离和信号强度,并允许他们有良好的沟通,从而具有良好的传播率。然而,控制运动不是最可行的解决方案,因为某些地区的覆盖范围不够监控。

作者在8)旨在减少抵押贷款支持证券的数量需要提供无线覆盖一组分布式地面终端(GTs),确保每个GT在通信范围内的至少一个MBS。一个多项式时间算法与连续MBS放置,放置MBS顺序开始发现GTs的面积周长沿着螺旋路径向中心,直到所有GTs。

一个高效的算法是必要的回旋余地每个无人机,这样整个系统就可以产生复杂,适应性强,灵活的团队行为。无人机的任务计划问题网络连通性约束涉及大量的参数和交互的动态变量。一个算法已经提出了这样一个情况(9]。还有一个算法的分布式智能代理系统自动代理协调、合作、协商,做出决定,并采取行动来满足一个特定的目标任务。连通性约束问题是np困难,提出了一个多项式时间的启发式在文献[10]。文献[10)是最接近的相关工作也提出了一个启发式算法,但没有任何服务质量评价和质量的经验。

文章引用在本节中,导致了一些改进FANET应用程序的上下文中。然而,没有采用技术,旨在维护高性能数据传输,通过无人机的定位。没有论文引用使用混合网络管理决策所需的复杂无人机和无人机中继之间的最佳定位。根据这个工作雇佣技术,允许使用这些网络在特别的应用程序和其他无线技术。

3所示。FANET应用特性

特设网络的主要特征,指由IETF(互联网工程任务组)作为马奈(移动Ad Hoc网络),是他们没有一个基础设施,因此,所有网络的功能必须由节点本身。这意味着节点组成一个特设网络必须能够相互通信的路由器。

特设网络通常用于场景需要快速部署网络,通常没有适当的基础设施。节点可以任意移动,改变网络拓扑结构以不可预知的方式,这就需要不断适应和重新配置的路线,这样的节点仍然可以相互通信。

在下一代网络(ngn)的新背景下,推导的特设网络称为FANET(飞行特设网络)。FANETs特设网络组成的遥控飞行元素(无人机:无人机)相互通信(11],因为FANETs灵活性、通用性、甚至可操作性方便,它们用于军用和民用应用程序,如边界控制风险区域,森林砍伐监测,交通流控制(图2)。

在FANET网络,流动指数远高于传统的特设网络;因此拓扑的变化更加频繁,甚至覆盖面积较大(取决于类型的硬件和技术)。这就是为什么FANET网络自配置和自组织;FANET网络必须准备好突然改变拓扑结构,在组织,甚至在它的通信系统。

移动单位及其空间排列的流动性决定通信线路也很重要。作为运动的结果,这些路线通常再计划允许连续节点的互连。出于这个原因,必须进行动态路由,路由协议所涉及的活动必须是有效和简单,为了给更大的自治权的节点,减少延迟的交付来自发送方的数据节点到目标节点。

无人机之间的交流很大程度上取决于他们的位置,因为所有的从环境中收集的信息集中在一个无人机中继节点(负责传送数据控制中心)。因此,其定位与其他节点必须足够的战略,以确保网络维护一个良好的性能。这不是一个理想的情况如果无人机继电器有一个良好的沟通和一些无人机同时不与其他无人机通信网络中(12]。

无人机负责飞过环境;传感器来收集信息和更高的能源比传统传感器网络负载,意味着他们可以互相交流更容易找到更少的障碍在他们的视线。这应该减少节点的数量需要覆盖一个特定区域,虽然气候条件可以影响通信(风、雨等)13]。

应该注意,FANETs网络的计算能力意味着他们有一个更大的传输信息的能力,因为在许多情况下,他们负责实时传输信息(视频监控环境)。没有特定的路由协议FANETs迄今为止,和传统的协议中使用Ad Hoc网络(例如,AODV、OLSR)也用于FANET。

由于高迁移率的无人机FANET,更新网络中所有节点的位置是一个关键的特性。网络中的设备必须知道实时其他元素的位置,除了使用GPS(平均,每秒钟发送的位置信息),无人机有惯性测量单元(UMI)可以发送他们的位置在一个短的时间间隔比GPS在任何时候14]。

因此,覆盖范围内的设备的布置直接影响网络的性能,可以改善或恶化,依照他们的机动性。这是其中一个主要挑战需要解决这种类型的网络。

4所示。FANET Optmization模型的位置

如前所述在FANET,继电器的位置应该被视为一个问题来解决或改善网络性能的一种手段。这项工作提出了一个新颖的方法,建立一个无人机中继间的通信和其他无人机任务飞行。建议主要是基于的信息可以发现在大多数FANET的应用程序中,和环境的目的是收集数据和这些数据传输到地面基地。

目标是推动无人机实时传递与知识的最佳位置的无人机位置和最大化数据流量收集的无人机。这种优化的人工神经网络(ANN),培训阶段估计最好的传输速度考虑设备的位置,和蝙蝠算法基于ANN的输出决定了继电器无人机通过目标函数的新位置。

创建模型的建议,本文认为必须收集以下信息(模拟)的人工神经网络的训练:(1)无人机继电器的位置;(2)位置的无人机在飞行任务;(3)每个无人机在飞行任务的吞吐量无人机中继;和(4)的接收信号强度指示(RSSI)无人机飞行任务的无人机中继。

multi-UAV系统,包括所有的无人机FANET安排,建立了无人机作为一组,无人机的数量吗用 无人机中继用 。每一个 , ,在一个二维平面坐标( )定义它的地位 和 。此外,被定义为之间的交通和 ,也之间的RSSI的定义是和 。

在[10),成立,在任何时刻,之间的距离没有接近某一阈值,通过这种方式,无人机可以避免碰撞。使用坐标( )和交通作为这项工作的数据库,发现在一架飞机 m以随机方式生成流量 。

交通问题的启发式算法被用于解决优化问题(见图3)。该算法首先选择无人机和继电器的位置(以及它们之间的交通);在这之后,我们寻找一个新的继电器由人工神经网络的定位。网络的输出将对应位置的交通和 ,这些结果,可以重新分配的位置继电器的位置交通比前面的位置。

5。提出了启发式

在前一节中描述的场景,本节将重点介绍机器学习,特别是在神经网络的工作原理和蝙蝠算法(蝙蝠)作为优化算法。在人工神经网络的情况下,我们使用了广义回归神经网络(GRNN)的体系结构如图所示4的数据 , ,和(无人机位置、无人机中继位置和无人机无人机中继流量,分别)。

grnn有四层:输入层(在这工作,和作为模型的输入),中间层,求和层和输出层(这是什么模型)。在输入层单元的数量取决于变量的总数。输入层的神经元传递信息到中间层,和过渡层中的每个神经元对应于一对训练。因此,中间层神经元的数量等于训练对的数量。第三层是求和层;在这一层只有两个神经元:所谓和第二个神经元,通常称为神经元总和。对于一个输入向量 ,输出GRNN的计算由以下方程:

蝙蝠算法模拟了猎物检测微蝙蝠和本能是由杨et al。15]。蝙蝠算法的基本规则如下:(我)所有蝙蝠用回波位置的距离,也“知道”食品的区别/猎物和周围的障碍。(2)蝙蝠随机飞行速度在位置与一个固定的频率多样的波长和强度寻找猎物。此外,他们自动调整发射脉冲的波长(或频率)和调整脉冲发射率 ,这取决于接近他们的目标。(3)虽然响度在很多方面可能有所不同,它已经建立强度范围从一个大的程度(积极的)一个常数最小值 。

蝙蝠算法产生无人机和中继位置和评估使用人工神经网络的定位已经描述。后来,它不断重复这些步骤,以找到一个解决方案,最大化吞吐量。

优化循环在这项工作的重点。假定每一个邻近的无人机的任务是在无人机中继。继电器的位置是随机产生的初始种群,并进一步优化的基础;因此,基因组 与=继电器的位置。该算法利用模型描述的部分4,见图3。当优化开始,一个初始种群生成和评估使用适应度函数(GRNN)以及选择过程描述。蝙蝠算法的每次迭代算法的伪代码1。

后处理结果和可视化: 是一个随机向量定义均匀分布。一般来说,和根据定义的域大小问题感兴趣的;这是用于工作 和 。脉冲重复频率最初定义为0.7和响度是0.5。

响度和脉冲发射率是由以下方程: 是常数。

在蝙蝠算法中,频率调谐基本上充当突变,而选择压力是相对恒定的通过使用当前的最佳解决方案 ,发现到目前为止。没有明确的交叉;然而,基于响度变化和突变不同脉冲发射。此外,响度和脉冲发射率的变化也提供一个auto-zooming能力使开发变得密集的搜索是接近全局最优16]。

在安训练阶段后,无人机被发现的一个新的定位,形成一个新的场景,在该场景中,它将需要调整的位置继电器来实现网络的最佳性能。蝙蝠算法找到最优位置,在无人机和继电器。通过最小化目标函数,调用 ,可以调整继电器的位置来获得一个更好的估计的流量。这种优化启发式算法中可以看到2。

图5显示了流程图,说明了操作的初始提议蝙蝠优化算法实时调整继电器的定位寻找最好的交通。

6。绩效评估的FANET模拟

本节分析计算实验的结果证明优化算法的效率。perturbation-free提议的方法,不需要时间分离植物动力学和最优placement-seeking循环,并且不需要(一段时间)的知识传播模型。

NS-2模拟进行。NS-2模拟器,像其他网络模拟器,不提供支持三维模拟,并基于这个原因,本文假设进行的模拟无人机飞越高度相似,相似的(8]假定无人机固定飞行高度与洛杉矶(视线)链接。在模拟中,所有的无人机(多个继电器)随机流动区域内 m。多个无人机执行500 kbps无人机中继传输。仿真参数表中描述的模拟中使用1。

获得的数据模拟被吸引的神经网络的训练和蝙蝠的配置算法。中包含的参数表2对应的最佳结果神经网络拓扑结构和蝙蝠的配置算法。

评价分为三个部分:(1)计算智能结果;(2)服务质量结果;和(3)质量的经验的结果。

6.1。计算智能的结果

第一阶段需要训练神经网络,学习如何与无人机和继电器的定位各自的网络流量。数据6(一)和6 (b)分别显示了性能和训练回归。在图6(一),它可以观察到,通过使用交叉验证,均方误差为0.00072。

神经网络训练后,蝙蝠所使用的算法伪代码如图4,得到目标函数的最小化。因此,较小的结果 ,越大 。图7显示的进化模式1000年,一代又一代的蝙蝠。通过这种方式,每一代试图维持或改善现有的人口之间为了找到最好的定位和 。

本文的模型把继电器的复杂性问题定位在一个线性问题,显示在图8。(10)的迭代次数与增加无人机的数量进行了测试。

6.2。服务质量的结果

本节进行了评估网络的性能优化,然后与优化前。第一次评估结果的平均吞吐量。正如前面所讨论的,继电器的定位相对于其他无人机直接影响应用程序。图中可以看到9的平均吞吐量的优化是高于平均吞吐量没有有一个改进的优化和面积的135% m。

在优化的情况下,每当多个无人机移动,找到新职位的无人机中继,通常在一个集中的位置相对于其他继电器。以这种方式优化器可以防止无人机继电器被远离其他无人机运动。这种优化是有可能的,因为除了知道自己的位置,给出了无人机中继他人的位置有一个估计的新职位必须移动,这样就可以保持良好的连接网络的多个无人机。

图10显示延迟没有优化,优化后的行为。可以得出结论,没有优化算法,无人机和继电器之间的交通受到更高和更不稳定的延迟(平均延误为0.0512 ms)。由于流动的设备,当继电器可以更遥远的从其他设备,从而降低通信的质量。因此,通过优化器可以找到一个更好的结果,因为没有多少延迟变异(平均延误为0.0034 ms),这使得它更可靠,因为越来越多集中在中继节点与其他节点。

根据到目前为止的结果,图11显示了一个的场景中使用的样本实验的定位继电器可以看到前优化和各自的位移到最优位置。针对随机流动的性质,它是不可能确定有多远从其他继电器,继电器将突出优化器的重要性,就是能估计一个新职位,允许适当的沟通。因此,经过所有阶段的优化器,继电器是搬到一个新职位,这样会有一个提高无人机之间的流量的性能。

6.3。质量的经验结果

本文还分析了模拟与视频应用程序。视频结果评估的帮助下以下客观的体验质量指标:峰值信号噪声电台(PSNR)、结构相似性度量(SSIM)和视频质量指标(VQM)。他们收集的密歇根州立大学视频质量测量工具(VQMT)。

PSNR值是最传统的客观度量和比较视频接收到用户的质量与原始视频。PSNR来自另一个度量称为均方误差(MSE)。实际的MSE误差计算的平均变异属性,这个属性是估计。换句话说,它比较框架的质量受到用户对原始帧。

图12比较了PSNR的视频传播没有和优化器。没有优化的视频直播PSNR值平均为10.7 dB;因此,它被评为质量差的视频,这段视频直播与优化器有一个PSNR值平均为42.9 dB和被评为优秀的高质量的视频。

与峰值信噪比,只有分析出错率,提高了接收到的视频与原始视频,SSIM评估收到的视频关于特性,比如颜色、亮度,和结构。SSIM指标是一个十进制值在0和1之间,其中0表示零相关的原始图像和1意味着完全相同的图像。

视频直播没有优化器获得平均SSIM为0.57,而视频传输优化器获得SSIM平均为0.96。图13显示了SSIM在传输性能。

比PSNR和SSIM VQM更完整,因为它评估颜色,像素,和噪音失真视频”抹去。”The VQM determines the level of multimedia quality based on human eye perception and subjective factors, including blurring, global noise, block distortion, and color distortion. In the evaluation of the VQM results, zero is the best possible score. In the simulations, the video stream without optimization had a mean VQM of 11.1 while the video transmitted with the optimizer had a mean VQM of 0.4 (Figure14)。

的效率优化器可以被证明是通过比较帧的视频传播没有优化器与视频的一帧传输的优化器。在图15的优质视频传输优化器是显而易见的,因为它已经传递到合适的位置相对于其他无人机,它能够提高通信的质量。

7所示。最后考虑

创建临时网络,出现了一个新的挑战,改善他们的表现。要解决的主要问题之一是无人机的定位继电器与另一个继电器改善沟通FANET场景。模拟的结果强调的重要性,结合电信和计算智能等领域,通过metaheuristic模型,从而获得一个更好的结果和一个更好的网络作为一个整体的性能。使用该模型可以满足未来需求可能出现的FANET场景中通过改善通信系统,在民用和军事应用,并获得令人满意的和更精确的结果与上述相关工作。

其他metaheuristic优化需要测试验证方法并确认最好的执行时间等性能的遗传算法,布谷鸟搜索,和粒子群。此外,等场景可以测试一个绩效评估的交通造成的大量人群如足球比赛,显示和游行。蝙蝠算法是一个组的一部分metaheuristic优化算法与不同的应用程序,演示了在计算机网络的适用性以及在这工作。

在未来的工作中,建议可以包括更多的样本进行优化。这将包括扩大FANET场景与4 g通信骨干网和开展模拟与其他决议(高清晰度)视频流量评估网络性能的经验和质量方面的影响,不同的传播机制使用的信号类型。

的利益冲突

作者宣称没有利益冲突。

引用

1. o . k . Sahingoz”网络模型飞行ad hoc网络(FANETs):概念和挑战,”《智能与机器人系统,卷74,不。1 - 2、513 - 527年,2014页。视图:出版商的网站|谷歌学术搜索
2. e·A·Marconato j . A . Maxa d·f·Pigatto A s r·平托n . Larrieu和k·r·l·j·c·布兰科”内部IEEE 802.11 n与IEEE 802.15.4:提供服务研究通信QoS提供安全FANETs”学报》第46届IEEE /联合会国际会议上可靠的系统和网络,DSN-W 20162016年7月,页184 - 191。视图:出版商的网站|谷歌学术搜索
3. s . Heddam h .λ,s . Filali”预测污水生化需氧量在污水处理厂使用基于广义回归神经网络的方法:比较研究,“环境过程,3卷,不。1,第165 - 153页,2016。视图:出版商的网站|谷歌学术搜索
4. a . Belbachir j . Escareno大肠卢比奥,h . Sossa”无人机上初步结果基于决策森林火灾定位导航”《研讨会研究、教育和发展无人机系统,RED-UAS 20152015年11月,页377 - 382。视图:出版商的网站|谷歌学术搜索
5. 罗德s、m . Putzke c . Wietfeld“临时自愈的OFDMA使用无人机中继网络,”特设网络,11卷,不。7,1893 - 1906年,2013页。视图:出版商的网站|谷歌学术搜索
6. j·李、周y和l .拉蒙特”网络无人机的通信体系结构和协议,”《IEEE Globecom研讨会2013年12月,页1415 - 1420。视图:出版商的网站|谷歌学术搜索
7. 赵z和t·布劳恩,”无人机自组网拓扑控制和迁移策略:一项调查,”《ERCIM eMobility MobiSense车间,2013年。视图:谷歌学术搜索
8. j .律,曾庆红y, r·张,t . j . Lim”UAV-Mounted移动基站位置优化”,IEEE通信信,21卷,不。3、604 - 607年,2017页。视图:出版商的网站|谷歌学术搜索
9. X.-S。杨,”一个新的metaheuristic bat-inspired算法”来自大自然的灵感合作策略优化(NICSO 2010)j·r·冈萨雷斯,d . a . Pelta c·克鲁斯,g . Terrazas和n . Krasnogor Eds。卷,284研究计算智能施普林格,页65 - 74年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
10. 即Bekmezci、m . Ermis和s·卡普兰,“连接多无人机任务规划飞行特设网络,”《IEEE国际黑海通信与网络、会议BlackSeaCom 20142014年5月,页28-32,。视图:出版商的网站|谷歌学术搜索
11. Bekmezci, o . k . Sahingoz,Ş。Temel”飞行ad hoc网络(FANETs):一项调查,“特设网络,11卷,不。3、1254 - 1270年,2013页。视图:出版商的网站|谷歌学术搜索
12. j·加戈,c . Douthe r . e . Coopman et al .,“无人机挑战评估可持续农业、水压力”农业水管理卷。153年,9-19,2015页。视图:出版商的网站|谷歌学术搜索
13. d . Orfanus e . p . De Freitas, f . Eliassen”自组织作为军用无人机中继网络,支持范式”IEEE通信信,20卷,不。4、804 - 807年,2016页。视图:出版商的网站|谷歌学术搜索
14. g . f . Wu Ramchurn x陈,在救灾协调humanuavteams, 2016。
15. 杨y、m . m . Polycarpou和a . a . Minai”Multi-UAV合作搜索使用一个机会学习方法,“交易的ASME-Journal动态系统、测量和控制,卷129,不。5,716 - 728年,2007页。视图:出版商的网站|谷歌学术搜索
16. X.-S。杨:“基于群体智能算法:一个批判性分析,“进化的情报,7卷,不。1,17-28,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年穆Jailton et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。