一种面向无人集群组网的分布式可靠传输保障方法与流程

本发明属于无人机自组网及通信传输可靠保障领域，涉及一种面向无人集群组网的分布式可靠传输保障方法。

背景技术：

1、面对复杂的工业应用环境，无人集群自组网在数据收集、数据传输过程中会受到外界环境的各种干扰、以及节点机动性带来的拓扑结构动态变化等影响，导致网络出现故障。若各节点无法有效地与汇聚节点进行采集数据及任务指令等信息的交互，将会影响网络的正常工作。为保障网络的可靠传输能力，从路由协议设计到传输路径规划两方面进行分析与提升是关键突破点。

2、在无人集群网络中，无人机作为资源受限的终端，采用集群分簇组网这一网络组织形式可以有效地解决无人机节点之间的通信问题，同时提升网络性能。相关领域的兴起与发展主要得益于无人机大规模集群的应用需求以及传统网络组网中尚存的挑战。一方面，随着无人机在各领域的广泛应用，无人机集群具有更加广泛深远的发展前景。为满足无人机集群所需的高效协作和通信能力，簇型组网是一个可行的解决方案。另一方面，在传统的ad hoc网络中，节点之间的通信往往是平等的，没有明确的组织结构，存在带宽资源浪费等问题。而无人机集群分簇组网可以通过聚类、分工等方式优化节点之间的通信，提高网络效率。

3、目前，无人机集群分簇组网的研究已经取得了许多进展。经典的分簇协议，如leach(low-energy adaptive clustering hierarchy)和heed(hybrid energy-efficientdistributed clustering)已经被广泛应用。leach算法是一种经典的能量高效聚类算法，该算法通过随机轮换簇头的方式，实现了节点间能量的均衡分配，延长了网络寿命。但是，由于其随机性较强，可能会导致网络分簇不均匀，加大网络能耗。heed算法是在leach算法的基础上提出的改进算法，它引入了节点能量收益度和空闲度等因素作为选择簇头的依据，从而大大提高了簇头的稳定性。然而，由于该方法未考虑节点间的距离信息，使得其也会带来簇分布不均匀的问题，同时由于其需要对节点的多个参数进行计算，导致其复杂度较高，运算资源消耗大。总体而言，传统的无人机集群分簇组网技术具有一定的优势和局限性，需要根据具体应用场景灵活选择，并结合新的技术手段进行改进和创新。例如，许多学者从不同角度对该领域进行了深入研究，包括：基于机器学习的簇头选择算法、考虑能量收益和时间延迟等多指标的优化算法等。

4、针对无人集群网络中的传输路径规划问题，如何选取并提供一个稳定可靠的数据传输路径，同时考虑路由智能恢复过程中能耗最优的机制是研究的基础和重点。就这一点而言，智能仿生优化算法以其分布式计算、实现简单、并行性、鲁棒性等优点为网络优化甚至np-难问题等提供了新思路，并在无线网络传输及覆盖等领域得到了广泛研究。其中，粒子群算法具有较快的收敛速度以及较强的全局寻优能力，人工蜂群算法具有快速收敛、适用于高维度、对初始点依赖性低、强局部搜索能力等特点，因此这类算法被认为是解决网络路径规划问题的一种有效工具。

5、综上所述，为实现无人集群组网的分布式可靠传输保障，以网络能耗、节点寿命、负载均衡性为优化目标，合理设计无人机集群分簇组网协议；在智能优化算法的基础上，拓展并融合群智能相关技术，并推动其在网络路径低时延、高可靠性规划中的应用，是有待进一步探究的重要问题。

技术实现思路

1、有鉴于此，针对无人机集群分簇组网协议设计中的网络路径低时延、高可靠性规划两类问题，本发明提出了一种面向无人集群组网的分布式可靠传输保障方法，该方法以网络能耗、节点寿命、负载均衡性为优化目标，通过合理设计无人机集群分簇组网协议，可选取合适的路由路径。

2、为了实现上述目的，本发明所采用的技术方案为：

3、一种面向无人集群组网的分布式可靠传输保障方法，应用于大规模无人集群网络，所述网络的网络节点数为n，这些网络节点分布在hx×hy×hz的区域内，hx为空间的长度，hy为空间的宽度，hz为空间的高度，包括以下步骤：

4、步骤1：集群中各无人机采集通信范围内的目标信息、以及邻居无人机的力量信息；

5、步骤2：基于所述通信范围内的目标信息、以及邻居无人机的力量信息，采用遗传算法优化的模糊c均值算法实现初始簇首的动态选举，进而完成分簇构建与形成；

6、步骤3：对于各簇，基于簇内各无人机的通信范围建立簇内拓扑结构，簇内启动基于无人机损耗的leach路由协议，周期性轮换簇首；

7、步骤4：对于各簇，簇内启动分布式轮询控制机制，簇首无人机基于簇内拓扑结构收集簇成员无人机所采集的目标信息，并生成融合信息；

8、步骤5：对于各簇，汇聚节点无人机作为指挥控制中心，与各簇首建立通信路径，采用基于人工蜂群优化粒子群的智能容错算法，提供簇间指令传输路径及备份路径，实现任务需求与指令的全局信息的下发，以及各簇融合信息的上报。

9、进一步地，步骤1中，所述通信范围内的目标信息包括环境态势、通信资源状态、任务对象，邻居无人机的力量信息包括其能量信息、位置信息。

10、进一步地，步骤2的具体方式为：

11、步骤201：以网络能耗为无人集群的关键性能指标，采用优化算法计算期望能耗最低时的集群最优簇数：

12、在h×h的监控区域内，网络运行一轮的能耗包括发射电路、节点功率放大器发送数据能量的消耗，以及簇首节点信息融合能量消耗；假设各节点发送kbit数据包，定义θ表示信道功率放大所需能量，eele为发送单位比特电路消耗的能量，ech为簇首融合1bit冗余信息的能耗，dsink为节点到汇聚节点的距离，则总能耗为：

13、esum≈n(k·eele+θ·h2/2π)+n·k·(eele+ech)+m·k·θ·dsink

14、对分簇个数m求偏导，偏导数为零时的m即为当前网络状态下的最优簇数，即

15、步骤202：对无人集群分簇问题进行描述，其中无人机节点集合为x＝{x1,x2,…,xn}，将x分为m个模糊组，通过优化分簇聚类损失函数得到各无人机节点对所有簇中心的隶属度，从而决定无人机节点的类属：

16、设定模糊c均值算法的损失函数为

17、且其中，ji为第i个无人节点的损失函数；n代表无人集群的规模；xi代表第i个无人机节点；α∈[1,∞)为模糊因子；mj为第j簇的中心；φij表示无人机节点i对簇中心j的隶属度；φij和mj分别满足：

18、与

19、通过如下一致性估计器对j进行近似：

20、

21、

22、其中，ψi为第i个无人节点对的近似；a(i)为第i个无人节点在通信拓扑中的邻居节点集合；v为a(i)邻居节点集合中的某个无人节点；aiυ为无人集群通信拓扑图的邻接矩阵的第(i,υ)个元素，且满足对于υ∈a(i)有aiυ＝aυi，对于有aiυ＝aυi＝0；γ为正常数；为辅助变量，i为无人节点的序号；当上式达到稳态时，利用其输出信息ψi获取损失函数j的值为j＝nψi；

23、步骤203：采用遗传算法确定模糊c均值算法的初始聚类中心，形成遗传算法优化的模糊c均值算法：

24、(a)初始化遗传算法的参数，包括种群规模、交叉概率、变异概率，设置进化终止条件；

25、(b)基于无人集群最优簇数m，采用二进制编码，染色体χ＝{χ1…χi…χ2m}中的每两个等位基因代表一个簇中心的坐标；

26、(c)随机产生初始种群，设置进化代数计数器t＝0；

27、(d)评价集群内各无人机节点对m个簇的适应度，适应度函数为f＝1/j；

28、(e)通过选择、交叉、变异进行种群进化，依据适应度选择新一代种群并判断是否满足进化终止条件：其中δ为迭代步数，为误差阈值；

29、(f)若满足进化终止条件，则终止计算并输出簇中心mj及各无人机节点的最终隶属度结果φij，mj为初始簇首；否则，t＝t+1，重复(d)-(f)；

30、步骤204：所有簇成员节点根据其最终对应的隶属度结果φij，主动确定并选择所属簇首，完成入簇。

31、进一步地，步骤3具体为：

32、步骤301：设定无人机通信半径为η，无人集群分簇完成后，各簇基于其中各无人机的通信半径构建连通性矩阵a，形成簇内拓扑结构，各节点均备有邻居表，用来存储邻居节点的相关信息，相关信息包括网络中各节点唯一的id号、节点剩余能量、通信能耗、传输时延；簇内各成员无人机及簇首无人机的通信半径内不存在其他簇内无人机；

33、步骤302：簇内各无人机节点评估自身的能量信息、剩余通信带宽的资源状态，并记为eres，通过分布式通信拓扑连接实现评估信息eres的交互，进而获取簇内状态平均评分eave；

34、步骤303：簇首选举阶段，各无人机节点将自身评分eres与所在簇的平均评分eave进行比较，若eres＞eave，则该节点成为本轮候选节点，否则，仍置为簇成员节点；

35、步骤304：基于leach路由协议，为各候选节点生成一个0～1之间的随机数与簇首选举的阈值δ进行比较，若则该节点当选为本轮簇首，否则，仍置为簇成员节点；其中，针对每个无人机节点，设置其参与簇首选举的阈值为：

36、

37、其中，p为被选举为簇首的概率，r为当前选举轮次，β为调节因子；

38、对于以下两种情况：

39、1)簇内所有节点生成的随机值均大于阈值δ，即没有节点能够担任当前轮次的簇首；

40、2)簇内多个节点生成的随机值均小于阈值δ，即多个节点均可担任当前轮次的簇首；

41、选取eres/eave最大的节点担任簇首。

42、进一步地，步骤4具体为：

43、步骤401：簇首无人机发送分簇广播，基于簇内拓扑结构，在其通信半径内的邻居簇成员无人机收到其发来的广播后进行应答，且按照应答的先后顺序依次发送应答信号给簇首无人机；

44、步骤402：簇首启动轮询控制机制，根据节点的反馈信息生成轮询表，轮询顺序和节点id相对应；当邻居簇成员无人机出现故障、损坏问题，导致通信延时高、响应慢、链路中断时，簇首将其从轮询表中删除，后面节点的轮询顺序依次提前；

45、步骤403：簇成员无人机节点间基于簇内拓扑结构进行自身状态信息与采集信息的交换和共享，以此保障未直接与簇首节点通信的节点，通过多跳邻居的方式进行信息的获取与反馈；

46、步骤404：一个轮询周期结束后，簇首对收集到的数据进行去冗处理，并基于加权幂平均算子对其进行融合处理，得到融合信息；

47、所述融合信息一方面用于向汇聚节点传输，以实现汇聚节点对整个无人集群组网态势的评估与调控；另一方面用于生成控制决策，并基于簇内拓扑结构将控制决策共享给簇成员无人机，进而推动簇内各无人机的自主规划与行动。

48、进一步地，步骤5具体为：

49、步骤501：初始化粒子群算法和人工蜂群算法中的相关参数，包括无人集群规模n，最大迭代次数imax，限定的循环次数lim，学习因子s1和s2，惯性权重的初始值ω1和终值ω2；

50、步骤502：将集群等分为两个种群，种群1中的个体按照粒子群算法操作进化，种群2中的个体按照人工蜂群算法操作进化；

51、首先，种群1中的粒子规模记为n1，其中第i个粒子在dim维的搜索空间中的位置为pi＝(pi1,pi2,…pidim)，其飞行速度也是一个dim维的向量，表示为vi＝(vi1,vi2,…vidim)；该粒子迄今为止搜索到的局部极值为li＝(li1,li2,…lidim)，整个种群迄今为止搜索到的全局极值为lg＝(lg1,lg2,…lgdim)，粒子群算法采用下式实现粒子的演化：

52、vid＝ωvid+s1r1(lid-pid)+s2r2(lgd-pid)，

53、pid＝pid+vid

54、其中，i＝1,2,…,n1，d＝1,2,…,dim，r1和r2是[0,1]上均匀分布的随机数，ω＝(ω1-ω2)·(imax-i)/imax+ω2，i为当前迭代次数，imax为最大迭代次数；每一维粒子的速度都被限制在[-vmax,vmax]且vmax＞0之间，若vi＞vmax，则取vi＝vmax，若vi＜-vmax，取vi＝-vmax；

55、其次，对于种群2采用人工蜂群算法，蜂群由采蜜蜂、观察蜂、侦察蜂组成，每个蜜源的位置代表优化问题的一个可能解，蜜源的花蜜量即收益度对应于问题的函数值即适应度；采蜜蜂的规模为n2，蜜源和初始解的数目也为n2，每个解为一个dim维的向量；经过初始化，采蜜蜂、观察蜂和侦察蜂开始循环搜索；采蜜蜂记住自己以前的最优解，在采蜜源附近邻域搜索，搜索公式为：

56、

57、其中，i*∈{1,2,…,n2}，d*∈{1,2,…,dim}是随机选择的下标，且i*≠i，r3是[-1,1]上均匀分布的随机数；

58、采蜜蜂采用贪婪准则，比较记忆中的最优解和邻域搜索解，当搜索解优于记忆最优解时，替换记忆解；反之，保持不变；所有的采蜜蜂完成搜索过程后，将蜜源信息通过舞蹈区与观察蜂共享；观察蜂据此按与花蜜量相关的概率选择一个蜜源位置，花蜜量大的采蜜蜂吸引观察蜂的概率大于花蜜量小的采蜜蜂；观察蜂对记忆中的位置做改变，并检查新位置的花蜜量；若新位置优于记忆中的位置，则用新位置替换原位置；反之，保持不变；一个观察蜂选择某个蜜源的概率为：

59、

60、其中，fiti为第i个解的适应度值；

61、假如一个蜜源经过限定的循环次数lim后未被改进，则该蜜源处的采蜜蜂成为侦察蜂，该蜜源位置被侦察蜂在解空间内发现的随机新位置代替；

62、步骤503：每隔u次迭代，两个种群进行一次信息交流；

63、信息交流的内容为：种群1中计算的全局极值lg用两个种群中的最优个体替代；种群2更新过程所使用的解从采用粒子群操作进化的种群1中随机选取；

64、步骤504：记录当前整个群体中的最佳个体，若满足精度要求或进化已达到最大迭代次数imax，则终止算法，否则继续迭代；最后，输出种群1中的节点信息，即为最优路径，种群2的节点信息为备份路径。

65、本发明的有益效果在于：

66、1、在无人集群组网中，当存在节点损毁，网络出现盲区时，本发明可以快速计算出一个全网节点的移动策略，保证网络连通性；

67、2、本发明可计算出网络中负载均衡以及能耗最小兼顾的可靠路径以及备用路径，提升信息传输的效率；

68、3、本发明可提升网络的鲁棒性以及信息发送的可靠性，为集群组网提供支撑。