自适应ANP CRITIC的无人机集群网络优化算法

针对簇首选取过程中的指标权重适应性差与分簇规模差异性大等问题,提出一种基于自适应ANP CRITIC的无人机集群网络优化算法。结合无人机集群的分簇规模与节点能耗,通过节点连通度、节点负载失衡度、节点平均通信距离、节点剩余能量和节点相对移动性五个因素指标,设计ANP CRITIC自适应机制,实现不同编队飞行场景下各因素指标主客观权重的求解;引入博弈论的思想修正主客观权重,根据簇首权值选取最优簇首,并对文中算法性能进行仿真和分析。仿真结果表明,相较于LID算法、WCA算法和IWCA算法,文中算法的簇首数量和簇内平均通信距离控制在较优范围;在网络中节点失效率达到1%,20%,50%的情况下,文中算法无人机集群网络寿命分别延长约99.36%,47.97%和12.85%;簇内节点间通信质量分别提升约425%,147%和31%。结论可为无人机集群网络管理优化提供理论参考。

一种自适应无人机集群网络恢复方法

为解决无人机集群网络因节点失效造成网络性能和网络可靠性下降的问题,提出了一种自适应无人机集群网络恢复方法。通过信号稳定性和链路负载度对集群内部的通信代价进行评估,并结合图论构建无人机集群网络通信模型。同时,通过鲸鱼算法对灰色滚动预测进行优化,利用优化后的预测模型对通信代价进行提前评估。算法根据通信代价矩阵的预测值找到待恢复节点之间的最短路径,并利用负载均衡算法对恢复后的路径进行优化,实现无人机网络的性能恢复。仿真结果表明,该方法在无人机集群网络失效时可以快速进行拓扑重构,恢复通信节点之间的链路连接,并使网络具有良好的生存性和抗毁性。

无人机集群网络分簇优化算法

为解决无人机集群网络结构不稳定以及网络生命周期短的问题,提出一种基于改进灰狼算法的分簇优化方法。根据无人机节点的相对移动性和节点间的相对距离,对无人机网络中所有节点分簇,综合考虑簇内节点的剩余能量、最高节点度、通信情况、任务种类4个影响因素,基于灰狼优化算法选举最佳簇首。仿真结果表明,该分簇算法提升了分簇平衡度、统治集更新次数、节点生存个数等多个性能指标,稳定了网络结构,延长了网络生命周期。

基于机器学习链路权重优化的无人机网络路由算法

针对分布式“马赛克战”场景下侦察-判断-决策-行动(observe orient decide act,OODA)环通信加速的要求,提出了基于机器学习链路权重优化的无人机集群网络路由算法。针对OODA环当前阶段业务量通信需求,对业务量通信的完成时间进行建模,以最小化业务量通信完成时间为优化目标,通过利用机器学习梯度下降方法实现无人机集群网络分布式路由链路权重的优化,从而满足OODA环的通信加速要求,使己方可以先敌行动,获得战场主动权。仿真表明,相比于现有无人机网络的路由算法,提出的算法能显著降低OODA环的通信时间,提高数据报文传输成功率。