基于加权虚拟力的空中传感器网络分段部署算法

为提高空中传感器网络部署算法的适用性,实现对复杂环境的部署,提出一种加权虚拟力空中传感器网络分段部署算法,并建立空中扩散模型与地表扩散模型。空中扩散模型可减少节点在部署曲面上移动的能耗,使节点大部分的扩散过程在空中进行。地表扩散模型可减少节点暴露于空中的时间,从而避免受环境以及突发事件的影响。仿真实验结果表明,与三维虚拟力部署算法相比,该算法可以实时调整部署过程,部署时间短,适用性强,达到较好的部署效果。

空中传感器网络中负载均衡的地理路由协议

针对多跳空中传感器网络(Aerial Sensor Network,ASN)中的负载不均衡问题,提出了强化学习(Reinforcement Learning,RL)理论辅助的队列高效地理路由(Reinforcement-Learning Based Queue-Efficient Geographic Routing,RLQE-GR)协议。RLQE-GR协议首先将ASN路由问题抽象为强化学习(RL)任务,其中每个无人机抽象为一个RL状态,而数据包的每跳成功转发则抽象为一个RL动作。其次,RLQE-GR协议中引入了新的奖赏函数来评估每次动作,该奖赏函数的值不仅与无人机节点地理位置和每跳链路质量相关,而且与无人机节点的可用路由队列长度密切相关。然后,根据所设计的奖赏函数,RLQE-GR协议利用Q函数分布式地更新每个动作的长期累积奖赏值(Q值),并使得每个节点根据本地Q值的大小采用贪婪策略转发数据包。最后,为了使全网的Q值快速收敛且最小化收敛过程中造成的路由性能损失,RLQE-GR采用周期性信标机制对Q值进行迭代更新。当Q值收敛时,RLQE-GR协议能够实现可靠有效的多跳数据传输性能。与现有地理路由协议相比,所提协议在转发数据包的同时考虑了节点之间的相对距离、每跳链路质量和中间节点路由队列利用率。这使得RLQE-GR协议能够在保证路由跳数以及数据包重传次数的限制下,实现ASN的负载均衡。此外,利用强化学习理论,所提协议可以实现近乎最优的路由性能。

空中无线传感网复杂路径自主部署技术研究

为了能够完成对真实环境中复杂目标路径的监测,提出了一种基于虚拟力的三维空中无线传感器网络复杂路径自主部署算法,该算法创新性地采用由复杂路径产生的"引力曲线"构建虚拟力场,使无线传感器网络中的节点能够自适应地完成对复杂目标路径的覆盖。仿真实验表明,与传统的虚拟力算法相比,该算法的部署过程更为迅速,路径覆盖率、均匀度均有较大提升。