基于數據分析算法的多目標覆蓋無人機網絡布局方法研究

柳學斌,李翰山

(1.西安工業大學機電工程學院,陜西 西安 710021;2.西安工業大學電子信息工程學院,陜西 西安 710021)

1 引 言

多目標網絡是相互連接的多個節點具有連通性和無約束、獨立訪問控制和資源共享功能的網絡,具有獨立運動的能力[1]。多目標覆蓋是一種高效、經濟、有效的提高系統性能和整體效率的新技術,它是一種具有自主學習能力的網絡,能夠為不同的目標用戶提供獨立的訪問控制服務。多目標覆蓋無人機網絡布局方法有很多優點:首先,在不同地理環境下,目標覆蓋無人機具有獨立的訪問控制功能,可以有效解決單個目標用戶在不同網絡環境下無法訪問控制區域的問題,同時可以根據實際情況調整各節點之間的距離,從而提高系統性能;其次,在進行多目標網絡布局時,可以根據實際情況確定目標節點的數量,同時通過多用戶訪問控制策略對每個任務進行調度[2-3]。但由于地面環境受地理條件影響更大、制約更多,對生命安全和經濟利益也存在嚴重威脅,難以大規模推進開發,因此對現有技術的改進十分必要[4]。

2 數據分析算法在無人機網絡布局中的應用

數據分析算法在飛機布局優化過程中起著非常重要的作用,主要是利用計算機模擬實際飛行環境,然后對獲取的信息進行處理。由于各種因素的影響,測量數據存在誤差,可能導致最終的數據結果與實際情況存在差異,因此在自由網絡均衡之前,根據數理統計的原理將數據劃分為數據均值的置信區間。通過加權平均得到最終的數據分布,然后對得到的結果進行精度評估,再利用GPS RTU得到無人機在空中和地面平臺的實時動態覆蓋情況[5]。

數據處理過程包括:數據過濾、數據預處理、決策樹分類等。數據過濾是一種高效、快速的數據處理技術,其主要功能是對待獲取的目標進行過濾,以獲得最優解。本文主要采用數據分析算法進行數據篩選,首先對目標區域的網絡拓撲結構和數據采集情況進行分析,通過建立模型得到各節點在網絡中所扮演的角色以及各決策單元與調度中心之間的權重,然后根據實際情況計算出每個特定位置下對應的兩個最優解個數并分配給兩個用戶。數據預處理是指對獲取的原始數據進行預處理的過程,即從大量的冗余信息中提取出需要分析描述的特征,并將這些特征按照一定的規則進行分類,以獲得有效信息。該方法首先對數據進行預處理,將其劃分為有限塊,然后建立模型,利用合適的方法計算出目標區域內網絡的節點數、平均相對密度和權重比等特征參數。最后,利用加權貼近度法確定最小化代價函數和綜合最優因子權重,得到多級(最短距離)覆蓋效果的最優解,并根據得到的優化結果導出各優化決策表和決策樹。決策樹分類算法是一種利用先驗信息的不確定性來預測樹分類模型中每個識別個體在特定條件下可能發生的動態變化,并基于這種趨勢進行決策,從而達到全局最優或局部最優的方法[6]。

3 無人機傳感器多目標覆蓋模型

3.1 無線傳感器網絡

無線傳感器網絡(WSN)主要由傳感器節點、感知網絡和用戶三部分組成,在實際應用中具有非常重要的地位。無線傳感器網絡是由節點相互連接的,每個節點可以通過與其他三個單元進行數據傳輸,因此節點間的相互通信成為無線傳感器網絡研究中的一個非常重要的內容。傳感器節點包括普通節點、聚合節點和管理節點,與聚合節點的通信是不同的。一般在普通節點和管理節點之間進行數據傳輸時不會發生沖突,但在管理節點和聚合節點之間進行數據傳輸時容易發生沖突,所以在實際的無線傳感器網絡研究中,可以將WSN作為多目標覆蓋系統。該系統主要用于解決遠距離環境下地面信息無法獲取、難以對實時地理位置做出有效判斷等問題,也可應用于無人機巡航監測和無人駕駛應用,實現多目標覆蓋構建和優化調度[7]。WSN體系結構如圖1所示。

圖1 無線傳感器網絡體系結構

3.2 傳感器節點組成

傳感器節點是無線傳感器網絡中重要的基礎構件,其性能直接影響到無線傳感器網絡的可靠性和有效性。傳感器節點的工作就是收集數據信息,并將處理后的數據信息傳遞給終端,從而實現無線傳感器網絡節點之間的通信。傳感器節點的優點是體積小、重量輕、易于布置,可以有效地提高節點的效率,降低網絡成本。傳感器節點之間可以通過協議等方式進行通信,實現多目標覆蓋。傳感器節點的基本組成部分(如圖2所示)包括:電源部分、數據采集、數據和信號處理、無線射頻單元。

圖2 傳感器節點基本構造塊

供電部分是無線傳感器網絡的核心部分,可以保證整個設備系統的正常運行,而無線接入網為其提供了很好的保障。數據采集模塊分為傳感器和AC/DC兩部分,主要用于采集目標數據,并將采集到的數據通過網絡傳輸給數據和信號處理模塊。數據與信號處理模塊分為處理器和存儲器兩部分,完成對目標數據的處理,從而實現無線傳感器網絡與多用戶無線接入網的通信,提高系統資源的利用率。無線射頻模塊將傳感器節點之間的無線信號匯聚,通過網絡傳輸給控制器模塊,實現目標數據與傳感器節點之間的信息交換[8]。

3.3 無線傳感器網絡覆蓋

無線傳感器網絡是一種分布式、低能量密度、高功耗的網絡節點,可以在任何地方使用。它可以用來感知周圍的環境,并通過通信鏈路轉發給周圍。目標覆蓋無人機的主要任務來自以下三個方面:首先,它得保證地面設備與導航系統之間的正常通信,以保證無人機在空中的導航系統能夠正常工作;其次是對地面終端進行有效控制,協調處理等工作,然后是對其周邊環境進行合理有效的管理;最后,對地面終端設備進行合理的管理。最后,對地面終端設備進行有效的布局,保證無人機能夠在空中正常飛行,最終實現整個系統網絡結構的高效。

3.3.1 覆蓋的感知模型

在實際應用中,不同的目標覆蓋也會產生不同類型的感知體驗,如根據目標覆蓋分為均勻分布、局部離散和混合高斯三種,而根據不同目標覆蓋模型的不同特點又可以分為混合高斯和網絡密度。基于無線傳感器規劃中多采用的數據分析算法,實際應用中由于環境因素、實時時間等的影響,存在多種優化方案,常用的有幾種典型模型:布爾感知模型和概率感知模型等[9]。

布爾感知模型是一種區域內節點覆蓋的模型,其核心思想是將一個網絡抽象為若干個節點,每兩個相鄰的單個節點共同構成一個整體。在這種分布式樹狀圖下進行網格劃分時,首先確定各頂點通過相鄰網格元素相互建立互聯關系,實現整個拓撲的構建,然后通過劃分網格確定各節點之間相對獨立的連接關系,最后在此網絡中進行計算。布爾感知模型的數學表達式如方程(1)所示:

(1)

其中,點i是目標區域中的一個點;d(i,j)是點j到傳感器節點i的歐幾里得距離。點j被點i覆蓋,或者不僅被感知的距離r所覆蓋,而且被d(i,j)之間的大小所覆蓋。當d(i,j)≤ri時,節點j可被節點i感測,并標記為1。反之,當d(i,j)≥ri時,節點j與節點i之間的距離超過節點i的感知距離,節點j不能被感知并標記為0。

概率感知模型是在認知理論和現代計算技術基礎上發展起來的預測方法。它將人類對不確定性因素影響的識別轉化為能夠描述未知事物或現象之間聯系和變化規律的東西,并能夠從這些已知信息中提取有用的數據。模型目標被感知的概率不是一個常數,而是由目標到節點的距離以及節點的其他物理特性等多種因素決定的變量。當節點i上不存在鄰居節點時,節點i在當前檢測區域中感測另一節點j的概率示于等式(2),(3)和(4):

pij=e-αd(i,j)

(2)

(3)

(4)

其中,d(i,j)為節點i與j之間的歐幾里得距離;α、β為與傳感器物理特性相關的類型參數,覆蓋概率在0～1之間。若節點i與相鄰節點的感知區域重疊面積為M,且各節點彼此獨立感知目標點,則M中任一節點j的感知概率如式(5)所示:

(5)

3.3.2 無線傳感器網絡覆蓋算法分類

在實際工程中,通常根據不同的數據處理需求選擇適合無人機規劃管理應用需求的覆蓋系統。每個區域網絡拓撲和節點的各個部分相互影響,形成復雜的網絡場景,不同的場景使用不同的覆蓋方式,主要的覆蓋方式有點覆蓋、面覆蓋和柵欄覆蓋,這三種覆蓋方式對應圖3中的(a)、(b)、(c),圖中的正方形表示目標區域,圓形表示工作節點的感知范圍,三角形表示監測目標,黑色實心點表示工作的傳感器節點,白色空心點表示休眠的傳感器節點。

圖3 覆蓋法

4 基于數據分析的多目標覆蓋無人機網絡布局方法

4.1 數學規劃算法

合作路徑的規劃問題實際上是一個基于約束的最優問題,是典型的多目標優化問題。在實際應用中,由于不同地區的網絡規模、地理環境和使用情況各不相同,各地區之間的規劃應考慮節點自身的條件和約束等方面,制定出最合理、最具成本效益的方案,以達到系統優化的目的。但是,這種方法也有其自身的缺點,它計算量大,過程復雜,并且需要使用相關的軟件[10]。

4.2 動態規劃方法

動態規劃是求解多步問題的有效方法。由于現實中存在許多不確定性,優化問題的求解往往時間復雜度高、數據量大、處理難度大。動態規劃方法是一種解決問題的方法和思路,它不是一種特定的算法。在實際應用中,我們可以通過動態規劃的思想,根據具體問題的要求選擇最優算法。

4.3 離散搜索法

離散搜索方法主要用于獲取復雜場景中兩個目標的最短路徑,并求解最短路徑上的最優解。該算法具有搜索速度快、準確率高、能夠快速獲取網絡拓撲圖和資源分配等優點,但也存在一些不足。例如,當目標到達時,需要通過不斷調整自身位置或增加服務節點來實現局部優化,以達到最終目標。在實際應用中,由于目標類型和數量的不斷增加,不同類型的網絡拓撲對其性能有顯著影響,因此需要選擇合適的節點數量來提高系統效率。同時,還需要考慮多個目標覆蓋區域之間存在相關性。

4.4 智能優化方法

智能優化方法是通過模擬人腦,在一定條件下自動控制系統,使整個系統得到優化的方法。該方法可以實現多參數變量約束的復雜網絡問題的求解。它的優點是能夠獲得全局范圍內的所有可行解。其缺點是需要大量人力參與解決計算工作量大、效率低等問題,智能優化算法是一種新發展起來的技術理論和計算機輔助設計理念,在實際應用中具有非常廣闊的應用空間和良好的效果。

4.5 人工勢場法

人工勢場法首次應用于機器人避障路徑規劃。人工勢場法的原理是通過分析目標在環境中的特征來獲取目標信息,然后根據數據計算出最優解。然而,人工勢場方法存在一些缺陷,如無法得到真實有效的觀測實際路徑點、節點間距離和方向信息,且由于不同區域之間的相互作用,導致網絡拓撲結構復雜多變且難以建立數學模型,無法得到精確的優化解,導致網絡性能嚴重下降。此外,通過解決邊緣值問題,可以理解無人機飛行路徑,用于多無人機協同覆蓋路徑規劃。

5 結 論

本文在對現有幾種主流機型的多目標覆蓋模型進行數據分析的基礎上,研究了一種基于數據分析的多目標覆蓋無人機布局方法。該模型以無人機飛機飛行過程中的實際空中氣象數據為基礎,在不同天氣條件下,將不同區域的節點根據各自的不同時間段進行相互協調,形成網絡拓撲結構。該方法以無人機飛行過程中天氣因素對地面目標覆蓋影響最小為約束,通過模型的建立最終推導出更加合理、經濟可行的多目標優化方案。隨著數據分析技術的發展,未來或許能有更多無人機在實踐中得到應用和推廣。