【《多无人机路径规划中的相对定位技术增强策略研究（论文）》19000字】

其解决不同维度的随机参数序列问题的性能设计最优可行算法。并针对同一场景进其次提出新的基于GAT网络的强化学习算法。对分层强化学习和GAT网络进行介绍，并详细介绍GAT网络独有的图注意力机制，根据网络特性设计算法，生成详最后将改进后的蚁群、遗传、粒子群、模拟退火算法和基于GAT网络的强化学本文采用的无人机工作场景为农业领域多植保无人机辅助边缘计算系统进行数据采集和边缘计算的过程。如图1所示，空间内随机分布多个传感器SN,SN内存放无人机需要进行传输和计算的数据。在地面固定一个基站GBS作为无人机的充电并与GBS进行数据传输，该过程结束后无人机会与GBS传感通信，通信成功后，GBS会对大部分数据进行边缘计算，剩余数据部分可以分配到无人机内进行辅助边缘计算。多个协同工作的无人机需要进行任务分配，在此类环境内选定个体的工作范围即需要负责的SN集合。无人机需要从GBS出发途径该个体需要负责的所有的科的知识储备已不足以全面把握问题的本质。因此，强化跨学科的合作与交流变得至关重要。融合不同学科的专业智慧、研究方法与技术资源，科研人员能更有效地应对复杂的科学挑战，探索更为全面和深入的解决方案。跨学科协同不仅加速了新思想、新技术与新应用的诞生，还为科研工作者拓宽了认知边界，引入了多样化的思考路径。数据采集传输过程无人机需要从传感器获取数据，同时将数据传输到基站，每传输周期传输单位段数据流，采集并传输到基站，在此类场景里其具有成功和失败两种情况，当数据流传输失败后会对该数据流进行选择重传(刘文博，韩昕器完成数据采集传输、传感和边缘计算工作并飞回基站时，需要通过回到GBS进行 UAVPathDataTransmissionC无人机在采集数据的过程与边缘计算过程均需要与地面基站进行通信，其遵循感知发送协议，这在某种程度上表达出即基站为无人机分配子信道后，无人机与基站进行数据传输和通信交流。为评估无人机的感知质量，因此采用概率感知模型，其中λ是评价传感性能的参数，1i表示无人机i到任务i的距离。考虑到无人机在与传感器和基站的通信模型为空地链路模型，在无人机传输过充中，无人机通过正交子信道将感知数据传输给基站，以避免相互干扰。因此将无人机发射功率表示为Pu,可以将无人机i的基站接收信噪比表示为(李昕怡，王琳确指引，强调了理论探讨与实证研究相结合的关键性。本研究不仅验证了现有理论模型的正确性，还指出了实际操作中可能面临的障碍与限制，为后续探索提供了有 价值的参考。研究成果为解决实际问题提供了具体的方法和途径，使理论知识能够更有效地指导实践行动，增强了决策的科学性和合理性。这在某种程度上反映无人 其中r=Jx²+v²,po=233.98/ogn(hi)-0.95,r=max{294.05los,(h)-432.94,18}当信道包含视距分量时，从无人机i到基站的路径损耗可表示为(蔡昊泽，邓梦琪，2023):PLos,;=30.9+(22.25-0.5log1₀(h,))×log1(d)+20log₁₀(fc)(4)视距情况下，小尺度衰落Hi服从Rice分布，尺度参数Q=1,这在一定尺度上呈现形状参数K[dB]=4.217log10(Hi)+5.787。另一方面，当信PLNos,;=32.4+(43.2-7.6log10(h₁))×log1o(d;)+20log₁(f.)为了实现成功的传输，地面基站处的SNR需要高于解码阈值yt。因此，每个无人机都可以通过计算基站信噪比大于y¹/8的概率来评估其成功传输的概率。无人Pr,=Przos,;(1-F(XLos,;))+(1-Pros,)(1-Fa(XNLos,;)) 其中xwas=N,10rm/P,xLoSi=N,10°/P,F()=1-Q<2K,JZK+1)是Q=1的莱斯分布的累计分布函数(CDF),是单位方差的瑞利分布的CDF。这这在某种程度上展示对于无人机飞行至传感器上空进行数据传输的过程，我们无人机每周期采集并向基站进行数据传输，不考虑未分配子信道的情况整个过传输成功：传输成功后将进行下一个数据量di的传输。 遗传算法的基本思想为达尔文生物进化论中“物竞天择，适者生存”的理论，算法模拟选择、交叉、变异过程，某程度能看出其中选择过程保留父代个体，交叉过程由两个父代个体遵循交叉原则得到新个体，变异过程由一个父代个体遵循变异原遗传算法的算法的算法流程如图所示(丁志，余梦琳，2023):开始开始算法初始化，设置进化代数计数器t=0、最大进化代数Tmax、交叉概率pc、变异概率pm、随机生成M个个体作为初始种群P根据适应度函数计算种群P中每个个体的适应度进行交叉运算，根据交叉概率pc,对种群个体两两进行交叉进行变异运算，根据变异概率pm,种群个体进行变异是结束图2遗传算法流程图3.2.2算法设计其适应度函数设计为(沈天瑜，钱婉君，2023):该适应度函数，根据现有的结果数据我们推出了不能考虑到实际过程中无人机的通信情况和电量损耗情况。因此在一维序列的情况下，设计适应度函数(宋嘉琪，魏静，2023): 第三章传统离线算法解决多参量随机序列问题实验结果表明对于20个传感器的无人机任务所构成的一维序列，遗传算法不稳定收敛，因此解决多变量随机问题，从这些技术可以看明白可以采用K-means聚类算法，针对不同不同数目的无人机进行传感器聚类，后分解为多个数目较小的一维序列问题(雷莉，岳慧妍，2023)。优化设计过程中，本文特别强调了经济合理性与方案的可复制性，相较于初步规划，在多个维度上进行了改良与调整。成本控制方面，通过简化非必要流程、采用更具成本效益的策略，有效降低了整体投入成本，使方案更显经济实惠。同时，为提升方案的可推广性，设计时全面考虑了地域差异与环境适应性，确保其能在广泛条件下稳定运行，便于其他单位或个人轻松借鉴与应用。3.2.3改进遗传算法实验仿真根据上述理论，对改进后的结合K-means聚类的遗传算法解决一维序列问题进行实验仿真，最终最优解为3无人机协同工作，具体参数如下：交叉概率pc见附录见附录见附录见附录见附录3总时间T(s)总耗电量E(W●s)无人机1时间t1(s)无人机1总耗电量el(W●s)无人机2时间t2(s)无人机2总耗电量e2(W●s)无人机3时间t3(s) 总时间T(s)总耗电量E(W●s)无人机1时间t1(s)无人机1总耗电量el(W●s)无人机2时间t2(s)无人机2总耗电量e2(W●s)无人机3时间t3(s)无人机3总耗电量e3(W●s)图13粒子群算法多无人机路径规划聚类图图14粒子群算法多无人机路径规划图 第三章传统离线算法解决多参量随机序列问题根据实验结果分析，结合K-means聚类的模拟算法解决多无人机协同工作问题可以完成无人机尽可能不进行充电而增派无人机的目标，根据现有的结果数据我们推出了但实验结果存在较大误差，因此任务其容易陷入局部最优解。通过对四类传统经典算法进行改进，使其能够很好的适应本文所提出的多无人机协同工作的辅助边缘计算系统。但其算法性能参差不齐，从数据上看，改进的蚁群算法与模拟退火算法解决单无人机问题都具有很好的收敛特性，但改进的模拟退火算法多无人机协同工作模式呈现出较差结果。其中可以发现一些线索而在解决多无人机问题时，改进后的粒子群算法、模拟退火算法、遗传算法都需要借助K-means聚类分析进行路径规划，其结果受聚类结果影响较大，从这些技术可以看明白通常得到解为该问题下的局部最优解。改进后的蚁群算法，在解决多维序列问题仍具有较好的收敛特性，缺失最优对比，无法确定其是否陷入局部最优解。上述四类算法都面临同一个问题为目标优化过程需要传感器位置、传感器当前待解决数据量、基 传感器数据量 实验结果如下：参数名称3总时间T(s)总耗电量E(W●s)无人机1时间t1(s)无人机1总耗电量el(W●s)无人机2时间t2(s)无人机2总耗电量e2(W●s)无人机3时间t3(s)无人机3总耗电量e3(W●s)图24GAT强化学习多无人机协同路径规划图 第四章基于GAT网络的强化学习算法解决序列问题从实验结果来看，GAT网络结合强化学习算法处理多无人机辅助边缘计算系统具有良好效果。图25中训练过程因其多随机传感器数据量样本进行训练，其损失函数具有一定的波动性，但随迭代次数增加而不断稳定，测试集表现的loss属性具有 群、粒子群、遗传、模拟退火算法分别做相同20个传感器优化和测试过程传感器数据量相同和相同20个传感器优化和测试过程传感器存储数据量不同的模拟实验。对GAT强化学习算法做跟随实验，这在某种程度上映射了其中对模拟退火算法进行如图26显示，在优化过程与测试过程传感器存储数据量相同的情况下，蚁群算法可以做到快速收敛，并得到较优结果；遗传算法呈现强烈波动性，甚至难以收敛；粒子群算法收敛速度缓慢(李昕怡，王琳娜，2023);某程度能看出模拟退火算法较快收敛并得到最优解，GAT强化网络需要进行大量训练，因此其10000次迭代效果不优，但收敛趋势明显。蚁群算法收敛速度极快，但容易陷入局部最优解，模拟退火算法在解决单无人机问题上存在巨大优势，可以快速收敛并得到最优解。 当优化与测试过程传感器数据量不同时，强化学习依然可以保持较高性能，改进的遗传算法会显示强烈波动性并不收敛，改进的粒子群算法结果与最优解有较大偏离，改进后的蚁群算法与模拟退火算法则会陷入局部最优解(孙嘉俊，蒋文婷，2023)。 第五章算法性能对比 但在解决数据量发生变化的问题时改进后的蚁群算法、遗传算法、模拟退火算法、粒子群算法测试结果较差，不具有灵活性和得到最优解的能力，基于GAT网络的强5.2多无人机协同工作性能比较退火算法、遗传算法和粒子群算法无法进行大量数据模拟，且其本身受聚类因素影改进后的蚁群算法和GAT强化学习算法在解决问题的稳定性，如图9与图25对比，蚁群算法在优化加测试求解问题的总体时间复杂度性能上优于GAT强化学习算法，这在某种程度上表达出但其算法会容易陷入局部最优理不断变化的传感器数据量，而蚁群算法则不具备此灵活性。其GAT强化训练后在不改变传感器位置和基站位置的情况下，测试过程的时间复杂度远小于蚁群算法。因此可认为基于GAT网络的强化学习算法在解决本文背景问题具有最优性第六章结束语进行路径规划十分有意义。当前对无人机进行路径规划的算法，没有很好的对无人机电量模型、通信模型和飞行时间模型进行建模，也不能满足多无人机协同工作的需求，多采用以飞行直线距离为优化目标的以蚁群算法、遗传算法、粒子群算法、模拟退火算法为核心的离线问题处理。也存在考虑到无人机通信、电量背景，但场离线算法。本文针对上述背景，进行了多无人机协同辅助边缘计算系统的路径规划非视距通信(NLOS)与感知发送协议的传感模型、通信模型、数据传输模型，建立了符合气体动力学描述的无人机电量模型和完成了基于实际场景分析调研的无人机群算法、遗传算法、粒子群算法与模拟退火算法进行改进，对其优化目标、输入参数形式以及是否可以结合K-means聚类算法进行分析，得到了可以有优质性能满足上述背景的需求。,这在某种程度上映射了同时本文提出一种新型的GAT网络结合强化学习的离线算法，其满足上述背景的需求同时具有灵活性、准确性。并对5类经过对四类传统算法的改进和提出基于GAT对考虑通信情况、无人机电量及多无人机系统工作的辅助边缘计算系统今天了路径规划。因算法本身的局限性，改进后的遗传算法、粒子群算法、模拟退火算法无法直接解决多无人机协同工作问题，需要结合K类算法在解决单无人机问题时模拟退火算法呈现最优性能，在解决多无人机路径规划问题时GAT强化学习算法具有最优性能。GAT强化学习算法通过大量样本训练，可以面对给定域内随机的传感器存储的数据量集合都可以在极短时间给出效率较高的路径规划方式，具有较好的灵活性，因此其可以更好的融入现实背景解决实际问 [1]X.ChenandJ.Zhang,"TheThree-DimensionPathPlanningofUAVBasedonImPotentialFieldinDynamicEnvironment,"20135thInternationalConf[2]H.Li,T.Long,G.XuandY.Wang,"Coupling-Degree-BasedHeuristicPrioritizedPlanningforUAVSwarmPathGeneration,"2pp.3636-3641,doi:10.1109/CAC48633.2019.8997273.[3]Z.HeandL.Zhao,"TheComparisonofFourUAVPathPlanningAlgoritSearchAlgorithm,"20179thInternationalConferenctemsandCybernetics(IHMSC),Hangzhou,China,2017,pp.33-36,doi:10.1109/IHMSC.2017.123.s[4]W.Xinggang,G.CongandL.Yibo,"VariableprobabilitybasedbidirectionalRRTalgorpathplanning,"The26thChineseControlandDecisionConference(2014CCDC),Changs2014,pp.2217-2222,doi:10.1109/CCDC.2014.6852537.edonGeometrySearchAlgorithm,"20179thInternationalConferenceonIntelligentHuman-Machine陈雨桐，张泽宇temsandCybernetics(IHMSC),Hangzhou,China,2017,pp.33-Cybernetics:陈雨桐，张泽宇tems,doi:10.1109/TSMC.2020.2967936.109/IHMSC.2017.123.Proceedingsofthe29thChineseControlConference,Beijing,China,2010,pp.559-563.2019,doi:10.1109/ACCESS.2019.2943253.Cybernetics(SMC),Banff,AB,Canada,2017,pp.1799-1804,doi:10.1109/SMC.2017.81228[9]韩志强，郭怡君"Energy-EfficientUAVCommunicationWithTrdoi:10.1109/TWC.2017.2688328.[11]范博文，杨睿琳.遗传算法路径规划在无人机电力巡线中的应用[J].自动化技术与应[12]高思远，蔡佳慧，"DecisionMakingSupportoRadiationDoseMapping,"2018I(韩志强，郭怡君，2023)42ndAnnualComputerSoftwareandApplicationsConference(COMPSAC),[13]王晨曦，秦雅文"OncollaborativepathplanningformultipleUAVsbasedonPythagoreanHodographcurve,"2016I(韩志强，郭怡君，2023)ChineseGuidance,NavigationandControlConference(CGNCC),Nanjing,2016,pp.971-975,doi:10.1109/CGNCC.2016.7828917.[14]郑浩宇，曾嘉玲"AnImprovedUAVPathPlannin20205thInternationalConferenceonAutomatChina,2020,pp.81-86,doi:10.1109/CACRE50138.2020.9229999.[15]C.Zhang,H.LiuandY.Tang,"QuantitativeEvaluationofVoronoiGraphSearchAlgorithandServiceScience(ICSESS),Beijing,China,2018,pp.563-567,doi:10.1109/ICSESS.2018.86639[16]L.WangandY.Li,"AMulMappingforPathPlanningofaHALEUAV,"2019ChineseAutomationCongress(CAC),Hangzhou,China,2019,pp.3189-3194,doi:10.1109/CAC48633.2019.8997289.[17]H.Li,T.Long,G.XuandY.Wang,"Coupling-Degree-BasedHeuristicPrioritizedPlanningMforUAVSwarmPathGeneration,"20pp.3636-3641,doi:10.1109/CAC48633.2019.8997273.[18]B.-b.Meng,"UAVPathPlInternationalConferenceonIntelligen1106-1109,doi:10.1109/ICIC[19]Y.Huang,X.Mo,J.Xu,L.Qi雨桐，张泽宇temsviaReinforcementLearning,"2020I(韩志强，郭怡君，2023)WirelessCommunicationsandNetworkingConference(WCNC),Seoul,Korea(South),2020,pp.1-6,d10.1109/WCNC45663.20[20]C.Zhouetal.,"DeepRL-basedTrajectoryPlanningforAoIMin201911thInternationalConferenceonWirelessCommunicationsandChina,2019,pp.1-6,doi:10.1109/WCSP.2019.8928091.[21]A.N.SakibandR.MCDMACellularNetworkusingDirectionalElectricalandComputerEngineering(ICECE),Dhaka,Bangladesh,2018,pp.133-1[22]R.Sharma,"FuzzyQlearningba