復(fù)雜環(huán)境下的無人機(jī)路徑規(guī)劃與避障策略目錄 11緒論 21.1研究背景與意義 21.2國內(nèi)外現(xiàn)狀 3 51.4論文組織結(jié)構(gòu) 52問題描述及模型建立 62.1無人機(jī)的工作場景 62.2無人機(jī)通信模型 72.3無人機(jī)電量模型 9 2.5問題建模 123.1多參數(shù)的隨機(jī)多序列問題 20 243.6算法性能分析 284基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法解決序列問題 304.1強(qiáng)化學(xué)習(xí)介紹 4.2圖注意力網(wǎng)絡(luò)GAT介紹 304.3算法設(shè)計(jì) 4.4實(shí)驗(yàn)仿真分析 5算法性能對(duì)比 365.1單無人機(jī)工作性能比較 5.2多無人機(jī)協(xié)同工作性能比較 376結(jié)束語 38 39 時(shí)代發(fā)展和科技進(jìn)步帶動(dòng)了人工智能實(shí)體的發(fā)展，無人機(jī)就是其中之一。無人機(jī)由無線電遙控裝置完全或間歇地操作。無人機(jī)具有其獨(dú)特的優(yōu)勢(shì)：部署靈活、可搭載MECserver,其可以很好的應(yīng)對(duì)農(nóng)業(yè)物聯(lián)網(wǎng)場景下，信息采集節(jié)點(diǎn)多、節(jié)點(diǎn)處當(dāng)今物聯(lián)網(wǎng)技術(shù)高速發(fā)展，為了更好地采集空間傳感器內(nèi)存放地信息、協(xié)助地面基站做邊緣計(jì)算，需要對(duì)信息載體無人機(jī)做路徑規(guī)劃，考慮其在懸停、運(yùn)算、飛行等多個(gè)場景下的通信情況和電量情況。為了進(jìn)一步加快任務(wù)進(jìn)程，考慮采用多無人機(jī)協(xié)同工作模式，以減少單個(gè)無人機(jī)的任務(wù)負(fù)擔(dān)。當(dāng)前已經(jīng)存在很多成熟的無人機(jī)路徑規(guī)劃算法，但多將問題場景視為簡單的TSP問題，以飛行距離為優(yōu)化目標(biāo)，的舞臺(tái)，其具有很好的靈活性，但其考慮通信、電量模型后的規(guī)劃效果較差。這些算法不能滿足無人機(jī)的路徑規(guī)劃對(duì)于真實(shí)場景的需要本，因此文將著重對(duì)于無人機(jī)路徑規(guī)劃問題進(jìn)行研究，考慮無人機(jī)自身電池容量有限、數(shù)據(jù)傳輸和采集過程受通本文將針對(duì)上述問題，更準(zhǔn)確的還原真實(shí)場景，建立無人機(jī)電量損耗模型、無人機(jī)通信模型以及多無人機(jī)協(xié)同工作的輔助邊緣計(jì)算系統(tǒng)，計(jì)算仿真以多無人機(jī)任結(jié)合的強(qiáng)化學(xué)習(xí)算法，其相比于DQN強(qiáng)化學(xué)習(xí)同樣具備較高靈活性且有較高準(zhǔn)確率，并對(duì)傳統(tǒng)蟻群算法、遺傳算法、粒子群算法、模擬退火簡單解決TSP問題模型進(jìn)行改進(jìn)。本文將對(duì)5類算法進(jìn)行性能比較，為多無人機(jī)協(xié)同輔助邊緣計(jì)算系統(tǒng)提1緒論傳感技術(shù)的發(fā)展使得人力得到解放，例如在最常見的新型智能農(nóng)業(yè)模型中，傳感器可以更加及時(shí)準(zhǔn)確的記錄環(huán)境中的溫度、濕度、作物情況等信息。人工定時(shí)回收傳感器數(shù)據(jù)或者建立傳感信息通道物聯(lián)等方式收集各個(gè)傳感器的數(shù)據(jù)都具有不夠收集可以很好地避免上述問題。無人機(jī)因其具有體積小、行動(dòng)靈活和可進(jìn)行輔助邊在采用無人機(jī)解決數(shù)據(jù)傳輸和邊緣計(jì)算的場景中，存在無人機(jī)電量有限、通信受環(huán)境影響等一系列瓶頸問題，因此合理對(duì)無人機(jī)進(jìn)行路徑規(guī)劃十分重要。在現(xiàn)實(shí)場景中，需要完成大量任務(wù)的無人機(jī)需要每隔一定時(shí)間段返回地面基站獲取電能，飛其行到各個(gè)傳感器進(jìn)行數(shù)據(jù)采集同時(shí)需要將數(shù)據(jù)傳輸?shù)降孛婊荆ㄟ^感知發(fā)送協(xié)議與地面基站進(jìn)行傳感互通，從中可以明顯看出之后輔助地面基站進(jìn)行一部分邊緣計(jì)算。當(dāng)面臨處理區(qū)域范圍龐大、傳感器數(shù)目眾多等問題時(shí)，單個(gè)無人機(jī)很難在短時(shí)間內(nèi)完成任務(wù)，可以增派無人機(jī)以實(shí)現(xiàn)協(xié)同工作，提高效率(黃志強(qiáng)，方靜怡，2023)。當(dāng)前成熟的無人機(jī)路徑規(guī)劃算法多為基于圖論背景的離線算法，可以從中察覺到例如蟻群算法、遺傳算法、模擬退火等。傳統(tǒng)離線算法難以考慮無人機(jī)在飛行、數(shù)據(jù)傳輸、邊緣計(jì)算等多個(gè)過程中因電池供電不足導(dǎo)致無人機(jī)需要回到地面基站進(jìn)行充電的問題；以上結(jié)果在一定程度上引證了本文先前構(gòu)建的理論模型。首先已有的研究結(jié)果分析與理論預(yù)測保持了較高的一致性，驗(yàn)證了理論框架中中提出的機(jī)制的有效性。具體而言，通過研究發(fā)現(xiàn)關(guān)鍵變量之間的相關(guān)性及趨勢(shì)與模型預(yù)測相吻合，這不僅增強(qiáng)了理論框架的可信度，也為進(jìn)一步探索該領(lǐng)域內(nèi)的復(fù)雜關(guān)系提供了實(shí)證基礎(chǔ)。其次結(jié)果的符合性表明，理論模型中所考慮的影響因素和它們之間的相互作用是合理的，這對(duì)于理解研究現(xiàn)象的本質(zhì)具有重要意義。此外，這一驗(yàn)證過程也為后續(xù)研究指明了方向，即在已證實(shí)有效的理論框架下，可以更加深入地探討未被充分理解的因素，或是將模型應(yīng)用于更廣泛的情境中進(jìn)行測試和優(yōu)化。無法模擬無人機(jī)在真實(shí)場景下數(shù)據(jù)傳輸過程中單位數(shù)據(jù)流傳輸成功或失敗兩種狀態(tài)。在這一背景下近幾年隨著強(qiáng)化學(xué)習(xí)不斷升溫，基于DQN網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法可以在更為靈活、動(dòng)態(tài)的解決無人機(jī)路徑規(guī)劃問題，但其結(jié)果不夠穩(wěn)定，準(zhǔn)確率不高(謝春雷，余基于上述背景，本文將建立更加具有現(xiàn)實(shí)意義的無人機(jī)應(yīng)用場景，并對(duì)傳統(tǒng)離線算法進(jìn)行改進(jìn)，使其可以滿足本文提出的場景，同時(shí)提出一種基于GAT網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)相結(jié)合的離線算法，使其具有一定的靈活性，并可以高效準(zhǔn)確的解決本文探1.2.1無人機(jī)路徑規(guī)劃算法的研究現(xiàn)狀無人機(jī)路徑規(guī)劃問題是確立目標(biāo)函數(shù)和約束條件不斷得到最優(yōu)解的凸函數(shù)優(yōu)化問題。解決無人機(jī)路徑規(guī)劃問題經(jīng)典模型為傳統(tǒng)TSP模型，其主要算法有：粒子群算法、蟻群算法、遺傳算法、Dijkstra和模擬退火算法等。其約束條件大都是基于平面或空間內(nèi)節(jié)點(diǎn)序列距離最短(李文博，王麗娜，2020)。面對(duì)這局勢(shì)時(shí)其具有簡單性、改進(jìn)空間大等優(yōu)勢(shì)，同時(shí)算法模式固定，只需要對(duì)無人機(jī)工作的二維或三維空間建立笛卡爾系，用距離參數(shù)表示解的優(yōu)劣，就可以很好的解決問題。國內(nèi)外針對(duì)于離線算法的創(chuàng)新性很多，Chen和Zhangll]提出了利用改進(jìn)的人工場勢(shì)結(jié)合A*算法、粒文章未能考慮無人機(jī)電量與通信狀況。Li和Xu21等的研究采用了A*,D*等算法，文章從無人機(jī)的不同部件的旋轉(zhuǎn)特性入手，對(duì)路徑規(guī)劃算法進(jìn)行了創(chuàng)新，并解決了度矩陣來確定無人機(jī)蜂群之間的耦合關(guān)系，用A*算法的優(yōu)化問題解決了傳統(tǒng)路徑規(guī)的調(diào)研結(jié)論表明：傳統(tǒng)離線算法解決路徑規(guī)劃問題的性能接近，單源路徑問題下Wu,Guo和Lil?的研究結(jié)果展示了基于兩棵樹的RRT-connect算法，解決了傳統(tǒng)RRT不能用于無人機(jī)路徑規(guī)劃和其中概率p的選擇問題，使算法更為簡單，并且提高算因此本文進(jìn)行了細(xì)致的分析與調(diào)整。為了確保理論模型能夠更貼近實(shí)際操作環(huán)境不僅對(duì)理論框架進(jìn)行了嚴(yán)謹(jǐn)?shù)耐茖?dǎo)和驗(yàn)證，還深入實(shí)踐領(lǐng)域通過更加多元化的研究方法等等方式收集了大量的同行內(nèi)的其他第一手資料。這些實(shí)踐數(shù)據(jù)使研究能夠識(shí)別并理解理論模型在應(yīng)用于實(shí)際情況時(shí)可能遇到的挑戰(zhàn)和偏差。并在此基礎(chǔ)上引入修正迭代優(yōu)化來構(gòu)建適應(yīng)性更強(qiáng)的研究過程，并被應(yīng)用于修正和完善現(xiàn)階段的成果，以提高其預(yù)測準(zhǔn)確性和實(shí)用性，確保了研究結(jié)果的可信度和泛化能力。通過這些綜合考量本文不僅深化了對(duì)研究主題的理解也為相關(guān)領(lǐng)域的研究者和從業(yè)者提供了更路徑規(guī)劃。Sharma,Andersen,Granmo與Goodwin?將DQN進(jìn)行了改進(jìn)，加入了RL代理的部分，更好的進(jìn)行了多目標(biāo)路徑規(guī)劃。Liu,Li,Guan,Wang?的文章比較詳細(xì)的描述了強(qiáng)化學(xué)習(xí)的算法過程，于這種狀態(tài)下對(duì)于如何應(yīng)用于機(jī)器人路徑規(guī)劃問題提來解決動(dòng)態(tài)環(huán)境中的多智能體問題，在這類狀況中實(shí)驗(yàn)證明方法高效(徐濤，鄭薇，2020)。Wu,Shin,Kim?]等人提出了一種有效的深度強(qiáng)化學(xué)習(xí)的惰性訓(xùn)練方法，將神經(jīng)網(wǎng)絡(luò)與Q-learning相結(jié)合用于深度Q-network的避障和路徑規(guī)劃應(yīng)用解決實(shí)際問度的情況下顯著減少總執(zhí)行時(shí)間，其Agent被困在一個(gè)未知的環(huán)境中，可以通過自1.3研究內(nèi)容及創(chuàng)新點(diǎn)本文將以農(nóng)業(yè)領(lǐng)域中多植保無人機(jī)輔助邊緣計(jì)算系統(tǒng)的工作模式為背景，對(duì)中間信息載體植保無人機(jī)做路徑規(guī)劃，考慮其在飛行、懸停、充電等多個(gè)任務(wù)過程下在自由空間內(nèi)隨機(jī)分布多個(gè)位置固定的傳感器，傳感器可以將采集的信息與無人機(jī)進(jìn)行數(shù)據(jù)傳輸，無人機(jī)與地面基站GBS都可以做并行邊緣計(jì)算，無人機(jī)數(shù)據(jù)收集的過程中保持與基站GBS的數(shù)據(jù)傳輸，從這些表現(xiàn)中可以推見數(shù)據(jù)傳輸結(jié)束后無人機(jī)與基站進(jìn)行感知通信，分擔(dān)GBS的運(yùn)算壓力而進(jìn)行懸停邊緣計(jì)算。無人機(jī)從基站GBS出發(fā)，途徑所有傳感器收集信息回到基站GBS。無人機(jī)電量不足時(shí)，需要及時(shí)返回基站進(jìn)行充電。針對(duì)一次任務(wù)，可以增派多個(gè)無人機(jī)從而減少任務(wù)時(shí)間與電量損耗。相比于已有的研究，本文以總?cè)蝿?wù)時(shí)間為優(yōu)化目標(biāo)，解決多無人機(jī)協(xié)同工作了保持研究結(jié)論的可復(fù)制性和可推廣性，本次研究采取了多項(xiàng)措施以確保研究的嚴(yán)謹(jǐn)性和普遍性。通過嚴(yán)格遵循了科學(xué)研究的方法論原則從研究設(shè)計(jì)到數(shù)據(jù)收集、分析，每一步都力求標(biāo)準(zhǔn)化和透明化。在研究設(shè)計(jì)階段明確界定了研究目標(biāo)和變量確保研究的邏輯性和可操作性。同時(shí)采用了多種數(shù)據(jù)來源和收集方法，以增加數(shù)據(jù)的多樣性和代表性，從而避免單一數(shù)據(jù)來源可能帶來的偏差。通過詳細(xì)的研究日志、數(shù)據(jù)收集和分析流程的描述，以及清晰的研究結(jié)果圖表，都有助于研究結(jié)果的推廣。本文將對(duì)傳統(tǒng)粒子群、蟻群、遺傳、模擬退火算法解決TSP問題背景進(jìn)行改良，將以飛行距離最短為約束條件的TSP問題，轉(zhuǎn)變?yōu)槎嘧兞侩S機(jī)序列總時(shí)間性能最優(yōu)問題，針對(duì)算法性能選擇不同的變量維度，并進(jìn)行實(shí)驗(yàn)仿真和實(shí)驗(yàn)結(jié)果分析。本文提出了一種新的基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)，現(xiàn)有結(jié)果明確指出了以下結(jié)論相比于經(jīng)典無人機(jī)路徑規(guī)劃算法，該算法可以模擬真實(shí)通信場景和無人機(jī)的電量使GAT網(wǎng)絡(luò)因其獨(dú)有的注意力機(jī)制，對(duì)解決多隨機(jī)變量的序列問題具有良好特性，相比于近幾年熱度較高的DQN網(wǎng)絡(luò)，同樣具有很好的靈活性，而且其在準(zhǔn)確率、優(yōu)化結(jié)果表現(xiàn)更優(yōu)；本文在笛卡爾系中建立傳感器和基站GBS位置模型，從中可以明顯看出將三維空間問題簡化為平面路徑規(guī)劃，使問題更具有簡便性(羅杰，宋欣，2020)。1.4論文組織結(jié)構(gòu)為了智能、高效解決多無人機(jī)協(xié)同路徑規(guī)劃問題，并對(duì)無人機(jī)的電量損耗情況進(jìn)行分析研究：本文將首先進(jìn)行問題分析，通過模型設(shè)計(jì)和參量假設(shè)，為算法提供真實(shí)合理的現(xiàn)實(shí)場景，分別建立無人機(jī)任務(wù)過程中的通信模型、電量模型、時(shí)間模型，并提出其次本文將分別對(duì)蟻群算法、遺傳算法、粒子群、模擬退火算法進(jìn)行簡單的介紹，并對(duì)其解決傳統(tǒng)TSP問題進(jìn)行算法改進(jìn)，可以從中察覺到通過仿真測試其解決不同維度的隨機(jī)參數(shù)序列問題的性能設(shè)計(jì)最優(yōu)可行算法。并針對(duì)同一場景進(jìn)行多無其次提出新的基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法。對(duì)分層強(qiáng)化學(xué)習(xí)和GAT網(wǎng)絡(luò)進(jìn)行介紹，并詳細(xì)介紹GAT網(wǎng)絡(luò)獨(dú)有的圖注意力機(jī)制，根據(jù)網(wǎng)絡(luò)特性設(shè)計(jì)算法，生成詳最后將改進(jìn)后的蟻群、遺傳、粒子群、模擬退火算法和基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)2問題描述及模型建立本文采用的無人機(jī)工作場景為農(nóng)業(yè)領(lǐng)域多植保無人機(jī)輔助邊緣計(jì)算系統(tǒng)進(jìn)行數(shù)據(jù)采集和邊緣計(jì)算的過程。如圖1所示，空間內(nèi)隨機(jī)分布多個(gè)傳感器SN,SN內(nèi)存放無人機(jī)需要進(jìn)行傳輸和計(jì)算的數(shù)據(jù)。在地面固定一個(gè)基站GBS作為無人機(jī)的充電多個(gè)協(xié)同工作的無人機(jī)需要進(jìn)行任務(wù)分配，在這一背景下選定個(gè)體的工作范圍即需要負(fù)責(zé)的SN集合。無人機(jī)需要從GBS出發(fā)途徑該個(gè)體需要負(fù)責(zé)的所有的SN進(jìn)行數(shù)據(jù)采集傳輸、傳感和邊緣計(jì)算工作，數(shù)據(jù)采集傳輸、傳感和邊緣計(jì)算的過程無人機(jī)架基本一致，從中本文不僅驗(yàn)證了階段性研究成果的有效性，還進(jìn)一步鞏固了該領(lǐng)域內(nèi)的理論基石。這一發(fā)現(xiàn)為本文的基礎(chǔ)研究提供了堅(jiān)實(shí)的實(shí)證支持也彰顯了已有理論框架的廣泛適用性和穩(wěn)健性。通過對(duì)比和分析發(fā)現(xiàn)當(dāng)前研究中的數(shù)據(jù)點(diǎn)與先前文獻(xiàn)中的關(guān)鍵結(jié)論相契合這加深了本文對(duì)該領(lǐng)域內(nèi)在機(jī)制的理解，也為后續(xù)研究者在這一基礎(chǔ)上進(jìn)行更深入的探索和創(chuàng)新提供了可能。此外該結(jié)果的一致性還意味著本文在方法論上的選擇是恰當(dāng)?shù)模瑸楹罄m(xù)采用類似方法開展研究樹立了信心。數(shù)據(jù) 采集傳輸過程無人機(jī)需要從傳感器獲取數(shù)據(jù)，同時(shí)將數(shù)據(jù)傳輸?shù)交荆總鬏斨芷谒汶娏渴褂们闆r，當(dāng)無人機(jī)電量不能支持其飛到下一個(gè)傳感器完成數(shù)據(jù)采集傳輸、傳感和邊緣計(jì)算工作并飛回基站時(shí)，需要通過回到GBS進(jìn)行充電，充電過程中懸停定速度Vo=4m/s進(jìn)行運(yùn)動(dòng)，保持高度Ho=5m不變。產(chǎn)產(chǎn)UncollectedDataTransmissionUnmannedAerialVehicle無人機(jī)在采集數(shù)據(jù)的過程與邊緣計(jì)算過程均需要與地面基站進(jìn)行通信，其遵循感知發(fā)送協(xié)議，在這種情況的背景下即基站為無人機(jī)分配子信道后，無人機(jī)與基站進(jìn)行數(shù)據(jù)傳輸和通信交流。為評(píng)估無人機(jī)的感知質(zhì)量，因此采用概率感知模型，其考慮到無人機(jī)在與傳感器和基站的通信模型為空地鏈路模型，在無人機(jī)傳輸過充中，無人機(jī)通過正交子信道將感知數(shù)據(jù)傳輸給基站，以避免相互干擾。因此將無 多個(gè)角度進(jìn)行了深入的探討和驗(yàn)證。首先采用了多種來源的高質(zhì)量數(shù)據(jù)并通過嚴(yán)格的篩選和清洗過程確保了數(shù)據(jù)的準(zhǔn)確性和可靠性。這些數(shù)據(jù)覆蓋了多種不同的變量和影響因素為研究進(jìn)行綜合分析提供了堅(jiān)實(shí)的基礎(chǔ)。在研究方法上本文采用了多種先進(jìn)的統(tǒng)計(jì)和分析技術(shù)，以全面、客觀地評(píng)估所研究的問題能夠從不同角度揭示數(shù)據(jù)背后的潛在規(guī)律和關(guān)系。通過綜合運(yùn)用這些方法得以更深入地理解所研究現(xiàn)象的 當(dāng)信道包含視距分量時(shí)，從無人機(jī)i到基站的路徑損耗可表示為(董波，余曼，情況下，小尺度衰落Hi服從Rice分布，尺度參數(shù)Q=1,在這氛圍的影響下形狀參數(shù)PLNos,;=32.4+(43.2-7.6log1o(h,))×log1?(d;)+20log?(f.)(5)無人機(jī)都可以通過計(jì)算基站信噪比大于y1/8的概率來評(píng)估其成功傳輸?shù)母怕省o人Pr,=Przos,;(1-F(XLos,;))+(1-Pros,)(1-Fa(XNLos,;)) 其中xas,=N,10rm/P,xLoSi=N,10°/P,F()=1-Q<2K,JZ(K+1)是Q=1的萊斯分布的累計(jì)分布函數(shù)(CDF),是單位方差的瑞利分布的CDF。這于這種狀態(tài)下對(duì)于無人機(jī)飛行至傳感器上空進(jìn)行數(shù)據(jù)傳輸?shù)倪^程，我們視為其 劃分為n個(gè)數(shù)據(jù)量為di的層次，滿足(方正，馮敏，2022):無人機(jī)每周期采集并向基站進(jìn)行數(shù)據(jù)傳輸，不考慮未分配子信道的情況整個(gè)過傳輸成功：傳輸成功后將進(jìn)行下一個(gè)數(shù)據(jù)量di的傳輸。傳輸失敗：將重新傳輸數(shù)據(jù)量di的數(shù)據(jù)。在飛行過程中無人機(jī)需要時(shí)刻滿足電量大于等于0,從這些表現(xiàn)中可以推見因此無人機(jī)在任意傳感器起飛到規(guī)劃路徑的下一個(gè)傳感器都需要滿足其電量可以支持無人機(jī)飛行損耗、到下一個(gè)傳感器可以完成數(shù)據(jù)采集傳輸、通信傳感和邊緣計(jì)算過程后，電量可支持飛回基站，否則將從該傳感器直接返回地面基站進(jìn)行充電，后選擇下一個(gè)傳感器進(jìn)行任務(wù)(沈陽，宋雅，2023)。在干擾因素和誤差來源的評(píng)進(jìn)行了詳盡而系統(tǒng)的分析。首先識(shí)別了可能影響研究結(jié)果的主要干擾因素這些因素包括但不限于樣本選擇偏差、數(shù)據(jù)測量誤差、遺漏變量以及時(shí)間滯后效應(yīng)等。針對(duì)每一個(gè)潛在的干擾因素本文都進(jìn)行了深入的探討，并嘗試通過理論分析和實(shí)證檢驗(yàn)來量化其可能的影響程度。為了控制樣本選擇偏差本文以確保樣本的代表性和廣泛性，同時(shí)還通過進(jìn)行同領(lǐng)域?qū)＜以u(píng)審來評(píng)估樣本選擇對(duì)結(jié)論穩(wěn)定性的影響，以盡可能全面地納入所有可能影響研究結(jié)果的因素。2.3.1飛行過程電量模型本文采用對(duì)于文獻(xiàn)[9]中提到的飛行電量模型進(jìn)行簡化，公式如下：該模型中q為軌跡函數(shù)，ci、c2為受風(fēng)力等因素影響的銀子，a為加速度，t為時(shí)間，v為速度。在本文模型中，不考慮速度變化和高度變化，因此根據(jù)空氣動(dòng)理論進(jìn)2.3.2懸停過程的電量損耗現(xiàn)有結(jié)果明確指出了以下結(jié)論無人機(jī)懸停電量損耗可表述為待機(jī)電量，即無人機(jī)開機(jī)后懸停過程所需的基礎(chǔ)電量，這里根據(jù)調(diào)研文獻(xiàn)[10]可以表達(dá)為兩部分組成， 即數(shù)據(jù)感知傳輸過程的電量損耗與輔邊緣計(jì)算過程的電量損耗。其中感知傳輸過程e?(t)=Pt+Pb'P。為懸停功率，Pa為傳輸功率，b為數(shù)據(jù)量。輔助邊緣計(jì)算過程中的電量損耗為：2.3.3充電過程電量模型無人機(jī)返回地面基站進(jìn)行充電的電量隨時(shí)間的增加過程為理想狀態(tài)，假設(shè)充電電壓和功率為恒定電壓功率，從中可以明顯看出電量隨時(shí)間進(jìn)行均勻增加。得到如下公式：2.3.4全過程無人機(jī)主電池電量模型設(shè)計(jì)無人機(jī)i主電池電量隨時(shí)間的變化函數(shù)，該函數(shù)為以不同的無人機(jī)工作過程分段，假設(shè)上一個(gè)階段無人機(jī)的剩余電量為Ex,則有如下模型(駱賓，江麗亮，2021):2.4.1無人機(jī)的路徑時(shí)間本文中假設(shè)無人機(jī)的路徑速度恒定不變，可以從中察覺到因此設(shè)飛行速度為Vo,因此得單個(gè)無人機(jī)的路徑時(shí)間為：其中Dij表示無人機(jī)從傳感器i到傳感器j的路徑長度(侯強(qiáng)，文靜亮，2023)。這一結(jié)果與劉振教授、程曉天教授等在相關(guān)主題的研究中得到的結(jié)論基本一致，尤其是在研究過程和研究結(jié)果方面具有顯著的相似性。這些相似性不僅體現(xiàn)在實(shí)驗(yàn)設(shè)計(jì)的方法論上，如數(shù)據(jù)收集與分析手段的采用，還深刻反映在核心發(fā)現(xiàn)與推論之中。本研究在此基礎(chǔ)上進(jìn)一步細(xì)化不僅驗(yàn)證了前人的結(jié)論，還在一定程度上拓展了研究的深度和廣度。為理解研究主題的核心問題提供了新的視角和洞見。2.4.2無人機(jī)的充電時(shí)間 無人機(jī)飛行至傳感器上空進(jìn)行數(shù)據(jù)傳輸?shù)倪^程，在這一背景下我們視為其基于感知發(fā)送協(xié)議，將數(shù)據(jù)傳輸過程劃分為n個(gè)周期，整體的數(shù)據(jù)量D劃分為n個(gè)數(shù)據(jù)量為d的層次，每周期采集并向基站進(jìn)行數(shù)據(jù)傳輸，不考慮未分配子信道的情況整個(gè)過程，考慮上文提到傳輸成功與失敗兩種情況，得到數(shù)據(jù)根據(jù)無人機(jī)傳感模型，面對(duì)這局勢(shì)時(shí)當(dāng)無人機(jī)進(jìn)行數(shù)據(jù)收集與傳輸后需要與基站進(jìn)行邊緣計(jì)算前的準(zhǔn)備通信，該過程存在成功與失敗兩種狀態(tài)，若感知成功則開上結(jié)果，作者也進(jìn)行了反復(fù)驗(yàn)證與對(duì)比，尤其是和同行的結(jié)論進(jìn)行了細(xì)分析確保了所得結(jié)果的穩(wěn)定性和可靠性。在與同行研究的對(duì)比中，在具體結(jié)果表述形式上可能存在細(xì)微差異但核心結(jié)論與趨勢(shì)均一步增強(qiáng)了本研究結(jié)論的可信度。特別地作者深入探討了與方佳佳教授研究的結(jié)論的異同點(diǎn)，通過對(duì)于結(jié)果一致性的判斷與這種對(duì)比分析，不僅加深了對(duì)研究主題的理解，也為后續(xù)研究提供了寶貴的參考和啟示為研究的完善和創(chuàng)新提供 其中num?表示無人機(jī)i的充電次數(shù)，num?表示無人機(jī)i負(fù)責(zé)的傳感器個(gè)數(shù)。2.5問題建模本場景研究的問題為多無人機(jī)在最短時(shí)間內(nèi)遍歷全因此將時(shí)間最短作為優(yōu)化目標(biāo)，其中包括了無計(jì)算、無人機(jī)飛行、無人機(jī)充電等過程。設(shè)計(jì)n個(gè)無人機(jī)完成任務(wù)所需的時(shí)間集合則有T={t,t2…}。因此假設(shè)無人機(jī)的工作策略為u,則本文探究的問題3傳統(tǒng)離線算法解決多參量隨機(jī)序列問題3.1多參數(shù)的隨機(jī)多序列問題通信傳感、邊緣計(jì)算三個(gè)過程。不考慮無人機(jī)在三維空間內(nèi)存在阻礙飛行軌跡障礙物的情況，在這氛圍的影響下認(rèn)為無人機(jī)在基站與傳感器之間、基站與基站之間飛行沿直線方向。在笛卡爾系內(nèi)建立傳感器節(jié)點(diǎn)坐標(biāo)并進(jìn)行編號(hào)，則無人機(jī)行進(jìn)路徑可以表示為傳感器編號(hào)序列，于這種狀態(tài)下因傳統(tǒng)遺傳、蟻群、粒子群算法解決TSP問題，以距離為優(yōu)化目標(biāo)，尋找傳感器順序?yàn)樵氐淖顑?yōu)一維序列。在這類狀況中但在多無人機(jī)協(xié)同工作背景下， 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題在此基礎(chǔ)上考慮算法性能對(duì)遺傳算法、蟻群算法、粒子群算法進(jìn)行改進(jìn)(白楊，孟佳，2022)。在此文中，作者依據(jù)現(xiàn)有思路構(gòu)建了計(jì)算體系，并做了相應(yīng)的精簡，以增強(qiáng)其實(shí)用性和操作簡易性。通過對(duì)現(xiàn)方案的細(xì)致剖析和評(píng)價(jià)，剔除了一些繁瑣無用的步驟，優(yōu)化了流程安排，形成了一個(gè)更簡潔高效的計(jì)算模型。這不僅節(jié)約了資源，還減少了處理時(shí)間，使得該方案在維持原有性能的基礎(chǔ)上，更加容易執(zhí)行和普及，設(shè)置了多樣化的驗(yàn)證和質(zhì)量控制措施。3.2.1遺傳算法簡介遺傳算法的基本思想為達(dá)爾文生物進(jìn)化論中“物競天擇，適者生存”的理論，算法模擬選擇、交叉、變異過程，從這些表現(xiàn)中可以推見其中選擇過程保留父代個(gè)體，交叉過程由兩個(gè)父代個(gè)體遵循交叉原則得到新個(gè)體，變異過程由一個(gè)父代個(gè)體遵循變異原則產(chǎn)生新個(gè)體。遺傳算法的算法的算法流程如圖所示(秦松，開始開始算法初始化，設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0、最大進(jìn)化代數(shù)Tmax、交叉概率pc、變異概率pm、隨機(jī)生成M個(gè)個(gè)體作為初始種群P根據(jù)適應(yīng)度函數(shù)計(jì)算種群P中每個(gè)個(gè)體的適應(yīng)度進(jìn)行選擇運(yùn)算，將選擇算子作用于群體。以個(gè)體適應(yīng)度為標(biāo)準(zhǔn)，篩選最優(yōu)個(gè)體直接遺傳到下一代或通過交叉產(chǎn)生新個(gè)體遺傳到下一代進(jìn)行交叉運(yùn)算，根據(jù)交叉概率pc,對(duì)種群個(gè)體兩兩進(jìn)行交叉進(jìn)行變異運(yùn)算，根據(jù)變異概率pm,種群個(gè)體進(jìn)行變異否是篩選最優(yōu)個(gè)體，并得到其適應(yīng)度結(jié)束遺傳算法解決傳統(tǒng)TSP問題中，染色體為城市編號(hào)序列(即傳感器編號(hào)序列),該適應(yīng)度函數(shù)，現(xiàn)有結(jié)果明確指出了以下結(jié)論不能考慮到實(shí)際過程中無人機(jī)的通信情況和電量損耗情況。因此在一維序列的情況下，設(shè)計(jì)適應(yīng)度函數(shù)(傅成輝，宋倩，其中分母為單無人機(jī)完成任務(wù)的總時(shí)間。在笛卡爾坐標(biāo)系內(nèi)設(shè)置1個(gè)地面基站和20個(gè)傳感器進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)參數(shù)如下表所示：交叉概率pc見附錄見附錄見附錄見附錄見附錄 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題實(shí)驗(yàn)結(jié)果表明對(duì)于20個(gè)傳感器的無人機(jī)任務(wù)所構(gòu)成的一維序列，遺傳算法不穩(wěn)針對(duì)不同不同數(shù)目的無人機(jī)進(jìn)行傳感器聚類，后分解為多個(gè)數(shù)作。在理論分析環(huán)節(jié)，重點(diǎn)介紹了方案的設(shè)計(jì)準(zhǔn)則及其預(yù)期目標(biāo)，并通過理論框架和邏輯推演為后續(xù)實(shí)驗(yàn)奠定理論基石。在實(shí)踐檢驗(yàn)階段，本文設(shè)計(jì)了多樣化的來驗(yàn)證方案的有效性和穩(wěn)定性，采用了精準(zhǔn)的數(shù)據(jù)記錄和分析流程確保結(jié)性。為了進(jìn)一步測試方案在不同條件下的適用性，本文還例，并針對(duì)每個(gè)案例調(diào)整系統(tǒng)配置，不僅驗(yàn)證了方案的合理性和可行性，也為后續(xù)實(shí)驗(yàn)仿真，最終最優(yōu)解為3無人機(jī)協(xié)同工作，具體參數(shù)如下：交叉概率pc見附錄見附錄見附錄 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題無人機(jī)參數(shù)仿真實(shí)驗(yàn)數(shù)據(jù)如下(魏強(qiáng)，陸芳，2021):3總時(shí)間T(s)總耗電量E(W●s)無人機(jī)1時(shí)間t1(s)無人機(jī)1總耗電量e1(W●s)無人機(jī)2時(shí)間t2(s)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時(shí)間t3(s)無人機(jī)3總耗電量e3(Ws)圖5遺傳算法多無人機(jī)路徑規(guī)劃聚類圖 實(shí)驗(yàn)結(jié)果分析，在這一背景下遺傳算法解決多無人機(jī)協(xié)同工作問題可以較為合理的進(jìn)行任務(wù)分配，使每個(gè)無人機(jī)可以保證電量充足條件下完成任務(wù)，從而在總時(shí)間上進(jìn)行目標(biāo)優(yōu)化。實(shí)驗(yàn)結(jié)果基本符合預(yù)期(崔健，喬英，2023)。3.3蟻群算法解決多參量隨機(jī)序列問題3.3.1蟻群算法簡介蟻群算法采用仿生學(xué)原理，在這種情況的背景下通過對(duì)螞蟻覓食尋求最優(yōu)路徑的過程進(jìn)行核心步驟模擬，逐步確立最優(yōu)解。其基本原理為每輪循環(huán)派出大量螞蟻進(jìn)行路線探索，螞蟻在行進(jìn)過程中根據(jù)已有信息素行進(jìn)，在這種情況下討論同時(shí)會(huì)為走過的路徑修改禁忌表，并為行進(jìn)路線留下信息素為其他螞蟻的行進(jìn)提供幫助，因此算法本身收斂速度快，但易陷于局部最優(yōu)解。其算法流程圖如下(安平，秦莉，2020):算法初始化，設(shè)置計(jì)數(shù)器t=0、最大迭代次數(shù)Tmax、螞蟻個(gè)數(shù)n、初始信息素濃度0進(jìn)行迭代，每輪迭代t=t+1設(shè)置當(dāng)前螞蟻個(gè)數(shù)k=0當(dāng)前螞蟻個(gè)數(shù)增加，k=k+1計(jì)算狀態(tài)轉(zhuǎn)移概率，選擇下一個(gè)元素修改禁忌表香否是否滿足k≥n是是否滿足t≥Tmax是篩選最優(yōu)個(gè)體，并得到其數(shù)據(jù)結(jié)果圖7蟻群算法流程圖3.3.2算法設(shè)計(jì)傳統(tǒng)蟻群算法解決TSP問題中，信息素更新可以表示為：其中t表示當(dāng)時(shí)時(shí)刻，n表示成熟數(shù)目，p為0-1之間的常數(shù)，(1-p)表示信息素 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題的揮發(fā)速率，t,表示一次迭代后，所有螞蟻在i到j(luò)路徑留下的信息素濃度總量。其中T,*表示第k只螞蟻在路徑i到j(luò)上面留下的信息素。如果第k只螞蟻經(jīng)過路徑i到j(luò),則有：在這氛圍的影響下其中Q為常數(shù)，Lk表示已經(jīng)走過的總長度。該算法處理對(duì)象為城市坐標(biāo)，以距離作為信息素更新標(biāo)準(zhǔn)，為更好的解決三維變量序列問題，以隨其中m表示隨機(jī)序列的分組個(gè)數(shù)(即無人機(jī)數(shù)量),分母表示無人機(jī)任務(wù)總時(shí)間。根據(jù)M.Dorigo等人研究，對(duì)蟻群算法引入啟發(fā)項(xiàng)”,得到螞蟻選擇路徑i到j(luò)于這種狀態(tài)下由于蟻群算法具有很好收斂性，因此這里不需要對(duì)傳感器進(jìn)行聚調(diào)節(jié)因子α1調(diào)節(jié)因子β2常數(shù)Q1常數(shù)p0.9 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題場景通信參數(shù)實(shí)驗(yàn)仿真實(shí)驗(yàn)數(shù)據(jù)如下：參數(shù)名稱無人機(jī)數(shù)目n2總時(shí)間T(s)總耗電量E(W●s)無人機(jī)1時(shí)間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時(shí)間t2(s)無人機(jī)2總耗電量e2(W●s)圖8蟻群算法多無人機(jī)路徑規(guī)劃圖從上述實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，蟻群算法具有很好的收斂性，在迭代次數(shù)約60次左右就可以獲得最優(yōu)解或局部最優(yōu)解。從實(shí)驗(yàn)結(jié)果看，蟻群算法解決多無人機(jī)協(xié)同工作問題可以使無人機(jī)盡可能安排無人機(jī)不經(jīng)歷充電過程，從而在總時(shí)間上進(jìn)行優(yōu)化目標(biāo)的節(jié)省。實(shí)驗(yàn)結(jié)果符合預(yù)期。3.4.1粒子群算法介紹粒子群算法通過模擬鳥類遷移過程尋找最優(yōu)解，其過程個(gè)體表現(xiàn)為無質(zhì)量粒子，且只具有速度、位置兩個(gè)屬性，在這類狀況中每個(gè)粒子在所在空間域內(nèi)獨(dú)立尋求個(gè)體極值，并將個(gè)體極值與整個(gè)種群分享，所得到的群體極值為最優(yōu)解。這一結(jié)果也與預(yù)期相同，同時(shí)也與前人構(gòu)建的成熟的框架基本一致，從中本文不僅驗(yàn)證了階段性研究成果的有效性，還進(jìn)一步鞏固了該領(lǐng)域內(nèi)的理論基石。這一發(fā)現(xiàn)為本文的基礎(chǔ)研究提供了堅(jiān)實(shí)的實(shí)證支持也彰顯了已有理論框架的廣泛適用性和穩(wěn)健性。通過對(duì)比和分析發(fā)現(xiàn)當(dāng)前研究中的數(shù)據(jù)點(diǎn)與先前文獻(xiàn)中的關(guān)鍵結(jié)論相契合這加深了本文對(duì)該領(lǐng)域內(nèi)在機(jī)制的理解，也為后續(xù)研究者在這一基礎(chǔ)上進(jìn)行更深入的探索和創(chuàng)新提供了可能。此外該結(jié)果的一致性還意味著本文在方法論上的選擇是恰當(dāng)?shù)模瑸楹罄m(xù)采用類似方法開展研究樹立了信心。在粒子群算法中，單個(gè)粒子速度受到其他粒子的影響，其位置受當(dāng)前速度影響，v;=v;+c×randO×(pbest,-x;)+C?從這些表現(xiàn)中可以推見其中vi表示粒子i的速度，xi表示粒子i當(dāng)前位置，rand()為(0,1)內(nèi)的隨機(jī)實(shí)數(shù)，ci、c2為學(xué)習(xí)因子，pbest為個(gè)體極值，gbest為群體極值。其 開始開始習(xí)因子c2、每個(gè)粒子狀態(tài)對(duì)所有粒子進(jìn)行評(píng)估，確認(rèn)是否滿足條件是否滿足條件或t≥T查更新每個(gè)粒子的位置、速度更新每個(gè)粒子函數(shù)適應(yīng)值更新每個(gè)粒子的歷史最優(yōu)位置是結(jié)束3.4.2算法設(shè)計(jì)粒子群算法解決傳統(tǒng)TSP問題中，現(xiàn)有結(jié)果明確指出了以下結(jié)論其粒子位置為城市一維編號(hào)序列(即傳感器編號(hào)序列),其適應(yīng)度函數(shù)設(shè)計(jì)為：其示i其該適應(yīng)度函數(shù)，在這一背景下不能考慮到實(shí)際過程中無人機(jī)的通信情況和電量損耗情況。因此在一維序列的情況下，設(shè)計(jì)適應(yīng)度函數(shù)(張偉，趙敏，2019):其中分母為單無人機(jī)完成任務(wù)的總時(shí)間。在這種情況的背景下在笛卡爾坐標(biāo)系內(nèi)設(shè)置1個(gè)地面基站和20個(gè)傳感器進(jìn)行仿 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題個(gè)體最優(yōu)保留概率ul全局最優(yōu)保留概率u2最大進(jìn)化代數(shù)T見附錄見附錄見附錄見附錄見附錄實(shí)驗(yàn)結(jié)果如圖：實(shí)驗(yàn)結(jié)果表明對(duì)于20個(gè)傳感器的無人機(jī)任務(wù)構(gòu)成的一維序列，粒子算法收斂過慢，在這種情況下討論因此解決多變量隨機(jī)問題，可以跟改進(jìn)的遺傳算法類比，同樣采用K-means聚類算法，針對(duì)不同不同數(shù)目的無人機(jī)進(jìn)行傳感器聚類，后分解為 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題多個(gè)數(shù)目較小的一維序列問題(黃強(qiáng)，孫悅，2021)。3.2.3改進(jìn)粒子算法實(shí)驗(yàn)仿真根據(jù)算法分析，對(duì)改進(jìn)后的粒子群算法結(jié)合K-means聚類算法解決一維序列問題進(jìn)行實(shí)驗(yàn)仿真，最終最優(yōu)解為3無人機(jī)協(xié)同工作，具體參數(shù)如下：表7粒子群算法多無人機(jī)路徑規(guī)劃參數(shù)表參數(shù)名稱個(gè)體最優(yōu)保留概率ul全局最優(yōu)保留概率u2見附錄見附錄見附錄見附錄見附錄仿真實(shí)驗(yàn)數(shù)據(jù)如下：參數(shù)名稱總時(shí)間T(S)總耗電量E(Ws)無人機(jī)1時(shí)間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時(shí)間t2(S)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時(shí)間t3(s)無人機(jī)3總耗電量e3(W●s)3 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題從實(shí)驗(yàn)結(jié)果分析，改進(jìn)后的粒子群算法解決多無人機(jī)協(xié)同工作問題所得路徑優(yōu)化目標(biāo)良好，實(shí)驗(yàn)結(jié)果與實(shí)際場景預(yù)期基本吻合，因此認(rèn)為其算法性能良好。模擬退火算法是一種對(duì)熱力學(xué)定律進(jìn)行改進(jìn)的算法。通常情況下，模擬退火算法常與爬山算法進(jìn)行比較。于這種狀態(tài)下爬山算法在解決凸函數(shù)優(yōu)化問題中遵循貪婪原則，使算法向優(yōu)化目標(biāo)移動(dòng)，但容易陷入局部最優(yōu)解，模擬退火算法則結(jié)合概率條件，使最優(yōu)解選擇概率隨時(shí)間降低，因此相比于爬山算法較難陷入局部最優(yōu)解。 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題開始隨機(jī)生成初始解，并計(jì)算目標(biāo)函數(shù)擾動(dòng)產(chǎn)生新解，并計(jì)算目標(biāo)函數(shù)計(jì)算差值是是工模擬退火算法可以很好的解決TSP問題，但傳統(tǒng)模擬退火算法只能優(yōu)化目標(biāo)為最短距離，在這類狀況中因此需要對(duì)目標(biāo)函數(shù)進(jìn)行重塑，引入任務(wù)時(shí)間作為目標(biāo)函在笛卡爾坐標(biāo)系內(nèi)設(shè)置1個(gè)地面基站和20個(gè)傳感器進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)參數(shù)如下表所示：參數(shù)名稱最終溫度見附錄見附錄見附錄見附錄 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題實(shí)驗(yàn)結(jié)果如下：從實(shí)驗(yàn)結(jié)果分析，模擬退火算法具有很好地收斂性能，但由于模擬退火算法需要不斷對(duì)序列進(jìn)行擾動(dòng)，從這些表現(xiàn)中可以推見因此難以完成多隨機(jī)變量序列問題。因此我們依然采用聚類方法，對(duì)傳感器信息進(jìn)行聚類，生成多個(gè)一維度地序列，實(shí)作者也進(jìn)行了反復(fù)驗(yàn)證與對(duì)比，尤其是和同行的結(jié)論進(jìn)行了細(xì)致的比對(duì)與分析確保了所得結(jié)果的穩(wěn)定性和可靠性。在與同行研究的對(duì)比中，作者注意到盡管在具體結(jié)果表述形式上可能存在細(xì)微差異但核心結(jié)論與趨勢(shì)均保持高度一致，這進(jìn)一步增強(qiáng)了本研究結(jié)論的可信度。特別地作者深入探討了與方佳佳教授在相關(guān)主題研究的結(jié)論的異同點(diǎn)，通過對(duì)于結(jié)果一致性的判斷與這種對(duì)比分析，不僅加深了對(duì)研究主題的理解，也為后續(xù)研究提供了寶貴的參考和啟示為研究的完善和創(chuàng)新提供了重要助3.5.3改進(jìn)模擬退火算法仿真實(shí)驗(yàn) 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題根據(jù)算法分析，對(duì)改進(jìn)后的粒子群算法結(jié)合K-means聚類算法提升序列維度進(jìn)行實(shí)驗(yàn)仿真，最終最優(yōu)解為3無人機(jī)協(xié)同工作，具體參數(shù)如下：參數(shù)名稱最終溫度見附錄見附錄見附錄見附錄見附錄實(shí)驗(yàn)結(jié)果如下：參數(shù)名稱無人機(jī)數(shù)目n3總時(shí)間T(S)總耗電量E(W●s)無人機(jī)1時(shí)間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時(shí)間t2(s)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時(shí)間t3(s) 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題根據(jù)實(shí)驗(yàn)結(jié)果分析，結(jié)合K-means聚類的模擬算法解決多無人機(jī)協(xié)同工作問題可以完成無人機(jī)盡可能不進(jìn)行充電而增派無人機(jī)的目標(biāo)，現(xiàn)有結(jié)果明確指出了以下結(jié)論但實(shí)驗(yàn)結(jié)果存在較大誤差，因此任務(wù)其容易陷入局部最優(yōu)解。通過對(duì)四類傳統(tǒng)經(jīng)典算法進(jìn)行改進(jìn)，使其能夠很好的適應(yīng)本文所提出的多無人機(jī)協(xié)同工作的輔助邊緣計(jì)算系統(tǒng)。但其算法性能參差不齊，從數(shù)據(jù)上看，改進(jìn)的蟻群算法與模擬退火算法解決單無人機(jī)問題都具有很好的收斂特性，但改進(jìn)的模擬退火算法多無人機(jī)協(xié)同工作模式呈現(xiàn)出較差結(jié)果。從中可以明顯看出而在解決多無人機(jī)問題時(shí)，改進(jìn)后的粒子群算法、模擬退火算法、遺傳算法都需要借助K-means聚類分析進(jìn)行路徑規(guī)劃，其結(jié)果受聚類結(jié)果影響較大，可以從中察覺到通常得到解為該問題下的局部最優(yōu)解。改進(jìn)后的蟻群算法，在解決多維序列問題仍具有較好的收斂特性，缺失最優(yōu)對(duì)比，無法確定其是否陷入局部最優(yōu)解。上述四類算法都面臨同一個(gè)問題為目標(biāo)優(yōu)化過程需要傳感器位置、傳感器當(dāng)前待解決數(shù)據(jù)量、基站位置確定。 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題因此算法時(shí)效性差，面對(duì)復(fù)雜問題求解時(shí)間長，因此在解決現(xiàn)實(shí)問題時(shí)具有時(shí)效誤差。其中改進(jìn)后蟻群算法解決問題的時(shí)間最優(yōu)，平均計(jì)算時(shí)間為29.53s。 用于智能體解路徑規(guī)劃、機(jī)器博弈等多個(gè)領(lǐng)域其原理為智能體在環(huán)境、激勵(lì)等的影響下，不斷改變自身狀態(tài)，在這一背景下達(dá)到目標(biāo)并尋求最優(yōu)解的過程。算法首先確定智能體以及智能體所在環(huán)境，通過設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)使智能體在環(huán)境中不斷試錯(cuò)，圖20強(qiáng)化學(xué)習(xí)算法流程4.2圖注意力網(wǎng)絡(luò)GAT介紹圖注意力網(wǎng)絡(luò)GAT為2018年的提出的圖網(wǎng)絡(luò)模型，為了解決圖卷積網(wǎng)絡(luò)GCN4.2.1注意力機(jī)制間內(nèi)難以觀測所有信息，在這種情況下討論因此其會(huì)選擇一部分信息進(jìn)行記錄和分析。圖注意力機(jī)制類似于此。其核心在于對(duì)于既定信息進(jìn)行權(quán)重分配，分配到高權(quán)重的信息部分，需要被系統(tǒng)進(jìn)行深度加工。其數(shù)學(xué)表達(dá)形式如圖21所示： 力機(jī)制從需處理的信息源Source中得到的信息。在這氛圍的影響下每一對(duì)Key-Value表示信息源Source中含有的不同類別信息。因此有如下公式(何勇，高潔強(qiáng)，2021):其中similarity(x,y)函數(shù)表示x與y之間的相關(guān)程度。4.2.2圖注意力網(wǎng)絡(luò)GAT結(jié)構(gòu)分析于這種狀態(tài)下對(duì)于單頭圖注意層而言，假設(shè)進(jìn)入GAT網(wǎng)絡(luò)的圖Graph具有n個(gè)節(jié)點(diǎn)，第i個(gè)節(jié)點(diǎn)的特征向量為H;,節(jié)點(diǎn)維度f,則節(jié)點(diǎn)特征向量可以用H表示：H={H?,H?,…,HN},H;∈RfGAT網(wǎng)絡(luò)的圖注意層對(duì)特征向量H通過W矩陣進(jìn)行線性變換可以得到新的特征向量H`,其維度變?yōu)閒,則有：h,`=Wh,,W∈Rf×fh={h`,h`,….,h,`},h`∈Rf得到新的特征向量后，在這類狀況中圖注意力網(wǎng)絡(luò)GAT的具體Attention機(jī)制為，如果節(jié)點(diǎn)i、j為相鄰節(jié)點(diǎn)，則需要將其特征向量拼接后與拼接矩陣同維度向量α進(jìn)其中II表示拼接操作。其網(wǎng)絡(luò)單頭圖注意層如圖所示： 經(jīng)過Attention機(jī)制后節(jié)點(diǎn)i的特征向量如下：傳統(tǒng)強(qiáng)化學(xué)習(xí)算法解決無人機(jī)路徑規(guī)劃問題，多通過DQN網(wǎng)絡(luò)進(jìn)行，使無人機(jī)在飛行域內(nèi)做非離線計(jì)算運(yùn)動(dòng)。其具有很好的動(dòng)態(tài)特性，可以根據(jù)變化的傳感器數(shù)據(jù)來看進(jìn)行路徑規(guī)劃。可以從中察覺到但其算法的準(zhǔn)確率不高，且容易在飛行過程中出現(xiàn)負(fù)電量情況。因此本文將提出利于GAT網(wǎng)絡(luò)進(jìn)行序列問題。通過制造大量不同順序的序列和值域內(nèi)變化的數(shù)據(jù)量樣本，訓(xùn)練過程擴(kuò)與傳感器位置，傳感器數(shù)據(jù)量隨機(jī)的大樣本數(shù)據(jù)集。面對(duì)可以臨時(shí)給出的傳感器數(shù)據(jù)量進(jìn)行最優(yōu)路徑規(guī)劃。保留算法動(dòng)態(tài)性的同時(shí)，提高算法準(zhǔn)確性。算法得到路徑 第四章基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法解決序列問題具體的本算法采用GAT網(wǎng)絡(luò)與Reinforce方法結(jié)合的方法預(yù)測無人機(jī)的路徑，其中GAT作為主要算法對(duì)輸入的節(jié)點(diǎn)信息進(jìn)行處理并輸出預(yù)測的路徑，Reinforce方法習(xí)的反向傳播機(jī)制。算法構(gòu)建了一個(gè)無人機(jī)路徑的環(huán)境，無人機(jī)與環(huán)境的交互在這算法GAT網(wǎng)絡(luò)注意力層采用多頭注意力機(jī)制，k=8,網(wǎng)絡(luò)結(jié)構(gòu)如圖所示：成成開成成通過構(gòu)建大樣本數(shù)據(jù)集對(duì)20個(gè)傳感器和給定數(shù)據(jù)量進(jìn)行仿真實(shí)驗(yàn)，于這種狀態(tài)下實(shí)驗(yàn)參數(shù)如下：隱藏層個(gè)數(shù)hiddendimepoch個(gè)數(shù)encoder/critic網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)3actor-network的學(xué)習(xí)率Ir_modelcritic-network的學(xué)習(xí)率Ir_critic見附錄 傳感器數(shù)據(jù)量 實(shí)驗(yàn)結(jié)果如下：參數(shù)名稱無人機(jī)數(shù)目n3總時(shí)間T(s)總耗電量E(Ws)無人機(jī)1時(shí)間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時(shí)間t2(s)無入機(jī)2總耗電量e2(W●s)無人機(jī)3時(shí)間t3(S)圖24GAT強(qiáng)化學(xué)習(xí)多無人機(jī)協(xié)同路徑規(guī)劃圖 第四章基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法解決序列問題網(wǎng)絡(luò)結(jié)合強(qiáng)化學(xué)習(xí)算法處理多無人機(jī)輔助邊緣計(jì)算系統(tǒng)具有良好效果。圖25中訓(xùn)練過程因其多隨機(jī)傳感器數(shù)據(jù)量樣本進(jìn)行訓(xùn)練，其損失函數(shù)具有一定的波動(dòng)性，但隨迭代次數(shù)增加而不斷穩(wěn)定，測試集表現(xiàn)的loss屬性具有 由于GAT強(qiáng)化學(xué)習(xí)可以靈活應(yīng)對(duì)變化的傳感器存群、粒子群、遺傳、模擬退火算法分別做相同20個(gè)傳感器優(yōu)化和測試過程傳感器數(shù)據(jù)量相同和相同20個(gè)傳感器優(yōu)化和測試過程傳感器存儲(chǔ)數(shù)據(jù)量不同的模擬實(shí)驗(yàn)。對(duì)GAT強(qiáng)化學(xué)習(xí)算法做跟隨實(shí)驗(yàn)，在這類狀況中其中對(duì)模擬退火算法進(jìn)行10000次擴(kuò)如圖26顯示，在優(yōu)化過程與測試過程傳感器存儲(chǔ)數(shù)據(jù)量相同的情況下，蟻群算較快收斂并得到最優(yōu)解，GAT強(qiáng)化網(wǎng)絡(luò)需要進(jìn)行大量訓(xùn)練，因此其10000次迭代效果不優(yōu)，但收斂趨勢(shì)明顯。蟻群算法收斂速度極快，但容易陷入局部最優(yōu)解，模擬 圖26優(yōu)化與測試傳感器數(shù)據(jù)量相同性能比較圖當(dāng)優(yōu)化與測試過程傳感器數(shù)據(jù)量不同時(shí)，強(qiáng)化學(xué)習(xí)依然可以保持較高性能，改進(jìn)的遺傳算法會(huì)顯示強(qiáng)烈波動(dòng)性并不收斂，改進(jìn)的粒子群算法結(jié)果與最優(yōu)解有較大偏離，改進(jìn)后的蟻群算法與模擬退火算法則會(huì)陷入局部最優(yōu)解(潘磊，蔡穎強(qiáng)，2022)。第五章算法性能對(duì)比決數(shù)據(jù)量發(fā)生變化的問題時(shí)改進(jìn)后的蟻群算法、遺傳算法、模擬退火算法、粒子群算法測試結(jié)果較差，不具有靈活性和得到最優(yōu)解的能力，基于GAT網(wǎng)絡(luò)的退火算法、遺傳算法和粒子群算法無法進(jìn)行大量數(shù)據(jù)模擬，且其本身受聚類因素影改進(jìn)后的蟻群算法和GAT強(qiáng)化學(xué)習(xí)算法在解決問題的穩(wěn)定性，如圖9與圖25對(duì)比，蟻群算法在優(yōu)化加測試求解問題的總體時(shí)間復(fù)雜度性能上優(yōu)于GAT強(qiáng)化學(xué)習(xí)算法，在這種情況的背景下但其算法會(huì)容易陷入局部最優(yōu)解斷變化的傳感器數(shù)據(jù)量，而蟻群算法則不具備此靈活性。其GA后在不改變傳感器位置和基站位置的情況下，測試過程的時(shí)間復(fù)雜度遠(yuǎn)小于蟻群算第六章結(jié)束語無人機(jī)因其獨(dú)有的特點(diǎn)，目前很好的應(yīng)用于農(nóng)業(yè)傳感數(shù)據(jù)采集的場景，因此對(duì)其進(jìn)行路徑規(guī)劃十分有意義。當(dāng)前對(duì)無人機(jī)進(jìn)行路徑規(guī)劃的算法，沒有很好的對(duì)無人機(jī)電量模型、通信模型和飛行時(shí)間模型進(jìn)行建模，也不能滿足多無人機(jī)協(xié)同工作的需求，多采用以飛行直線距離為優(yōu)化目標(biāo)的以蟻群算法、遺傳算法、粒子群算法、模擬退火算法為核心的離線問題處理。也存在考慮到無人機(jī)通信、電量背景，但場景設(shè)計(jì)過于簡單，在這氛圍的影響下且準(zhǔn)確率不高的強(qiáng)化學(xué)習(xí)結(jié)合DQN網(wǎng)絡(luò)的非離線算法。本文針對(duì)上述背景，進(jìn)行了多無人機(jī)協(xié)同輔助邊緣計(jì)算系統(tǒng)的路徑規(guī)劃研本文針對(duì)無人機(jī)通信過程，提出了基于自由空間路徑損耗考慮視距通信(LOS)、非視距通信(NLOS)與感知發(fā)送協(xié)議的傳感模型、通信模型、數(shù)據(jù)傳輸模型，建立了符合氣體動(dòng)力學(xué)描述的無人機(jī)電量模型和完成了基于實(shí)際場景分析調(diào)研的無人機(jī)工作過程模型。真實(shí)還原了無人機(jī)工作場景和環(huán)境因素。本文將凸函數(shù)優(yōu)化問題，表達(dá)為多維度隨機(jī)序列的最優(yōu)分組排序問題，通過對(duì)蟻群算法、遺傳算法、粒子群算法與模擬退火算法進(jìn)行改進(jìn)，對(duì)其優(yōu)化目標(biāo)、輸入?yún)?shù)形式以及是否可以結(jié)合K-means聚類算法進(jìn)行分析，得到了可以有優(yōu)質(zhì)性能滿足上述背景的需求。,在這類狀況中同時(shí)本文提出一種新型的GAT網(wǎng)絡(luò)結(jié)合強(qiáng)化學(xué)習(xí)的離線算法，其滿足上述背景的需求同時(shí)具有靈活性、準(zhǔn)確性。并對(duì)5類算法進(jìn)行了性能分析與比較。經(jīng)過對(duì)四類傳統(tǒng)算法的改進(jìn)和提出基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法，本文完成了對(duì)考慮通信情況、無人機(jī)電量及多無人機(jī)系統(tǒng)工作的輔助邊緣計(jì)算系統(tǒng)今天了路徑規(guī)劃。因算法本身的局限性，改進(jìn)后的遺傳算法、粒子群算法、模擬退火算法無法直接解決多無人機(jī)協(xié)同工作問題，需要結(jié)合K-means算法對(duì)傳感器進(jìn)行聚類分析。5類算法在解決單無人機(jī)問題時(shí)模擬退火算法呈現(xiàn)最優(yōu)性能，在解決多無人機(jī)路徑規(guī)劃問題時(shí)GAT強(qiáng)化學(xué)習(xí)算法具有最優(yōu)性能。GAT強(qiáng)化學(xué)習(xí)算法通過大量樣本訓(xùn)練，可以面對(duì)給定域內(nèi)隨機(jī)的傳感器存儲(chǔ)的數(shù)據(jù)量集合都可以在極短時(shí)間給出效率較高的路徑規(guī)劃方式，具有較好的靈活性，因此其可以更好的融入現(xiàn)實(shí)背景解決實(shí)際問 [1]X.ChenandJ.Zhang,"TheThree-DimensionPathPlanningofUAVBasedonImprovedArtifPotentialFieldinDynamicEnvironment,"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,"TheComparisonofFourUAVPathPlanningAlgorithmsBased(IHMSC),Hangzhou,China,2017,pp.33-36,doi:10.1109/IHMS[4]W.Xinggang,G.CongandL.Yibo,"VariableprobabilitybasedbidirectionalRRTalgorithpathplanning,"The26thChineseControlandDecisionConference(2014CCDC),Changsha,2014,pp.2217-2222,doi:10.1109/CCDC.2014.685Hangzhou,China,2017,pp.33-36,doEvacuationEnvironment,"inI(張偉，趙敏，2019)Transactionson曾誠，蔣婷tems,Man,andCybernetics:曾誠，蔣婷tems,doi:10.1109/TSMC.2020.2967936.109/IHMSCProceedingsofthe29thChineseControlConference,Beijing,China,2010,pp.559-563doi:10.1109/ACCESS.2019.2943253.planning,"2017I(張偉，趙敏，2019)InternationalConfer(SMC),Banff,AB,Canada,2017,pp.1799-1804,doi:10.1109/SMC.2017.8122877.Communications,vol.16,no.6,pp.3747[11]黃強(qiáng)，孫悅.遺傳算法路徑規(guī)劃在無DoseMapping,"2018I(張偉，趙敏，2019)42ndAnnualComputerSoftwareandApplicationsConference(COMPSAC),Tokyo,2018,pp.333-338,doi:10.1109/COMPSAC.2018.00053.[13]徐濤，鄭薇"OncollaborativepathpNanjing,2016,pp.971-975,doi:10.1109/CGNCC.2016.7828917.5thInternationalConferenceonAuChina,2020,pp.81-86,doi:10.1109/CACRE50138.2020.9229999.[15]C.Zhang,H.LiuandY.Tang,"Quanti