面向无人机集群的数据链中继节点选择方法

肖 刚，邹永显，王 雷，邹浩彦

(1.中国电子科技集团公司第二十研究所，陕西 西安 710068；2.解放军63963部队,北京 100072；3.中航飞机股份有限公司特设技术室，陕西 西安 710089；4.解放军驻西飞公司军事代表室，陕西 西安 710089)

0 引 言

无人机集群具有协同能力强、任务执行单元多、成本相对低等特点，适合在复杂环境下完成搜索、侦察、打击等任务[1]。但无人机受限于其单机抗毁性差和覆盖范围有限等缺点，需要无人机集群数据链通信解决。在任务执行期间，无人机集群位置有随机性、分散性等特征，某些无人机平台在任务中会出现远离集群、独立执行任务的情况，因此，无人机集群分散机动中通信问题成为无人机集群通信领域的一个研究方向[2]。随着无人机的种类逐渐丰富，出现了续航能力长、通信距离远的无人机机型，可以有效解决以上问题。具有中继无人机的无人机数据链网络，可以显著扩展集群执行任务的通信范围，灵活建立编队子网，有效控制孤立的无人机单元，实现整个集群态势资源共享，增强集群编队协同能力[3]。本文综合考虑，以无人机集群协作执行任务为背景，构建了无人机集群数据链中继网络，设计基于文化算法的改进克隆蚁群算法解决无人机数据链中继节点选择问题。

1 中继节点选择相关研究

无人机中继节点的通信区域主要取决于中继节点飞行高度、通信区域高度和最大通信距离[4]。假设最大通信距离为R,中继节点飞行高度为H，通信区域高度为h，则通信最大覆盖半径为：

(1)

在实际作战中，无人机集群节点间高度差一般在数十米到数千米间，而中继节点的最大通信距离往往高达几百千米以上，节点间的高度差对比与通信最大距离可以忽略不计。考虑到无人机间的高度差对于信号的通信范围和集群拓扑结构的影响可以忽略，故为便于建模分析问题，本文将节点选择问题从三维空间降维到二维空间进行研究。

1.1 通信覆盖率

本文将任务区域按照网格形式分解，并将每一个网格简化为点，成为像素点，设任务区域有m×n个像素点，节点集S通信覆盖率Rarea(S)为S覆盖像素点的总和与任务区域总像素点的比值公式如下：

(2)

1.2 聚集度

聚集度的衡量标准是节点之间的平均最短路径和网络中的节点数目[5]。聚集度是用于评估在中继节点数量有限和通信距离有限的情况下，如何部署可以既满足覆盖和通信的需求，又可以最大限度地提升网络抗毁性。在无人机集群中，每个中继无人机除了对本身通信范围内的无人机进行中继，同时要考虑为相邻无人机转发消息。因此，本文定义中继无人机的聚集度βi：

(3)

1.3 分布评估函数

在中继无人机数量和覆盖半径确定的条件下，基于集群连通性、鲁棒性和覆盖率，在保证集群最佳通信覆盖的情况下，为增强数据链网络的鲁棒性，各中继无人机的聚集度需要尽量小。3个条件间相互制约，综合衡量得到数据链中继网络的分布评估函数为：

Edis=l1×Rarea(S)-l2×var(βi)

(4)

式中：l1和l2为权重系数。

2 CA-CSACA算法设计

2.1 蚁群算法

假设蚂蚁k由当前节点i移动到节点j的移动规则为:

(5)

式中：α为第k只蚂蚁移动中信息素浓度；β为启发因子在蚂蚁挑选节点中的重要度；dk为蚂蚁k可以下一步选择的节点子集；ηij(t)为挑选节点的启发信息；τij(t)为在t时刻路径(i,j)上的信息素量。

为防止信息素残留引起启发信息作用被削弱，当蚂蚁选择下一步节点后，要对信息素进行局部更新，更新公式如下：

τi,j(t+Δt)=(1-ρ1)τi,j(t)+Δτi,j(t)

(6)

(7)

(8)

式中：0

当没有局部更新时，蚂蚁将在上一次选择的最佳路径的相邻区域内搜索。

2.2 克隆选择算法

克隆选择算法基本操作如下：

(1) 复制操作：将Ai(k)复制qi次，生成qi个抗体，这一操作表示为：

(9)

式中：Ei为qi×1的单位阵。

抗体适应度qi为：

qi(k)=g(N，f(Ai(k)))，1≤i≤n

(10)

(11)

式中：Int(·)为取最小整数的函数；N(N>n)表示克隆数目。

由此可见qi与f(Ai(k))成正比例关系。通过克隆复制操作后，种群变为Y(k)，形式如下：

Y(k)={Y1(k)，Y2(k)，…，Yn(k)}

(12)

式中：Yi(k)={Ai1(k)，…Aij(k)，…，Aiqi(k)}，且Aij(k)=Ai(k)，j=1，2，…，qi。

(13)

(14)

一般使用概率选择的方法，进行进化操作。

具体地，∀i=1,2,…,n，则：

Bi(k)=max{Zi(k)}=

{zij(k)|max(f(Zij))，j=1，2，…，qi}

(15)

Bi(k)取代Ai(k)成为Ai(k+1)的概率Ps为：

(16)

其中根据计算种群中各抗体适应度值，挑选出适应度值最大的抗体作为最优抗体。

2.3 文化算法

文化算法模拟人类知识积累的历程，在普通种群空间的基础上构建有知识积累、进化和传播的信仰空间，形成双层进化机制[7]。文化算法主要包括三部分，分别是种群空间、信仰空间与沟通渠道。其中沟通渠道可具体划分为接受函数、影响函数和更新函数。而信仰空间则主要包括规范知识、拓扑知识、领域知识等[4]。接受函数提取每一个代种群中适应度高的个体，并送入样本库进行演化。

2.4 CA-CSACA算法

蚁群算法求解过程中容易过早得到局部最优解并局部收敛。克隆选择算法通过免疫和克隆操作，可以不断给种群引入新的优秀个体，有利于跳出局部收敛，而得到全局最优解。2种算法通过文化算法的双层进化机制有机结合，建立以克隆选择算法优化的信仰空间和以蚁群算法优化的种群空间。经克隆选择算法初始化信仰空间、蚁群算法优化种群空间处理后，采用适应度函数评估种群中个体适应度优劣，通过接收函数将迭代中产生的最优个体保存在信仰空间，信仰空间使用克隆选择算法定期将保存的优良个体通过影响函数反馈到种群空间，种群空间在更新后的新种群基础上继续进化，重复整个进化过程，直到满足结束条件，得到最优解。

算法流程描述如下：

步骤1：种群空间初始化，采用蚁群算法进化，设置基本参数，如蚂蚁数量、信息素挥发系数、迭代次数等。根据适应度公式评估抗体的优劣。

步骤2：信仰空间初始化，采用克隆选择算法进化，形成抗体的种群，针对抗体种群，分别进行交叉和变异操作，操作数量占种群空间个体数量的15%到25%。

步骤3：定义接受函数，在每轮进化结束后，信仰空间用种群空间中当前最优解替换信仰空间内当前最劣解。

步骤4：定义影响函数，每迭代N次，用信仰空间中适应度最优的T个个体将种群空间中适应度最差的T个个体进行替换。

步骤5：迭代求解：

(1) 种群空间更新。当满足条件时，运行影响函数，然后利用蚁群算法对种群空间进行进化。

(2) 信仰空间更新。运行接受函数，然后利用克隆选择算法对信仰空间进行进化。

步骤6：更新记录册。每次迭代完成后比较当前记录册的值和种群空间中的最优值，并将两者中的较优值赋给记录册。

步骤7：比较终止条件和记录册上的值，直至满足终止条件，输出解集；否则，转步骤5。

3 仿真分析

仿真过程中，假定任务区域600 km×600 km，中继无人机的覆盖半径R=100 km，变异概率pm=0.8，交叉概率pc=0.4，克隆算法迭代次数500次，蚁群算法中蚂蚁数量为20，最大迭代次数为500。

验证无人机聚集度对集群鲁棒特性评估的有效性，在试验区域内部署12个节点，对比分析2种算法的部署效果。由图1可以得出，基于文化算法的改进克隆蚁群算法(CA-CSACA)部署的节点聚集度优于克隆蚁群算法(CSACA)。由此证明节点聚集度可以有效评估无人机集群数据链网络中各个节点的作用。

图1 CSACA和CA-CSACA下节点聚集度

表1为50 次实验的平均结果对比。可以看出，在集群数据链网络中成员较多情况下，算法间覆盖率的区别不明显，但CA-CSACA对比CSACA算法在计算聚集度方差上明显占有优势。这表示若只对优化目标做更改，而不对算法本身的运行机理做调整，很难明显提高解空间质量。

表1 CSACA和CA-CSACA算法 50次试验性能对比

算法迭代过程中，适应度函数值迭代情况如图2所示，其中X轴坐标为迭代次数。由图2可知，随着算法运行，迭代次数增加，求解空间逐渐收敛，对比CSACA算法，CA-CSACA有更好的寻优能力。

4 结束语

针对无人机集群的数据链中继节点选择问题，本文提出一种基于改进克隆蚁群算法的中继节点选择算法。本算法在克隆蚁群算法基础上结合文化算法的双层进化机制，明显提高全局最优解的收敛速度。仿真结果表明，基于文化算法的改进克隆蚁群算法能提高解集搜索速度，更有效解决无人机集群的数据链中继节点选择问题。

图2 CSACA和CA-CSACA算法适应度函数值