一种无人机飞行自组织网络的多目标优化方案*

岳平 王治国

1.广东体育职业技术学院 广东 广州 510650；2.广东科学技术职业学院 广东 广州 510640

引言

无人机在多个领域具备广泛应用潜力。然而，这些应用的成功关键在于无人机的通信能力。为了实现实时通信和协同工作，FANET被广泛应用作为一种高效的通信方式。要确保FANET的有效运行，需要考虑信号覆盖范围、通信吞吐量和能源效率等关键参数。本研究从应用的角度出发，探讨了如何优化无人机飞行自组织网络中的信号覆盖、通信吞吐量和能源效率等参数。为更准确地描述通信特性，我们引入了递归神经网络（RNN）技术，构建了一个精确的通信模型。同时，我们采用自适应预测控制（APC）方法，实现了通信系统的自适应调整和优化，使得机载Wi-Fi网络和FANET系统能够根据不同的环境自动调整通信策略。借助融合RNN序列建模和APC自适应性，我们提升了通信性能，为各个领域的广泛应用提供可靠的解决方案。

1 递归神经网络RNN技术在UAV-FANET中应用现状

RNN作为一种强大的序列建模技术，为无人机飞行自组织网络（UAV-FANET）中的通信和协同问题提供了创新的解决思路。通过对序列数据的处理，RNN能够捕捉到数据之间的时序关系，从而在UAV-FANET中实现更精准的通信特性建模和优化。本章将首先介绍RNN算法的特点，然后探讨RNN技术与自适应预测控制方法的结合在UAV-FANET中的应用，为该领域的研究提供新的视角。

1.1 RNN 算法特点

递归神经网络（RNN）的核心思想是信息在网络内部循环传播，使网络能够对过去的信息进行记忆，从而理解序列的上下文关系。RNN以其独特的结构，使其在序列数据建模方面表现出色，适用于处理时间序列数据，能够捕捉到数据的时序依赖关系[1]。然而，传统RNN存在梯度消失和梯度爆炸等问题，限制了其在长序列中的有效性。为了克服这些问题，长短时记忆网络和门控循环单元等变体被提出，有效地改进了RNN的性能。在UAV-FANET中，利用RNN对通信质量、路径规划以及资源分配等关键问题进行建模，可以提高网络的性能和稳定性。

1.2 递归神经网络（RNN）与自适应主动控制

FANET作为一种灵活且强大的通信方式，为无人机的实时通信与协同提供了坚实支撑。RNN技术与自适应主动控制的紧密结合，正在成为解决无人机飞行自组织网络中多目标优化问题的崭新途径。

APC方法通过预测和实时调整能力，迅速崭露头角，适应网络动态需求。融合RNN的预测技术与APC的智能调控，UAVFANET系统能够感知通信状态的变化，并自主调整通信参数。这种灵活性使得UAV-FANET系统能够适应环境和任务要求，保持高效的通信协同。通过将RNN与自适应主动控制紧密融合，无人机通信问题得到持续创新，展示了学术领域的前沿，并为实际应用带来了前景。融合RNN与自适应主动控制为无人机通信问题的解决提供了创新的方向，具有学术和实际应用的双重价值。

2 自组织网络优化

UAV-FANET的优化是确保通信性能和协同效率的关键。本章将探讨Ad-Hoc网络优化的方法和技术，涵盖了移动性和传播模型、主动定位方法以及传输速率等关键方面，为实现无人机的高效通信和协同提供支持。

2.1 移动性和传播模型

在无人机飞行自组织网络中，无人机的移动性和信号传播模型是影响通信性能的重要因素[2]。移动性模型定义了无人机的运动规律，而传播模型描述了信号在空间中的传输特性。通过分析和优化移动性和传播模型，可以更好地预测无人机之间的通信性能，从而优化通信路由和资源分配策略，提升网络的吞吐量和可靠性。

2.2 主动定位方法

自适应预测控制中的主动定位方法对于实现高效的通信和协同至关重要。通过采用先进的定位技术，如全球卫星导航系统（GNSS）和惯性导航系统（INS），无人机的位置信息可以实时获取。结合递归神经网络（RNN）的序列建模能力，可以预测无人机的未来位置，从而实现主动调整通信参数，提前适应通信环境的变化，确保通信质量的稳定性和连续性。

2.3 吞吐率优化

在无人机飞行自组织网络中，吞吐率的优化对于实现高效的数据传输和通信质量至关重要[3]。吞吐率直接影响数据传输的效率、延迟以及可靠性，因此在不同的应用场景下需要进行精心的优化。本节将深入探讨传输速率的优化方法，以满足多样化的通信需求。

在Wi-Fi覆盖范围研究的基础上，结合递归神经网络（RNN）的预测能力，我们可以对信号变化进行建模和预测，从而在不同位置和时间动态调整传输速率。这种智能的吞吐率调整策略能够保证在弱信号区域维持稳定的连接，同时在强信号区域提供更高的吞吐率，以实现最佳的通信性能。

自适应主动控制方法进一步加强了吞吐率的优化。通过实时监测通信状况以及网络负载，自适应主动控制可以根据实际需求调整传输速率，以适应不同数据量和通信延迟的变化。这种策略不仅可以优化吞吐率的效率，还能够在网络拥塞时避免数据丢失和传输失败。

3 无人机飞行自组织网络的多目标优化方案

在无人机飞行自组织网络的多样应用背景下，本章将介绍针对不同方面的多目标优化方案。首先将进行方法论描述，随后分别探讨Wi-Fi覆盖率、吞吐率、能源效率以及通过实验结果验证优化方案的有效性。

3.1 方法论描述

本文的研究方向是无人机基于自主控制小旋翼无人机FANET网络的容量和扩展范围。重点研究了通信的3个主要参数，覆盖面积、吞吐量和能源效率，并在ADMOO和Infrastructure模式下进行了研究。该范围被划分为3个区域：

第一个范围区域是测量和计算无人机覆盖面积，为此我们考虑了FRIS模型和WINNER D1模型。

第二个范围区域是加载到无人机飞行控制系统以执行Wi-Fi网络服务的吞吐性能。

第三个范围区域是控制板消耗的电流。研究组分别作为实验组和对照组测量了两个模式下控制板的即时电流消耗。

3.2 Wi-Fi覆盖率

假设部署的无人机应用场景是一个没有障碍物和任何其他干扰源的开放且无边界区域。在此背景下，信号传播损耗的分析是通过FRIS模型和WINNER D1模型的无线电传播模型获得的。当发射机和接收机之间存在最优的信号传播路径，并且附近没有可能阻碍通信的物体时，FRIS模型通常用于预测信号强度。FRIS模型由表达式1定义：

另一方面，WINNER信道模型是一个随机模型，用于预测不同类型环境中传入通信信道的损失。WINNER D1模型是由于所研究场景的特点而为这项工作选择的特定模型，即开放的户外环境，没有障碍物，且基站置于高架处；因此在UAV和构成网络的其他节点之间存在最优信号传播路径的情况下。WINNER D1模型由表达式2定义：

3.3 吞吐速率

为了评估两种模式的吞吐量性能，我们在可控条件下对三种不同配置的无人机进行了信号强度测试，以获得两种不同的数据包。根据实验数据值，研究组观察到Infrastructure模式在吞吐量方面的性能明显优于Ad Hoc模式。

3.4 能源效率

研究组测量了无人机设备板的电流消耗用于优化。通过确定设备板在不同操作模式下所需的电流量，研究组可以准确地确定其电池的容量大小。实验测量结果表明，在算法模型中，一架无人机只有在需要协作时才能进行通信。如果相邻无人机的MPU利用率低于设定的阈值，那么当前无人机为了及时更新相邻无人机的状态，可以预先设置定时器中断。一旦超过设置的时间，无人机必须广播帮助消息以重新启动，直到计算出最新的功耗值。

3.5 实验结果

将仿真和实验数据集输入到程序中，以实现优化的解决方案。实验结果显示（如表1所示）。

表1 优化的整体比较

ADMOO和Infrastructure模式之间存在平衡状态，这就是优化极限。与ADMOO模式相比，Infrastructure模式在操作覆盖方面具有优异的性能。ADMOO模式在运行中表现出更好的能效。随着业务负载的增加，目前对控制板的需求显著增加。此外，ADMOO模式比Infrastructure模式消耗更少的电池电流，且具备更高的能效。

4 结束语

无人机飞行自组织网络的多目标优化方案在通信性能、资源效率和网络鲁棒性方面至关重要。本研究通过递归神经网络和自适应预测控制提出了创新的解决方案，成功优化了通信系统的容量、覆盖问题和能源效率，为无人机飞行控制带来显著优势。

本文研究了使用基于RNN的FANET来扩展无人机通信能力和覆盖范围。通过建模动态不确定性和引入基于APC的控制系统，重点关注信号覆盖、吞吐量、电池功耗等关键因素。使用升级板作为Wi-Fi集线器进行实证试验，分析了两种Wi-Fi操作模式。结果显示，所提出的模型可以扩大系统容量和覆盖范围，改善无人机合作通信性能，以及提高能效和响应时间。

在未来的工作中，可将此解决方案应用于无人机的复杂动态场景，为其他研究者提供有益的参考和借鉴。