【摘 要】
:
随着无人机技术的飞速发展,无人机自组网成为无人机应用中备受关注的研究领域之一。无人机自组网可以解决无人机之间通信障碍的问题,广泛应用于军事和民用领域。然而,无人机节点的能量消耗不均衡以及链路通信稳定性差的问题仍然是制约无人机自组网性能的主要瓶颈,而合适的路由协议是解决上述问题的关键。动态源路由(Dynamic Source Routing,DSR)协议广泛应用于资源受限的自组网,具有较低的路由开销
论文部分内容阅读
随着无人机技术的飞速发展,无人机自组网成为无人机应用中备受关注的研究领域之一。无人机自组网可以解决无人机之间通信障碍的问题,广泛应用于军事和民用领域。然而,无人机节点的能量消耗不均衡以及链路通信稳定性差的问题仍然是制约无人机自组网性能的主要瓶颈,而合适的路由协议是解决上述问题的关键。动态源路由(Dynamic Source Routing,DSR)协议广泛应用于资源受限的自组网,具有较低的路由开销和较高的网络性能。本文将针对无人机自组网中的能量消耗不均和链路通信稳定性差的问题对DSR协议进行研究和改进,主要研究内容如下:首先基于UANET网络特性,通过对DSR协议的选项信息梳理,分析了DSR协议的特点,在对阿奎拉鹰优化(Aquila Optimizer,AO)算法和算术优化算法(Arithmetic Optimization Algorithm,AOA)基本原理研究的基础上,针对无人机自组网中的能量消耗和链路稳定性评估问题,确定了UANET节点能量消耗和链路的稳定性评估指标,构建了基于OPNET Modeler仿真环境的DSR协议实验验证平台,为下一步无人机自组网DSR协议的改进与研究奠定了理论基础和实验基础。其次针对UANET中节点能量消耗不均匀,容易导致无人机节点提前退网,进而引起通信中断的问题,提出了一种基于AO和AOA混合优化算法的DSR(The Hybrid Algorithm of Aquila Optimizer With Arithmetic Optimization Algorithm of Dynamic Source Routing,AOAOA-DSR)协议。算法通过综合能量效益、损耗效益、链路估计时间和拥塞效益等影响因素,并引入权重系数,确定了节点的能量可靠性。在无人机集群中,选择能量可靠性符合要求的节点进行路由转发备用,并根据备用节点的能量可靠性计算多条路径的能量可靠性,结合路径跳数构建适应度函数,使用AOAOA算法对DSR协议的路径选择过程进行全面优化,得到最优路径。仿真结果表明,AOAOA-DSR在能量消耗,吞吐量和平均端到端时延等方面的都优于多个现有的DSR协议。最后针对UANET中节点间传输链路质量稳定性差,数据流的端到端传输不稳定的问题,在节点能量可靠性模型的基础上进一步提出了一种基于速度感知和稳定性估计的多路径DSR(Velocity-Aware and Stability-Estimation–Based Multi-Path Dynamic Source Routing,Va Se-DSR)协议。该协议在路由发现过程中,以能量可靠性符合要求的节点为基础,结合节点间的速度矢量夹角和链路剩余生存时间等相关因素,选择综合可靠性符合要求的节点转发路由请求数据包;在路由维护过程中,采用了基于路径相似性和路径剩余生存时间的多路径选择机制。仿真实验结果表明,Va Se-DSR在网络吞吐量、数据传输平均端到端时延、能量消耗和路由发现的收敛时间等方面都优于现有的针对链路稳定性研究的DSR协议。
其他文献
随着大数据信息化时代的到来,各个领域数据信息急剧增长,人们对数据信息处理技术的要求也越来越高。压缩感知突破奈奎斯特采样定律,很大程度上缓解了数据的获取和传输压力。传统的压缩感知重构算法需要进行多次迭代求解原始信号,使得算法计算速度慢,重构精度差,且不具有实时性等优势。近年来,随着深度学习的快速发展,深度神经网络技术在压缩感知领域的应用有效地提高了压缩感知重构的精度和效率,并引起学者们的广泛关注和研
如今的互联网时代,大量的新闻出现在人们的日常生活中,需要人们花费更多精力和足够时间在庞大的信息库中去搜索和甄别我们感兴趣的内容,而文本自动摘要技术可以在不更改文章含义和不丢失其重要信息的前提下,概括出新闻的关键信息和主体内容,从而帮助人们减少阅读的时间。近年来指针生成网络模型(Point Generator Network,PGNet)的提出极大地促进了摘要生成技术的发展,有效解决了未登陆词无法生
随着软件规模的不断增加和复杂性的提高,软件中存在的安全隐患也越来越多,这使得软件容易受到不法分子的攻击。为了有效提高软件的安全性,漏洞检测技术成为了软件安全领域的研究重点。由于图模型具有较强的表征能力,基于图模型的漏洞检测研究应运而生。然而,现存的图模型在源代码的表征过程中,存在图模型较为单一而导致的源代码表征信息缺失,使漏洞检测的误报率增加的问题。同时由于源代码结构复杂,导致对应图结构信息冗杂,
随着生产力水平的发展,人们对于软件功能的需求不断增加,导致软件的体系结构也随之变得复杂,无形之中提高了软件中可能存在安全缺陷的概率。此外,代码复用也会给漏洞的传播提供可乘之机。一旦这些安全漏洞被不法分子所利用,所造成的损失不可估量。因此,如何保证软件安全成为人们亟待解决的问题。随着深度学习技术在图像领域以及自然语言处理领域获得了巨大的成功,大量的信息安全研究人员也开始使用深度学习的方法来进行漏洞检
股权质押作为一种融资方式,具有成本低、限制条件少、操作简单等优势,受到了部分上市公司的青睐。股权质押虽具有诸多优点,但是也存在着潜在的风险。当控股股东进行高比例的股权质押活动时,会加大现金流权和控制权的分离程度,引发代理问题,将会损害债权人和中小股东的利益。同时,在高比例的股权质押下控股股东还会为了维持自身利益的最大化而去损害公司价值。因此,研究控股股东股权质押对公司价值影响的路径和程度,对于加强
近年来,汽车数量增加导致的交通问题层出不穷,由此引发的自动驾驶研究已被国内外众多企业提上日程。随着深度学习的发展,一般简易交通场景下的目标检测精度已可达驾驶标准,但面对复杂场景下的目标检测,道路中存在遮挡目标和小目标检测,通过传统算法无法获取更高精度的检测。因此,本文采用了深度学习为基础的目标检测技术,分析自动驾驶复杂场景下目标检测的重难点,进而研究适用于复杂场景下的目标检测算法。具体的研究工作如
行人重识别技术被广泛用于智能安防以及搜寻走失儿童等社会安全问题。有监督行人重识别和无监督行人重识别作为行人重识别的两个方向。在实际应用中,有监督行人重识别虽然取得了很好的结果,但是需要耗费大量的成本去标注数据。因此当行人在不同域的场景出现时,基于无监督学习的行人重识别应用更加广泛。与有监督方法相比,无监督行人重识别通过使用带标签的源域数据和不带标签的目标域数据进行训练,且这两个数据集通常采集的图像
差分演化(Differential Evolution,DE)作为一种基于种群的全局优化算法,具有不受梯度信息限制和控制参数少等特点,被广泛应用于传统数学方法无法求解的复杂优化问题中。DE中不同的变异策略具有不同的搜索性能,选择和问题特征相匹配的变异策略会极大地提高算法的搜索性能,因此自适应变异策略选择成为提升DE算法性能的最有效方法之一。然而,现有的变异策略自适应选择方法通常以近几代演化数据的统
作为一种基于种群的全局优化算法,差分演化算法(Differential Evolution,DE)凭借其简单的结构和高效的性能,从演化算法家族中脱颖而出。DE的性能受算法参数和变异策略的影响,自适应参数和变异策略控制是提升DE优化性能的最有效方法。然而,现存自适应参数和变异策略控制方法存在两方面问题:(1)忽略了对演化历史种群数据中隐含的有益特征信息的挖掘以及这些特征信息的合理利用;(2)不同状态
疲劳检测是一个非常重要的研究领域,疲劳状态严重影响个体的生产效率和工作安全,如果不能及时识别和处理,可能会导致不良后果。因此,对疲劳状态进行有效的检测和管理非常重要,能确保人们的身体安全,有助于推动社会的进步。由于疲劳状态是一种高度个体化和主观感受强烈的生理状态,这使得建模和分析疲劳状态变得更加困难。本文研究的重点在于使用多模态生理信号(脑电信号、心电信号和肌电信号)来检测操作员在模拟飞行操作环境