多变量随机序列总时间性能最优问题的求解方法研究
目录
摘要 1
1绪论 2
1.1研究背景与意义 2
1.2国内外现状 3
1.3研究内容及创新点 4
1.4论文组织结构 5
2问题描述及模型建立 6
2.1无人机的工作场景 6
2.2无人机通信模型 7
2.3无人机电量模型 8
10
2.4时间模型
2.5问题建模 1
3传统离线算法解决多参量随机序列问题 12
3.1多参数的随机多序列问题 12
3.2遗传算法解决多参量随机序列问题 12
3.3蚁群算法解决多参量随机序列问题 16
3.4粒子群算法解决多参量随机序列问题 19
3.5模拟退火算法解决多随机序列问题 24
3.6算法性能分析 27
4基于GAT网络的强化学习算法解决序列问题 29
4.1强化学习介绍 29
4.2图注意力网络GAT介绍 29
4.3算法设计 31
4.4实验仿真分析 32
5算法性能对比 5
5.1单无人机工作性能比较 35
5.2多无人机协同工作性能比较 36
6结束语 37
参考文献 38
附录 41
摘要
时代发展和科技进步带动了人工智能实体的发展，无人机就是其中之一。无人机由无线电遥控装置完全或间歇地操作。无人机具有其独特的优势：部署灵活、可搭载MECserver,其可以很好的应对农业物联网场景下，信息采集节点多、节点处
理能力有限的问题。但由于无人机的负载能力有限，其供电系统体积较小，因此其飞行时间有限。需要保证在有效的时间内，无人机能够智能自主的完成飞行任务。因此无人机路径规划问题研究至关重要。
当今物联网技术高速发展，为了更好地采集空间传感器内存放地信息、协助地面基站做边缘计算，需要对信息载体无人机做路径规划，考虑其在悬停、运算、飞行等多个场景下的通信情况和电量情况。为了进一步加快任务进程，考虑采用多无人机协同工作模式，以减少单个无人机的任务负担。当前已经存在很多成熟的无人机路径规划算法，但多将问题场景视为简单的TSP问题，以飞行距离为优化目标，无法考虑无人机电量、信道等影响因素，也难以对多无人机协同工作系统进行研究。近几年随着强化学习的兴起，非离线模式的DQN网络逐步出现在解决路径规划问题的舞台，其具有很好的灵活性，但其考虑通信、电量模型后的规划效果较差。这些算法不能满足无人机的路径规划对于真实场景的需要本，因此文将着重对于无人机路径规划问题进行研究，考虑无人机自身电池容量有限、数据传输和采集过程受通信信道影响以及多无人机协同工作可以加快任务完成的问题。
本文将针对上述问题，更准确的还原真实场景，建立无人机电量损耗模型、无人机通信模型以及多无人机协同工作的辅助边缘计算系统，计算仿真以多无人机任务总时间最短为优化目标，得到最优路径。具体地，提出一种与图注意力网络GAT结合的强化学习算法，其相比于DQN强化学习同样具备较高灵活性且有较高准确率，并对传统蚁群算法、遗传算法、粒子群算法、模拟退火简单解决TSP问题模型进行改进。本文将对5类算法进行性能比较，为多无人机协同辅助边缘计算系统提供可行性建议。
关键词：多无人机协同路径规划，GAT强化学习，辅助边缘计算，遗传算法，蚁群算法，粒子群算法，模拟退火算法
1绪论
1.1研究背景与意义
传感技术的发展使得人力得到解放，例如在最常见的新型智能农业模型中，传感器可以更加及时准确的记录环境中的温度、湿度、作物情况等信息。人工定时回收传感器数据或者建立传感信息通道物联等方式收集各个传感器的数据都具有不够灵活、成本高和资源浪费等问题(林书杰，王晨曦，2022)。采用可通信无人机进行数据收集可以很好地避免上述问题。无人机因其具有体积小、行动灵活和可进行辅助边缘计算等特点，逐步应用于各类需数据采集后进行边缘计算的现实场景。
在采用无人机解决数据传输和边缘计算的场景中，存在无人机电量有限、通信受环境影响等一系列瓶颈问题，因此合理对无人机进行路径规划十分重要。在现实
场景中，需要完成大量任务的无人机需要每隔一定时间段返回地面基站获取电能，飞其行到各个传感器进行数据采集同时需要将数据传输到地面基站，通过感知发送协议与地面基站进行传感互通，这在一定程度上阐明之后辅助地面基站进行一部分边缘计算。当面临处理区域范围庞大、传感器数目众多等问题时，单个无人机很难在短时间内完成任务，可以增派无人机以实现协同工作，提高效率(张思雨，李宇