无人机群协同网络优化研究与分析.pdf

鞍钢技术2023 年第 3 期ANGANG TECHNOLOGY智能制造无人机群协同网络优化研究与分析宋蕾1,程万胜1,刘佳伟2（1.辽宁科技大学，辽宁鞍山1 1 40 5 1；2.鞍钢集团自动化有限公司，辽宁鞍山1 1 40 0 1)摘要：介绍了无人机群协同优化在移动通信网络和物联网中作为辅助通信节点场景中的应用，概述了现有基于粒子群优化算法的无人机群部署方案，重点分析了无人机群网络协同优化的群体智能算法和非凸混合整数规划方法及其特点，指出精确度与收敛速度之间的平衡及大规模网络应用的局限性是无人机群协同网络优化存在的问题，并对未来无人机协同网络优化进行了展望。关键词：无人机群；协同优化；群体智能；混合整数规划中图分类号：TP3D01:10.3969/j.issn.1006-4613.2023.03.0016Study on Cooperative Network Optimization ofUAV Swarm and Relevant Analysis of StudiesSONG Leil,CHENG Wansheng,LIU Jiawei?(1.Science and Technology University of Liaoning,Anshan 114051,Liaoning,China;2.Ansteel Group Automation Co.,Ltd.,Anshan 114001,Liaoning,China)Abstract:The applications of optimized results of UAV(Unmanned Aerial Vehicle)swarmbased on cooperative optimization in mobile communication network and Internet of Things as asubsidiary communication node were introduced.Then the deployment program on the existingUAV swarm based on particle swarm optimization algorithm was summarized.After that the swarmintelligence algorithm and non-convex mixed integer programming method for cooperativeoptimization of UAV swarm networks and their characteristics were analyzed particularly.Finally itwas pointed out that the balance between accuracy and convergence speed as well as the limitationof large-scale network application were the problems in optimizing UAV swarm collaborativenetwork,and the optimization of UAV collaborative network in the future was prospected.Key words:UAV swarm;collaborative optimization;swarm intelligence;mixed integerprogramming钢铁企业在生产运行中存在高温辐射、铁水喷溅与爆炸、煤气泄漏中毒、煤气燃烧爆炸等危险。因此，对设备定期进行安全巡检、维护是钢铁企业的重中之重。传统钢铁企业巡检均由人工完成，巡检作业危险性高、难度大、检查成本高，而无人机(Unmanned aerial vehicles,UAVs)因其具有易宋蕾，博士，副教授，2 0 1 5 年毕业于辽宁科技大学钢铁冶金专业。E-mail:-74-总第441 期文献标识码：A文章编号：1 0 0 6-46 1 3(2 0 2 3)0 3-0 0 7 4-0 5于部署、成本低廉和可移动等优点，在军事和民用应用中均取得了巨大成功。目前，5 G网联无人机在企业巡检、日常电力巡检等工作中发挥着重要作用，能够节约成本、保障安全。无人机基站的使用已成为5 G移动通信网络的有效补充，有助于增加现有地面网络的覆盖范围，例如宽带和蜂窝网络 1,充当辅助中继器以改善地面无线设备的连接性 2 ,具有不受基础通信设施限制、很好的适应环境变化的优势，能够建立与鞍钢技术2023 年第 3 期ANGANG TECHNOLOGY地面用户的视距传输链接 3。是能够知道每个粒子的适应度值（由适应度函数无人机基站在物联网应用场景中能够发挥更计算），适应度函数的每一项能够反映粒子当前位大的作用，可以充当移动数据转发器的角色，它们置的优缺点，适应度值越高，当前位置粒子越好。粒可以飞近物联网设备，收集其数据并将其传输到子的速度决定了移动方向和距离，这个速度会根传输物联网设备范围之外的其他设备。此外，由据飞行经验进行动态调整，从而实现寻优过程。于其空中特性，无人机基站可以部署在高海拔地在2 0 1 6 年，渥太华大学的Elham教授已经尝区，有助于减轻阴影效应，在视距通信条件下，两试使用粒子群算法来解决无人机群联合部署优化个设备之间没有障碍物遮挡，信号可以直接传问题 4。基于粒子群算法的无人机联合部署优化问输，视距通信概率相对较高，因此，可以增加无人题的优化目标为最小化无人机使用数量，同时以机基站与地面物联网设备之间的视距通信概率无人机覆盖范围、通信时延作为优化目标的约束（在视距通信条件下，两个通信设备（例如无人机条件。结合视距通信概率和非视线传输概率建立或移动设备)之间建立通信连接的概率）。此外，起无人机基站与地面用户之间的平均路径损耗模受电池限制的物联网设备将能够以较低的发射型，最后使用粒子群算法来寻找最优的无人机群功率进行通信。部署方案。基于PSO的无人机群部署算法思路如尽管具有广泛的应用场景，但无人机基站本图1 所示。身还是受功率限制的。如果无人机的位置不理想，则使用无人机进行物联网通信可能是一种昂贵的解决方案。无人机基站部署的总成本包括飞行时间，连接建立时间，断开连接时间以及无人机作为设备的成本。因此，提供最佳的无人机部署方案以服务于最大数量的物联网设备至关重要。1无人机群部署方案无人机群的联合部署优化问题要在最大化用户连接数量的情况下，考虑无人机群的能量消耗问题和无人机数量最小化，从而降低整体部署成本，同时要保证一定的网络服务质量的约束条件，一般来说要考虑上行链路和下行链路的信息传输速率。综合上述的优化目标和约束条件，可以知道此类问题是一个NP问题,并且最优解决方案的复杂度与网络中无人机和用户数量成指数关系。现有的比较成熟的方案中一般使用启发式算法来解决无人机群的联合部署优化问题，例如粒子群算法、遗传算法、模拟退火算法、非凸混合整数规划等。1.1基于粒子群算法的无人机群部署方案粒子群优化算法(ParticleSwarmOptimization，PSO)是一种群体智能优化算法，该算法中的粒子都可以看作是求解问题的解，从随机解出发寻找全局最优解，具有实现容易、精度高、收敛快等优点。PSO算法中，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值指标表示该粒子特征。整个粒子群移动的一个先决条件总第441 期初始化参数寻找合适的无人机位置每次选代删减一个无人机并检查约束条件再次寻找合适的无人机位置多轮迭代直至寻找到较优方案图1 基于PSO的无人机群部署算法思路Fig.1 UAV Swarm Deployment Algorithm Based on PSO基于PSO的无人机群部署算法的优点在于PSO算法的收敛速度较快，在仿真实验中算法经过十余次迭代之后即可达到收敛，能够满足动态部署的要求。其次PSO算法比较简单,算法容易在实际中部署。基于PSO的无人机群部署算法同样存在缺陷，首先从算法的理论上来说，粒子群的算法的收敛性没有在数学理论上得到证明，缺乏理论支撑。其次，上述算法中很显然没有将无人机的能量消耗因素考虑进去，无人机由于其电池容量限制并不能长时间的在空中提供服务，因此如何在一定电池容量的约束条件下更长时间的工作需要在实际工作中得到充分的考虑。1.2基于遗传算法的无人机群部署方案遗传算法（Genetic Algorithm,GA)是对生物系一 7 5-鞍钢技术2 0 2 3年第3期宋蓄等：无人机群协同网络优化研究与分析总第441 期统进行的计算机模拟研究，模拟自然界遗传和生物基于GA的无人机群部署算法的优点在于全进化机制发展起来的高效启发式搜索、并行计算的局搜索能力强，不易陷人到局部最优解当中。其最优化法，通过引入参数形成编码群体，按照适应次，算法的收敛速度快，算法能够在1 0 次迭代次度函数选择、交叉、变异等一系列遗传操作,对个体数以内达到收敛，相比于PSO算法的收敛速度，进行筛选。只留下适应度好的个体，适应度差的个GA算法能够更快收敛。基于GA的无人机群部署体被淘汰掉，最后留存下来的群体继承了上一代信算法的缺点同样很明显,GA算法的局部搜索能力息，这样迭代多次后，筛选最优群体满足条件。GA不强，编码复杂。算法基本要素包含编码方法、实用度函数、遗传操1.3基于模拟退火算法的无人机群部署方案作和运行参数。具体步骤为编码、种群初始化、计算模拟退火算法（Simulated Annealing,SA)是一个体适应度、进化计算、解码。参数设计原则包括：种基于概率的演算法，1 98 3年被提出用于解决局一般种群规模取值0 1 0 0，变异概率取值0.0 0 0 1 部最优解问题。SA算法受启发于自然界中固体降0.2000,交换概率取值0.40 0.9 9,进化代数为1 0 0 温过程中其内部分子状态及内部能量的变化规500。种群初始化是遗传算法(GA)中的一个关键步律，把固体加热到极高的温度再缓慢降温，在这个骤，包括确定种群大小、遗传代数、交叉概率和变异过程中减少晶体中的缺陷，达到能量最低的最稳概率。这些初始化参数是随机的，但应在合理范围定状态，温度越高时降温的概率越大，温度越低时内提供一个初步估计，以避免初始种群分布在搜索降温的概率越小。SA算法的基本原理是在初始解空间中离最优解太远。这可能导致过多的迭代或被的基础上优化参数，以找到满足终止条件或目标困在局部最优解中。目前,GA已被广泛应用于函数函数值的最终解。在迭代的过程中SA算法随机选优化、组合优化和生产调度等领域。择下一个状态，存在两种可能：新状态更优接受新2019年Fadil5教授对遗传算法在无人机群的状态，或者新状态更差以一定概率接收该状态，不联合部署优化问题进行了探索。基于GA的无人过这个概率随时间推移逐渐降低。这说明会存在机群部署算法的优化函数考虑了无人机在空中盘大量的局部解决方案，但要在接近全局最优时跳旋时的能量损耗、信号发射的能量损耗、无人机的出局部解，这是算法优化能力的一个主要挑战。覆盖面积最大三部分因素。同时以无人机部署位模拟退火算法包含Metropolis算法和退火过置、参数范围等作为约束条件，最后使用遗传算法程,分别对应内循环和外循环。Metropolis算法是寻找全局最优解。GA算法流程如图2 所示，图中内循环，在每次温度下迭代N次，寻找在该温度下的种群个体适应度为优化函数。能量的最小值（即最优解）；外循环就是退火过程，固体从较高的温度按照降温系数以一定的比例下编码降至终止温度时，退火过程结束。Fadi5教授在探索GA算法在无人机群的联初始化种群合部署优化问题中的应用时，同时也对SA算法在无人机群的联合部署问题中的使用效果进行优评估种群中个体适应度化。基于遗传算法的无人机群部署算法的优化函数需同时考虑三个因素，即无人机在空中盘旋时选择的能量损耗、信号传输的能量损耗以及无人机的演最大覆盖范围。同时，无人机部署位置和参数范围花交叉变异图2 GA算法流程Fig.2GA Algorithm Flow-76-被作为约束条件，并最终采用SA算法寻找全局最优解。SA算法流程如图3所示。基于SA的无人机群部署算法的优点在于局部的搜索能力很强,SA算法的收敛速度相比于GA算法也毫不逊色。在实验仿真中，基于SA的无人机群部署算法容易陷人到局部最优解当中，甚鞍钢技术2023 年第 3 期ANGANG TECHNOLOGY至出现不收敛的情况，而优化函数的目标是寻找卸载功率约束的条件下，使无人机服务的用户数最全局最优，所以基于SA的无人机群部署算法的实大化并建立优化问题。首先将原始的非凸混合整型际使用效果不是特别好。优化问题松弛为一个连续非凸优化问题，通过固定一些优化变量优化另外一些优化变量进行交替送随机生成初识解计算目标函数f(w)扰动产生新解w计算目标函数f(w）f=f(w)-f(w)f0否是接受解析w=w,f(w)=f(w)是否达到送代数次是否清楚终止缓慢降低温度条件？重置选代数次运行结束返回最优解图3SA算法流程Fig.3SAAlgorithmFlow1.4基于非凸混合整数规划的无人机群部署方案带有非凸控制约束的无人机群部署方案可以被建模为一个整数线性规划问题，转换成非凸优化问题。在学术界，非凸优化问题被认为非常难求解，因为在进行优化求解时极易陷人局部最优解，即便是这两年火热的机器学习算法，求解的复杂度也是指数级的。混合整数规划法（Mixed IntegerProgramming,MIP)，顾名思义既包含整数也包含连续变量。整数规划的精确算法通常需要用到分支定界法（Branch and Bound Method），以及增加分支定界效率的各种技巧，例如割平面方法(Cutting Planes Method)。总的来说,求解整数规划的精确解是一个NP难问题,即它需要指数级算法复杂度来解决。基于非凸混合整数规划的无人机群部署方案的整体解决思路如下：在满足网络计算资源与用户总第441 期代求解。对于过程中建立的非凸子问题,利用连续凸近似 6 将其转化为凸问题进行求解。最后利用二分法将松弛后的二元整型优化变量进行恢复。基于非凸混合整数规划的无人机群部署方案是使用数学方法来寻求全局最优的无人机部署方案，与上述几种群体智能算法对比，非凸混合整数规划方法能够获得精确的全局最优解，虽然群体智能算法的思想是努力获得最优解，但是实际中只能获得次优解，如果想获得最优解其花费的时间是不否符合动态部署的要求，而非凸混合整数规划能够获按Metropolis准则接受解析得全局最优解。但是缺点也同样很明显，要获得精确解，收敛速度会下降，也就意味着花费更多的时间来获得部署方案,因此，非凸混合整数规划部署方案不适用于对部署时间要求很高的应用场景中。上述算法各有优缺点，现有的无人机群部署方案中使用群体智能算法较多，主要原因在于原理和算法都比较简单。无人机群的联合部署优化问题的解决方法不局限于群体智能算法和混合整数线性规划方案，比如K-means分类器思想，也可以用于无人机群联合部署优化问题的求解。它们各有优缺点，具体的部署效果取决于应用场景和问题本身。2存在的问题2.1精确度与收敛速度之间的选择解的精度与迭代次数呈现正相关，在一定范围内迭代的次数越多，解的精确度越高，这也就意味着花费的时间越多。比如群体智能算法获得的一般是次优解，次优解精度可能达到精确解的90%,但是花费的时间只有精确解的二分之一。群体智能算法例如PSO、G A、S A，牺牲了解的精度，获得了快速收敛，整数线性规划得到了高精度解，但是牺牲了算法收敛速度。如何在精确度和收敛速度之间寻找平衡点是一个难以解决的问题，需要根据具体应用场景来确定。2.2大规模网络的应用存在局限性随着5 G时代的来临，网络规模是传统网络的数十倍甚至数百倍，在大规模网络的基础上要求通信时延能够得到保障，这对于群体智能算法和非凸混合整数规划来说十分吃力。在大规模网络和低时一 7 7-鞍钢技术2 0 2 3年第3期宋蓄等：无人机群协同网络优化研究与分析总第441 期延前提条件下，传统的算法结构不能够满足实际要优化将是一个多学科交叉的研究领域。求。如何在保证算法收敛速度和解的精确度基础上参考文献还能够将算法应用在大规模网络中，这就要求对原1 Kumar K.,Liu J,Lu Y H,et al.A Survey of Computation有算法架构进行改进以满足指标要求。Offloading for Mobile Systems J.Mobile Netw Appl,2013,18(1):129 140.3结语与展望2M.A.Messous,A.Arfaoui,A.Alioua,et al.ASequential Game随着无人机的广泛应用以及5 G的逐渐落地、Approach for Computation-Offloading in an UAV Network CJ/GLOBECOM 2017-2017IEEE Global Communications Con-6G的提出，未来无人机群作为辅助通信系统还会ference.Singapore:IEEE,2017:1-7.有更加广泛的应用场景和实用价值。无人机群协3 D Liu,Y Xu,J Wang,et al.Self-Organizing Relay Selection in同网络优化问题的解决以及实际应用任重而道UAV Communication Networks:A Matching Game Perspective远，主要面临的问题在于无人机群在大规模网络J.IEEE Wireless Communications,2019,26(6):102-110.中保证实时动态部署要求的同时，尽可能的减少4 E.Kalantari,H.Yanikomeroglu,A.Yongacoglu.On the Numberand 3D Placement of Drone Base Stations in Wireless Cellular能量消耗以及无人机的数量，降低无人机群网络Networks CJ/2016 IEEE 84th Vehicular Technology Con-部署的整体成本，这必然要求对现有的算法架构ference(VTC-Fall).Montreal:IEEE,2016:1-6.进行改进甚至重构以保证整体网络的服务质量。5 F.Al-Turjman,J.P.Lemayian,S.Alturjman,et al.Enhanced在未来，无人机群协同网络的优化将是一个重要Deployment Strategy for the 5G Drone-BS Using Artificial的研究方向。未来的优化方向包括强化学习技术IntelligenceJ.IEEE Access,2019(7):75999-76008.6SCUTARI G,FACCHINEI F,LAMPARIELLO L.Paralel and的应用、机器学习算法的发展、无人机群体的分布distributed methods for constrained non-convex optimization式控制以及网络拓扑结构的优化。这些方向需要part I:Theory JJ.IEEE Transac-tions on Signal Procesing,结合人工智能、机器学习、控制理论等多个领域的2017,65(8):1929-1944.技术手段和理论方法，以实现无人机群体的高效协同和智能化控制。因此，未来无人机群协同网络*米*米*米*米*米*米*(上接第7 3页）通过统计每次停机期间的能耗情况，可分析得出区域设备停机能耗的基准值。对比基准能耗值，可计算违规情况下的能源浪费成本，给以直观数据展示，提升职工的节能意识。3结语鞍钢热轧厂1 7 8 0 产线能源介质智能化管理系统于2 0 2 1 年6 月正式上线，实现了能源介质按工序、品种规格及介质种类的多维度能介用量与成本精确核算，借助系统提供的停机能耗监测、能耗根因分析、能耗对标分析等能介消耗管理评价工具，产线能耗管控更加精细化、智能化，实现了吨钢能耗在原有基础上降低0.1 5%的既定目标。在碳中和大背景下，持续有效的节能降耗、绿色制造已经成为钢铁企业经营管理和可持续发展的重点内容。伴随着工业互联网技术、人工智能技术的快速发展，积极推进互联网、大数据、人工智能等新一代信息技术与钢铁制造的深度融合，深-78-(编辑田玉婷）修回日期：2 0 2 3-0 2-2 0人挖掘能源消耗过程数据的价值，实现能源消耗管理的智能化，是冶金企业实现能源精细化管理，进一步降低能耗的有效途径和方向。参考文献1中国政府网.国务院国务院关于印发中国制造2 0 2 5 的通知EB/0L.(2015-05-19)2023-01-12.http:/ 0 1 6-2 0 2 0 年)R.北京：工业和信息化部,2 0 1 6:1-3.3关于深化制造业与互联网融合发展的指导意见 R.北京：中华人民共和国国务院，2 0 1 6：1-3.4工业互联网发展行动计划（2 0 1 8-2 0 2 0)R.北京：工业和信息化部，2 0 1 8：3-7.5权芳民，孙文强，蔡九菊，等.钢坏加热过程数学模型的试验修正研究 J.钢铁，2 0 1 1,46(8）：92.6曹正风.数据分析的统计基础M.北京：电子工业出版社，2015.修回日期：2 0 2 3-0 3-2 3(编辑田玉婷）