面向任务的无人机自组网簇首选举改进算法.pdf

第 56 卷 第 8 期2023 年 8 月通信技术Communications TechnologyVol.56 No.8Aug.2023950文献引用格式：郝向宇,马文峰,王聪,等.面向任务的无人机自组网簇首选举改进算法 J.通信技术,2023,56(8):950-956.doi:10.3969/j.issn.1002-0802.2023.08.005面向任务的无人机自组网簇首选举改进算法*郝向宇1，马文峰2，王 聪2，田 辉2，朱 熠2，于 琼2（1.中国人民解放军陆军工程大学 通信工程学院，江苏 南京 210007；2.中国人民解放军陆军工程大学 野战工程学院，江苏 南京 210007）摘 要：针对无人机群分簇网络中由于节点高移动性和能量受限导致簇结构不稳定和簇首频繁更新的问题，提出一种基于稳定性改进的加权簇首选举算法（Stability Improved Weighted Cluster Head Selection Algorithm，SI-WCSA）。首先，根据分配的任务确定簇的规模；其次，综合考量节点的移动性、能量、节点度和距离 4 种因素加权选举簇首，对移动性度量指标进行改进并提出 3 种能量消耗速率；最后，采用基于层次分析法和熵值法的组合赋权法计算贴合场景的指标权重。仿真结果表明，该算法能选取最优簇头，优化评估指标以减少节点移动性对网络生存时间的影响，降低簇首更换次数，均衡簇内节点能量，提升网络的鲁棒性，并且组合赋权法选取的权重系数将无人机网络的生存时间增加了 6%。关键词：簇首选举；移动性度量；SI-WCSA 算法；组合赋权中图分类号：TN929.5 文献标识码：A 文章编号：1002-0802(2023)-08-0950-07Modified Cluster Head Selection Algorithm for Mission-Oriented UAV Ad-hoc NetworksHAO Xiangyu1,MA Wenfeng2,WANG Cong2,TIAN Hui2,ZHU Yi2,YU Qiong2(1.School of Communication Engineering,Army Engineering University of PLA,Nanjing Jiangsu 210007,China;2.School of Field Engineering,Army Engineering University of PLA,Nanjing Jiangsu 210007,China)Abstract:To address the problems of unstable cluster structure and updating of frequent cluster head caused by high mobility and energy constraints in UAV cluster clustering network,a SI-WCSA(Stability Improved Weighted Cluster head Selection Algorithm)is proposed.First,the scale of cluster is determined according to the assignment.Then,four factors of mobility,energy,degree and distance of nodes are considered to weight the election of cluster heads,improve the mobility metric and propose three energy consumption rates.Finally,a combination weight calculation methodology based on hierarchical analysis and entropy value method is used to calculate the weights of the indicators that fit the scenario.Simulation results indicate that the algorithm could select the optimal cluster head,optimize the evaluation metrics to reduce the impact of node mobility on network survival time,and at the same time reduce the frequency of cluster head replacement,balance the energy of nodes in the cluster,and improve the robustness of the network.The UAV network survival time is increased by 6%with the impact of combination weight calculation methodology.*收稿日期：2023-05-14；修回日期：2023-07-15 Received date:2023-05-14;Revised date:2023-07-15基金项目：国家自然科学基金（62001515，61771486）；国家杰出青年科学基金（62103441）Foundation Item:National Natural Science Foundation of China(62001515,61771486);National Science Fund for Distinguished Young Scholars of China(62103441)951第 56 卷第 8 期郝向宇，马文峰，王聪，田辉，朱熠，于琼：面向任务的无人机自组网簇首选举改进算法0 引 言随着无人化概念的快速普及和通信、控制等关键技术的蓬勃发展，无人机作为一种新兴的战斗武器广泛应用在战场。无人机集群由多架承担相同任务的无人机组建而成，它具有抗毁性强、拓展性高、覆盖范围广等特点，可以高效完成战场情报搜集、作战区域观察、目标打击等作战任务1-2。无人机间建立高效稳定的通信网络是协调完成任务的前提，而飞行自组织网络（Flying Ad-hoc Network，FANET）3-4是无人机集群构建的常见通信网络之一，它不依赖地面基础通信设施，并在无人机之间建立分布式网络。由于无人机集群网络中节点规模大、运动速度快并且在三维空间内移动，导致网络拓扑结构变化频繁，通常采用分簇5方式对无人机集群进行分级管理，将承担相同任务的无人机集群划分为同一簇，通过选举合适的簇头管理无人机网络。然而，分簇网络中的簇头会成为网络的瓶颈，这是因为：一方面，FANET 由于具有高速移动性会导致频繁的拓扑变化，进而造成簇头的快速更替，网络需要持续进行信息交互，产生大量网络开销；另一方面，簇头的能量消耗速率高于簇内其他成员节点，簇头的剩余能量影响网络生存周期，因此高效的簇首选择算法是面向任务的无人机 FANET 网络的关键技术 之一。随着分簇算法的发展和改进，众多与之对应的簇首选择算法也被相继提出。文献 6 将全网无人机节点分配唯一标识 ID 号，选取 ID 号最小的无人机节点作为簇首；文献 7 和文献 8 分别将节点度和移动性作为簇首选举的衡量指标，选取最多邻居节点数和移动性最小的节点作为簇首；文献 9 提出了加权分簇算法（Weighted Clustering Algorithm，WCA），通过综合考虑节点的节点度、距离、移动性和担任簇头的节点能量等多方面因素，使得簇首选取更适应网络场景。随着加权分簇算法的普及和发展，学者们提出了一些改进的 WCA 算法以适应不同的场景需求。文献 10 提出了一种自适应安全加权分簇算法，防止分簇过程中将恶意节点选举为簇首节点，引入安全信誉度；文献 11 提出了一种用于飞行自组网的智能分簇路由方案，根据节点的位置信息和能量计算自适应值最高的节点作为簇头，并引入簇头重选机制来维持簇的稳定性；文献 12 提出了一种改进的多参数组合加权分簇算法，进一步改进平均链路保持率和移动性衡量指标，能够更准确地描述高速运动带来的位置变化和链路的持续周期。然而针对节点规模大、拓扑变化快的无人机集群网络环境，分簇算法需同时考虑节点在三维空间中的运动规律、节点之间的分布距离、无人机的能量消耗、网络的稳定性等因素，才能满足差异化环境下多样性任务的需求，而上述方法难以满足该场景下的对簇首选择的性能要求。本文提出一种基于稳定性改进的加权簇首选举算法（Stability Improved Weighted Cluster Head Selection Algorithm，SI-WCSA）。首先，控制中心根据任务分配指定执行该任务的无人机数量，构建无人机集群网络和系统模型；其次，对于执行相同任务的无人机集群，综合考虑速度相似度、节点度、平均距离和剩余能量 4 项指标进行加权簇头选择，增强簇头选举的精确性和网络负载能量消耗的均衡性；最后，对于权重系数的分配优化问题，设计一种基于层次分析法和熵值法的组合赋权方法，区分指标影响程度和场景侧重计算权值。仿真结果表明，该算法选举的簇首能够克服节点高速移动性影响，使簇首能量消耗均衡，延长无人机网络生存周期，减少簇首更换的次数，保持稳定的簇结构。1 系统模型面向任务的无人机飞行自组网由任务无人机和地面决策中心组成，决策中心根据战场态势确定特定任务并启用需求数量的无人机，它们从集结区域起飞，飞往目标作业区域后展开作业，系统模型的场景如图 1 所示。集结区域任务区域图 1 系统模型Keywords:cluster head selection;mobility metric;SI-WCSA(Stability Improved Weighted Cluster head Selection Algorithm);combination weight calculation methodology952通信技术2023 年通常情况下，假设承担任务的无人机数量不超过 32 架，无人机簇内通信限制在 3 跳内。无人机运动方向和速度在限制范围内随机生成，并跟随仿真时间每秒不断变化，无人机间通过发送HELLO 包周期性交换信息，HELLO 包结构如表 1 所示。表 1 HELLO 包分组加密信息节点 ID簇首 ID速度位置距离能量一跳邻居信息二跳邻居信息节点权值2 SI-WCSA 算法设计实现2.1 度量指标的选取和改进在无人机飞行自组网中，无人机节点移动速度较高，平均移动速度、速度差等指标表示节点移动性无法体现节点间相对运动趋势，而速度相似度能较准确地反映节点运动变化趋势。综合考虑任务无人机的运动速度和方向，用任意两个节点的速度差的标准差表示节点速度相似度，标准差越小，节点运动状态和簇内其他节点越接近。节点i和节点j在x，y，z三维坐标轴的速度差分别为：vx=vjx-vix=vjcosj-vicosi（1）vy=vjy-viy=vjcosj-vicosi（2）vz=vjz-viz=vjcosj-vicosi（3）式中：vi，vj分别为节点i和节点j的初始速度；vjx，vjy，vjz分别为节点j在x，y，z轴的速度；vix，viy，viz分别为节点i在x，y，z轴的速度；j，i分别为节点j，i与x轴的夹角；j，i分别为节点j，i与y轴的夹角；j，i分别为节点j，i与z轴的夹角。假设节点j有N个邻居节点，则节点j与其邻居节点在x轴方向上的平均速度差为：1(coscos)NjjiiijxvvvN=（4）式中：cosj，cosi分别为节点j，i与x轴夹角的余弦值。同理可得到节点j在y，z轴方向的平均速度差v-jy，v-jz。节点j与节点i在x，y，z轴的速度差的标准差分别为：1/2211()NjxjxxivvN=（5）1/2211()NjyjyyivvN=（6）1/2211()NjzjzzivvN=（7）据此可以求出节点j与邻居节点的速度相似度为：222jjxjyjzM=+（8）平均速度差能体现节点j和邻居节点速度的相似度；标准差能够排除极端值节点的影响。速度相似度Mj越大，说明节点的速度相似度越小，该节点的移动速度变化越频繁。飞行自组网是一个动态的网络，节点位置时刻在变化，选择合适位置的节点作为簇首，能够减少成员节点和簇首通信距离，避免转发跳数增加。在广播 HELLO 包过程中，通过全球定位系统（Global Positioning System，GPS）获取位置信息。因此计算簇内节点j到其他节点的平均距离为：22211()()()NjijijijiDxxyyzzN=+（9）剩余能量是影响无人机节点生存周期的关键指标。无人机由于使用电池供电且体积受限，随着无人机的连续飞行和通信模块的持续运行，其能量会逐渐消耗尽，造成通信链路中断。因此，将节点剩余能量作为一项度量指标。本文假设所有无人机的初始电量相同，簇头通信消耗的能量是普通节点的3 倍。依据无人机能量消耗规律13，对无人机飞行电量的消耗分以下 3 种情况讨论：（1）无人机节点飞行速度在 110 m/s 低速飞行区间，能量消耗速率为1；（2）无人机节点飞行速度在 1040 m/s 中速飞行区间，能量消耗速率为2；（3）无人机节点飞行速度大于 40 m/s，在高速飞行区间，能量消耗速率为3。通过计算通信和飞行能量消耗可以计算无人机节点j的剩余能量为：Ej=E-(Ec+)tc-(Em+)tm（10）式中：Ec为担任簇头单位时间内消耗的能量；tc为担任簇头的时间；Em为担任簇内成员节点单位时间内消耗的能量；tm为担任簇内成员节点的时间；为无人机飞行的能量消耗速率。节点度即无人机飞行空域内邻居节点的个数，由于网络带宽等条件的约束，无人机簇规模被限制在特定范围。节点度越高，节点与周围邻居节点连接的数量越多，网络带宽利用率越高。用Nj表示节点j的节点度，则有：953第 56 卷第 8 期郝向宇，马文峰，王聪，田辉，朱熠，于琼：面向任务的无人机自组网簇首选举改进算法 ,jiji C ijNdR=（11）式中：dij为无人机节点j到节点i的距离；C为无人机簇内节点的集合；R为无人机节点最大通信半径。由于上述度量指标是在不同的数量级上计算的，因此在计算综合权重时，应对上述指标进行归一化处理。采用了基于线性归一化14的方法，将转换函数映射到 0,1 区间，则有：minmaxminrrrrr=（12）式中：r为上述 4 种无人机节点度量指标某一项的计算值；rmax和rmin分别为在一个 HELLO 包广播周期内，无人机接收获得该项指标的最大值和最小值；r 为通过归一化方法得到的指标值。定义通过处理得到的节点j的速度相似度为Mj、剩余能量为Ej、节点平均距离为Dj、节点度为Nj。对4种指标进行加权求和，得到节点j的权值为：Wj=w1/Mj+w2/Ej+w3/Dj+w4/Nj（13）2.2 基于组合的赋权方法对现阶段具有不同特点的赋权方法进行了大量研究，主要分为主观赋权法和客观赋权法两类。主观赋权方法难以精确量化客观指标，客观赋权方法无法反映主观因素影响，两类赋权方法均具有一定的局限性。由于无人机实际任务场景的差异，需要赋予符合场景特征的权重系数，为进一步提高权重的可靠性，采用了一种组合赋权方法，使用层次分析法和熵值法综合计算指标的权重系数。层次分析法15是一种将定性和定量相结合的多目标决策分析方法。该方法将决策者的经验判断量化，从而提供定量的决策依据。将 4 项指标的重要程度做出定性的描述，并且使用 19 标度法将指标元素进行比较，得到的数值写入判断矩阵X，用矩阵X=(xij)nn表示相对权重，其中xij表示因素i和因素j的相对重要程度。将判断矩阵每一列归一化处理后按行相加，得到四维列向量w-xi，该过程的表达式为：1(,1,2,)nijijkjkxxxi jn=?（14）1(,1,2,)nxiijjx i jn=w?（15）对向量w-xi=(w-x1,w-x2,w-x3,w-x4)T进行归一化处理：1(1,2,)nxixixiiin=?www（16）由上述步骤得到的特征向量wxi=(wx1,wx2,wx3,wx4)T，即为度量指标的权重。为验证计算权重的科学性，利用式（17）、式（18）进行一致性检验，不满足CR0；熵值法获得的判断矩阵Y=(yij)nn，yij0。将二者的组合矩阵记为Z=(zij)nn，zij0，并建立最优化 模型17：2211min()(1)(),0122uuu+ZXZY（22）上面的最优化模型在可行域?上有唯一解：(1),01ZjXjYjuuu=+www（23）式中：wXj，wYj和wZj分别为矩阵X，Y，Z归一化处理后的权重向量；u反映了层次分析法和熵值法的占比量。u取值 0.5，即认为两种方法同等重要。954通信技术2023 年3 仿真结果与分析本文使用 MATLAB 仿真软件进行无人机簇首选举算法仿真实验，无人机群受领任务后飞行至指定任务空域后展开作业，集结区域为 0.5 km0.5 km，任务区域为 3 km3 km，飞行高度均为 60120 m，飞行速度最大为 60 m/s，具体仿真参数如表 2 所示。本文考虑了以下 3 个性能指标来评价算法性能。（1）平均生存时间：在仿真周期内，簇首维持时间的统计均值。（2）簇首更换频率：单位时间簇首更换的次数。（3）簇内最大能量差：在仿真周期内，簇内最高能量节点和最低能量节点的能量差值。表 2 仿真参数设置参数名称参数数值仿真时间/s1 000仿真次数105节点通信距离1 0002 000 m簇头通信能量消耗速率Ec0.01簇内成员通信能量消耗速率Em0.005能量消耗速率1，2，30.05，0.08，0.10度量指标系数w1，w2，w3，w40.372，0.253，0.228，0.147为了更加直观观察 SI-WCSA 算法的效果，使用 WCA9、最高节点度算法9（Highest Degree Algorithm，HIGHD）进行比较。图 2 和图 3 分别表示无人机簇首网络平均生存时间和簇首更换频率的情况。仿真结果表明，随着无人机节点移动速度的逐渐增加，3 种算法的簇首维持时间均减少，SI-WCSA 算法的无人机网络平均生存时间下降缓慢且维持在较高区间。当无人机节点速度大于 35 m/s时，WCA 和 HIGHD 两种算法的簇首更换频率迅速增加，SI-WCSA 算法的簇首更换频率较低且增幅缓慢，始终维持在 0.05 内，有明显的的性能优势。这是因为簇首的选择过程中，SI-WCSA 算法对网络移动性的计算方式进行改进，使用速度相似度表示无人机群相对运动趋势，选择运动趋势最相近的节点担当簇首，有效降低因高速移动导致的拓扑快速变化的影响，降低了簇首节点的变化频率。在无人机节点最大通信距离为 1 0002 000 m的情况下，图 4 给出了簇首平均生存时间变化的情况。仿真结果可以看出，随着无人机节点的最大通信距离的增加，3 种算法的网络生存时间均增加，HIGHD 算法的曲线增幅最大，SI-WCSA 算法的平均生存时间最长且稳定在高区间。这是因为节点通信半径增加，在节点分布保持不变的情况下，网络覆盖范围增大，一定程度上降低了节点移动性的影响。由于 HIGHD 算法直接由节点度数量决定，因此随通信半径的增加节点平均生存时间增幅最大。51015202530354045505560速度/（m/s）0102030405060708090100平均生存时间/sSI-WCSA WCA HIGHDSI-WCSA WCA HIGHD 1 000 1 100 1 2001 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m2030405060708090100图 2 节点的速度不同时的平均生存时间SI-WCSA WCA HIGHD 51015202530354045505560速度/（m/s）0.000.050.100.150.200.250.300.35簇首更换频率SI-WCSA WCA HIGHD图 3 节点的速度不同时的簇首更换频率1 000 1 100 1 2001 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m2030405060708090100平均生存时间/sSI-WCSA WCA HIGHDSI-WCSA WCA HIGHD 1 000 1 1001 200 1 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m45505560657075图 4 节点不同最大通信距离时的平均生存时间图 5 表示簇首更换频率随邻居节点数量变化的情况，可以看出，随着无人机邻居节点数量的增加，HIGHD 算法的曲线持续增长，SI-WCSA 算法的簇首更换频率先增加后缓慢降低且变化幅度低于955第 56 卷第 8 期郝向宇，马文峰，王聪，田辉，朱熠，于琼：面向任务的无人机自组网簇首选举改进算法WCA 算法。这表明随着邻居节点数量增加，节点数目对簇首选择的影响作用不断增加，但是当网络密度达到一定程度时，邻居节点数量对自组网簇首选举的影响逐渐降低。SI-WCSA WCA HIGHD 1 000 1 100 1 2001 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m2030405060708090100SI-WCSA WCA HIGHD 048121620242832邻居节点数量0.000.050.100.150.200.250.300.35簇首更换频率SI-WCSA WCA HIGHD图 5 邻居节点数量不同时的簇首更换频率图 6 表示不同权重组合下，3 种算法网络生存时间随节点移动速度变化的情况。根据层次分析法和组合赋权法分别求得两组权重为 0.248,0.336,0.179,0.226，0.269,0.157,0.186,0.388。从图中可以看到，WCA 和 SI-WCSA 两种算法采用组合赋权法获得的权重仿真曲线高于使用层次分析法的曲线，这表明该方法能够延长网络生存时间。对图 6 中 3 种算法在不同权重组合下的网络生存时间计算统计均值，组合赋权法计算得到的权重能够使 WCA 和 SI-WCSA 两种加权算法的网络生存时间增长，增幅约6%。这是因为组合赋权法在层次分析法获得的权重基础上，根据网络节点反馈的指标结果，使用熵值法对指标结果进行计算，进而修正网络中不同度量指标的影响权重，结果更加贴近实际网络场景。1 000 1 1001 200 1 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m45505560657075平均生存时间/s权重集二 SI-WCSA权重集一 SI-WCSA权重集二 WCA权重集一 WCA权重集二 HIGHD权重集一 HIGHD图 6 节点不同权重集下的网络生存时间图 7 表示无人机簇内最大和最小能量差变化情况。随着仿真时间增加，采用 SI-WCSA 算法的无人机网络的能量差最小，保证簇内节点能量均衡，增强节点生存周期，防止能量耗尽导致节点失效。SI-WCSA 算法能够根据飞行状态和节点角色周期性计算网络节点剩余能量，并根据计算数据周期性更新簇首，保证网络节点能量相对均衡，避免节点能量耗尽导致脱网。SI-WCSA WCA HIGHD 1 000 1 1001 200 1 3001 4001 5001 6001 7001 8001 900 2 000最大通信距离/m45505560657075权重集二 SI-WCSA权重集一 SI-WCSA权重集二 WCA权重集一 WCA权重集二 HIGHD权重集一 HIGHD 0100 200 300 400500 600 700 800 900 1 000仿真时间/s051015202530簇内最大能量差SI-WCSA WCA HIGHD图 7 节点簇内最大能量差4 结 语本文针对无人机集群分簇网络拓扑变化频繁、簇首不稳定的问题，提出了一种基于稳定性改进的加权簇首选举算法（SI-WCSA）。采用速度相似度指标精确评估节点间相对运动趋势，根据节点身份和运动状态明确节点剩余能量，并组合使用层次分析法和熵值法计算权值实现权重比例的分配。仿真结果表明，当无人机飞行速度保持在高区间内时，该算法能较好克服高速移动带来的链路影响，保持较低的簇首更换频率和较长的网络生存时间，进一步保证簇的稳定性，同时能够均衡簇内节点能量，改善无人机集群续航能力。此外，利用本文提出的组合赋权方法计算的权重值更加贴合实际场景，能够小幅提升网络生存周期。参考文献：1 贾永楠,田似营,李擎.无人机集群研究进展综述 J.航空学报,2020,41(增刊 1):723738.2 谷旭平,唐大全,唐管政.无人机集群关键技术研究综述 J.自动化与仪器仪表,2021(4):21-26.3 NOOR F,KHAN M A,AL-ZAHRANI A,et al.A review on communications perspective of flying ad-hoc networks:Key enabling wireless technologies,a956通信技术2023 年pplications,challenges and open research topicsJ.Drones,2020,4(4):65.4 OUBBATI O S,ATIQUZZAMAN M,LORENZ P,et al.Routing in flying ad hoc networks:Survey,constraints,and future challenge perspectivesJ.IEEE Access,2019,7:81057-81105.5 XIA X W,YAN Y H,LI Z J,et al.A survey of UAV clustering algorithmC/2022 24th International Conference on Advanced Communication Technology(ICACT),2022:191-196.6 NARENDRAN M,PRAKASAM P.Optimized lowest ID in wireless sensor network using Invasive Weed Optimization(IWO)-genetic algorithm(GA)C/2017 International Conference on Algorithms,Methodology,Models and Applications in Emerging Technologies(ICAMMAET),2017:1-6.7 ZHANG J B,FU L Y,WANG Q,et al.Connectivity analysis in wireless networks with correlated mobility and cluster scalabilityJ.IEEE/ACM Transactions on Networking,2017,25(4):2375-2390.8 CHINARA S,RATH S K.Mobility based clustering algorithm and the energy consumption model of dynamic nodes in mobile ad hoc networkC/2008 International Conference on Information Technology,2008:171-176.9 CHATTERJEE M,DAS S K,TURGUT D.WCA:A weighted clustering algorithm for mobile ad hoc networksJ.Cluster Computing,2002,5:193-204.10 马豫青,李晓宇.Ad Hoc 网络自适应安全加权分簇算法 J.计算机工程与设计,2014,35(10):3346-3350.11 KHAN A,KHAN S,FAZAL A S,et al.Intelligent cluster routing scheme for flying ad hoc networksJ.Science China Information Sciences,2021,64(8):1-14.12 王沁飞,南建国,黄金科,等.基于加权的无人机集群组网分簇算法 J.计算机应用研究,2019,36(5):1500-1503.13 BOUKOBERINE M N,ZHOU Z B,BENBOUZID M.A critical review on unmanned aerial vehicles power supply and energy management:Solutions,strategies,and prospectsJ.Applied Energy,2019,255:113823.14 PANDA S K,JANA P K.Efficient task scheduling algorithms for heterogeneous multi-cloud environmentJ.The Journal of Supercomputing,2015,71(4):1505-1533.15 廖红强,邱勇,杨侠,等.对应用层次分析法确定权重系数的探讨 J.机械工程师,2012(6):22-25.16 ZOU Z H,YUN Y,SUN J N.Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessmentJ.Journal of Environmental Sciences,2006,18(5):1020-1023.17 丁青.基于指数标度加权的Ad Hoc网络分簇算法D.兰州:兰州交通大学,2014.作者简介：郝向宇（1994），男，硕士，主要研究方向为无人机组网；马文峰（1974），男，博士，副教授，主要研究方向为无线通信网络和宽带无线通信；王 聪（1975），男，博士，副教授，主要研究方向为移动通信通信和计算机网络；田 辉（1987），男，博士，讲师，主要研究方向为无线异构通信、认知无线电网络；朱 熠（1986），男，博士，讲师，主要研究方向为自动化控制；于 琼（1991），女，博士，讲师，主要研究方向为通信抗干扰。