[论文解读] Survivable Networks via UAV Swarms Guided by Decentralized Real-Time Evolutionary Computation

George Leu, Jiangjun Tang|arXiv (Cornell University)|Feb 21, 2019

UAV Applications and Optimization参考文献 26被引用 6

一句话总结

本文提出一种去中心化、实时的遗传算法（GA）驱动的无人机蜂群，通过使用类Boids运动模型动态优化中继位置，以维持地面网络的生存能力。无人机通过最大化网络连通性的适应度函数实现隐式协作，在协调运动中实现超过90%的地面节点连通性，在随机游走中实现超过70%的连通性，对边界反射等干扰具有强鲁棒性。

ABSTRACT

The survivable network concept refers to contexts where the wireless communication between ground agents needs to be maintained as much as possible at all times, regardless of any adverse conditions that may arise. In this paper we propose a nature-inspired approach to survivable networks, in which we bring together swarm intelligence and evolutionary computation. We use an on-line real-time Genetic Algorithm to optimize the movements of an UAV swarm towards maintaining communication between the ground agents. The proposed approach models the ground agents and the UAVs as boids-based swarms, and optimizes the movement of the UAVs using different instances of the GA running independently on each UAV. The UAV coordination mechanism is an implicit one, embedded in the fitness function of the Genetic Algorithm instances. The behaviors of the individual UAVs emerge into an aggregated optimization of the overall network survivability. The results show that the proposed approach is able to maintain satisfactory network survivability levels regardless of the ground agents' movements, including for cases as complex as random walks.

研究动机与目标

• 解决在不可预测或复杂运动模式下，动态地面节点网络中保持无线连通性的挑战。
• 为无中心控制的无人机蜂群作为移动中继，开发一种可扩展的去中心化协调机制。
• 实现无人机轨迹的实时自适应，确保无论地面节点如何移动（包括随机游走），均能保持高网络生存能力。
• 将进化计算与蜂群智能相结合，通过与网络度量相关的适应度函数隐式优化无人机行为。
• 在多种地面节点运动模型（包括结构化Boids和非结构化随机游走）下，展示系统的鲁棒性与可扩展性。

提出的方法

• 使用改进的类Boids蜂群模型对地面节点和无人机进行建模，其中无人机采用基于网络的邻域检测而非基于视觉的邻近距离检测。
• 实现每个无人机独立运行的去中心化实时遗传算法（GA），通过优化Boids作用力（聚集、对齐、分离）的权重来最大化网络生存能力。
• 通过适应度函数隐式实现无人机协调，该函数评估网络覆盖范围和连通性（连通分量数量），以指导单个无人机的决策。
• 采用混合运动模型，无人机同时应用来自内部蜂群动力学和来自地面节点的外部信号的加权作用力，以维持最佳中继位置。
• 使用经典的Boids模型模拟地面节点的协调运动，使用随机游走模拟非结构化运动，从而在多样化移动条件下进行测试。
• 通过连通性（连通分量数量）、最大连通分量大小以及高连通状态持续时间等指标评估系统性能。

实验结果

研究问题

• RQ1 基于去中心化实时遗传算法的无人机蜂群是否能在复杂且不可预测的地面节点运动（如随机游走）下维持高网络生存能力？
• RQ2 通过适应度函数实现的隐式协调机制与显式通信或集中控制相比，在维持地面网络连通性方面表现如何？
• RQ3 基于Boids的移动模型结合基于网络的邻域感知，在大规模无人机-地面节点系统中是否能支持可扩展性与实时响应？
• RQ4 当地面节点因边界反射而受到大规模连通性破坏时，该系统在恢复能力方面的有效性如何？
• RQ5 在结构化（Boids）与非结构化（随机游走）地面节点运动模式之间，系统在生存能力表现上存在何种权衡？

主要发现

• 在基于Boids的地面运动场景中，无人机蜂群在超过50%的仿真时间内维持了完全连通的地面网络（连通性=1）。
• 在随机游走场景中，最大连通分量在超过50%的仿真时间内始终包含超过70个地面节点，表明即使缺乏运动模式，系统仍具备强生存能力。
• 系统对大规模连通性破坏表现出鲁棒性：在导致地面蜂群分裂的边界反弹事件后，无人机迅速恢复了高连通性，显示出有效的恢复能力。
• 基于适应度函数的去中心化遗传算法实现了隐式协调，单个无人机基于本地网络覆盖范围优化自身位置，从而在无需显式通信的情况下实现全局网络生存能力的涌现。
• 该方法仅需极少的参数调优，因仅优化了一组少量的Boids作用力权重，从而实现了实时运行并可扩展至大量节点。
• 结果证实，该系统可在多种移动模型下维持令人满意的网络生存能力，包括无明显模式的移动，验证了其鲁棒性与适应性。