[发明专利]基于模糊决策树的自适应鱼群寻路包路由方法

说明书

本发明公布了一种大规模应用场景下的基于模糊决策树的自适应鱼群寻路包路由方法。主要解决飞行自组网中的端到端时延问题。所述的方法包括：应用模糊决策树进行跳数预测，通过离线训练模糊决策树模型。属性模糊阶段采用三角模糊函数对输入属性进行语义划分，离线训练阶段采用ID3算法进行决策树建立。为了更新节点信息采用基于鱼群算法的自适应Hello包广播机制，从基站开始逐跳广播Hello包，达到节能和降低冲突的目的。为了保证较高的传输成功率，采用了指数加权平均移动法进行最优节点的预测，指数加权平均对过去历史信息做均值处理的时候加上指数相关的权重，离当前时间越近的历史信息数据权重越大，离当前时间越远的历史信息数据权重越小。

技术领域

本发明属于移动机器人自组网领域，特别涉及大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。

背景技术

传统无人机网络通常由几个无人机组成集中式的网络结构，随着无人机技术的发展，无人机技术的研究从单一无人机应用转向了多无人机应用，网络规模不断扩大。大规模一方面意味着应用场景范围很大，例如一个大范围场景的监控应用，更多时候意味着无人机数量很多，因此大规模无人机网络要求路由协议具有良好的可扩展性，能够在加入更多新无人机时也能保证较高的网络性能。同时由于大规模网络路由跳数增多、传输冲突增大，因此还要求路由协议具有较低的开销、能耗均衡、减少传输冲突。大规模无人机系统的具体应用包括但不限于协同搜救，地形/空间探索、部署传感网络、无人机编队飞行。相比传统自组织网络，由无人机组成的飞行自组织网络通常要求无人机分为较小的群体完成任务，而在这个过程中普通的实体移动模型已经不再适用于描述节点的移动，群体移动模型更加适用。

模糊决策树是机器学习的一种，它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。

移动自组织网络具有移动性，节点的移动性受移动模型的影响，不同的移动模型具有不同的移动特征。无线传感器网络中的节点由于易携带性，一般尺寸都很小，所以节点的能量、存储空间和计算能力都十分有限。若现实网络中遇到意外状况，导致网络中节点因突发事件或能量耗尽而经历死亡，会对网络的拓扑结构造成一定的影响。在目标场景中为了提高网络的可靠性、减少区域的盲区，会部署大量的传感器节点来覆盖目标区域。在移动自组织网络中，节点一般采取分布式的算法，通过多跳自组织的形式构建路由。

随着无人机技术的发展，越来越多大规模无人机的应用需要保证无人机之间高质量的通信。然而，无人机网络的快速移动性和高度动态的拓扑结构给网络的可扩展性带来了挑战，从而限制了网络的性能和可靠性。因此研究人员针对无人机网络设计的路由协议通过包含无人机网络特有的功能和特点进行改进。由于无人机的高机动性、频繁的拓扑变化等特性，使得路由在FANETs中成为一项具有挑战性的任务。平面无人机群组网路由协议大致可以分为基于拓扑的路由协议，基于地理位置的路由协议和延迟容忍路由协议。随着无线自组网研究和多无人机协同作战的发展,无人机自组网已成为新的研究热点,复杂战场环境下节点高速移动性和网络拓扑结构高动态性对无人机自组网的通信组网技术提出了新的挑战。

发明内容

本发明实例提供大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。该方法通过离线训练获取模糊决策树模型，在线使用模糊决策树模型预测跳数，通过选择最小跳数的邻居作为候选节点集来保证逐跳选择的邻居到基站具有最小的跳数，在选择候选节点集后通过指数加权移动平均的方法来预测候选节点集中传输成功率最优的节点作为最优下一跳。对于群体移动模型而言，分组移动的模式可能会使群组之间的距离频繁变化，当群组之间无法建立通信时，选取合适的成员节点充当中继，建立群组与群组的连接，从而提高网络的可靠性。

为了达到上述目的，本发明实例提供了大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。模糊决策树和指数加权移动平均方法用于下一跳决策，鱼群算法用于自适应广播包转发，方法包括：