其解決不同維度的隨機(jī)參數(shù)序列問題的性能設(shè)計最優(yōu)可行算法。并針對同一場景進(jìn)其次提出新的基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法。對分層強(qiáng)化學(xué)習(xí)和GAT網(wǎng)絡(luò)進(jìn)行介紹，并詳細(xì)介紹GAT網(wǎng)絡(luò)獨(dú)有的圖注意力機(jī)制，根據(jù)網(wǎng)絡(luò)特性設(shè)計算法，生成詳最后將改進(jìn)后的蟻群、遺傳、粒子群、模擬退火算法和基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)本文采用的無人機(jī)工作場景為農(nóng)業(yè)領(lǐng)域多植保無人機(jī)輔助邊緣計算系統(tǒng)進(jìn)行數(shù)據(jù)采集和邊緣計算的過程。如圖1所示，空間內(nèi)隨機(jī)分布多個傳感器SN,SN內(nèi)存放無人機(jī)需要進(jìn)行傳輸和計算的數(shù)據(jù)。在地面固定一個基站GBS作為無人機(jī)的充電并與GBS進(jìn)行數(shù)據(jù)傳輸，該過程結(jié)束后無人機(jī)會與GBS傳感通信，通信成功后，GBS會對大部分?jǐn)?shù)據(jù)進(jìn)行邊緣計算，剩余數(shù)據(jù)部分可以分配到無人機(jī)內(nèi)進(jìn)行輔助邊緣計算。多個協(xié)同工作的無人機(jī)需要進(jìn)行任務(wù)分配，在此類環(huán)境內(nèi)選定個體的工作范圍即需要負(fù)責(zé)的SN集合。無人機(jī)需要從GBS出發(fā)途徑該個體需要負(fù)責(zé)的所有的科的知識儲備已不足以全面把握問題的本質(zhì)。因此，強(qiáng)化跨學(xué)科的合作與交流變得至關(guān)重要。融合不同學(xué)科的專業(yè)智慧、研究方法與技術(shù)資源，科研人員能更有效地應(yīng)對復(fù)雜的科學(xué)挑戰(zhàn)，探索更為全面和深入的解決方案?？鐚W(xué)科協(xié)同不僅加速了新思想、新技術(shù)與新應(yīng)用的誕生，還為科研工作者拓寬了認(rèn)知邊界，引入了多樣化的思考路徑。數(shù)據(jù)采集傳輸過程無人機(jī)需要從傳感器獲取數(shù)據(jù)，同時將數(shù)據(jù)傳輸?shù)交?，每傳輸周期傳輸單位段?shù)據(jù)流，采集并傳輸?shù)交?，在此類場景里其具有成功和失敗兩種情況，當(dāng)數(shù)據(jù)流傳輸失敗后會對該數(shù)據(jù)流進(jìn)行選擇重傳(劉文博，韓昕器完成數(shù)據(jù)采集傳輸、傳感和邊緣計算工作并飛回基站時，需要通過回到GBS進(jìn)行 UAVPathDataTransmissionC無人機(jī)在采集數(shù)據(jù)的過程與邊緣計算過程均需要與地面基站進(jìn)行通信，其遵循感知發(fā)送協(xié)議，這在某種程度上表達(dá)出即基站為無人機(jī)分配子信道后，無人機(jī)與基站進(jìn)行數(shù)據(jù)傳輸和通信交流。為評估無人機(jī)的感知質(zhì)量，因此采用概率感知模型，其中λ是評價傳感性能的參數(shù)，1i表示無人機(jī)i到任務(wù)i的距離?？紤]到無人機(jī)在與傳感器和基站的通信模型為空地鏈路模型，在無人機(jī)傳輸過充中，無人機(jī)通過正交子信道將感知數(shù)據(jù)傳輸給基站，以避免相互干擾。因此將無人機(jī)發(fā)射功率表示為Pu,可以將無人機(jī)i的基站接收信噪比表示為(李昕怡，王琳確指引，強(qiáng)調(diào)了理論探討與實證研究相結(jié)合的關(guān)鍵性。本研究不僅驗證了現(xiàn)有理論模型的正確性，還指出了實際操作中可能面臨的障礙與限制，為后續(xù)探索提供了有 價值的參考。研究成果為解決實際問題提供了具體的方法和途徑，使理論知識能夠更有效地指導(dǎo)實踐行動，增強(qiáng)了決策的科學(xué)性和合理性。這在某種程度上反映無人 其中r=Jx2+v2,po=233.98/ogn(hi)-0.95,r=max{294.05los,(h)-432.94,18}當(dāng)信道包含視距分量時，從無人機(jī)i到基站的路徑損耗可表示為(蔡昊澤，鄧夢琪，2023):PLos,;=30.9+(22.25-0.5log1?(h,))×log1(d)+20log??(fc)(4)視距情況下，小尺度衰落Hi服從Rice分布，尺度參數(shù)Q=1,這在一定尺度上呈現(xiàn)形狀參數(shù)K[dB]=4.217log10(Hi)+5.787。另一方面，當(dāng)信PLNos,;=32.4+(43.2-7.6log10(h?))×log1o(d;)+20log?(f.)為了實現(xiàn)成功的傳輸，地面基站處的SNR需要高于解碼閾值yt。因此，每個無人機(jī)都可以通過計算基站信噪比大于y1/8的概率來評估其成功傳輸?shù)母怕?。無人Pr,=Przos,;(1-F(XLos,;))+(1-Pros,)(1-Fa(XNLos,;)) 其中xwas=N,10rm/P,xLoSi=N,10°/P,F()=1-Q<2K,JZK+1)是Q=1的萊斯分布的累計分布函數(shù)(CDF),是單位方差的瑞利分布的CDF。這這在某種程度上展示對于無人機(jī)飛行至傳感器上空進(jìn)行數(shù)據(jù)傳輸?shù)倪^程，我們無人機(jī)每周期采集并向基站進(jìn)行數(shù)據(jù)傳輸，不考慮未分配子信道的情況整個過傳輸成功：傳輸成功后將進(jìn)行下一個數(shù)據(jù)量di的傳輸。 遺傳算法的基本思想為達(dá)爾文生物進(jìn)化論中“物競天擇，適者生存”的理論，算法模擬選擇、交叉、變異過程，某程度能看出其中選擇過程保留父代個體，交叉過程由兩個父代個體遵循交叉原則得到新個體，變異過程由一個父代個體遵循變異原遺傳算法的算法的算法流程如圖所示(丁志，余夢琳，2023):開始開始算法初始化，設(shè)置進(jìn)化代數(shù)計數(shù)器t=0、最大進(jìn)化代數(shù)Tmax、交叉概率pc、變異概率pm、隨機(jī)生成M個個體作為初始種群P根據(jù)適應(yīng)度函數(shù)計算種群P中每個個體的適應(yīng)度進(jìn)行交叉運(yùn)算，根據(jù)交叉概率pc,對種群個體兩兩進(jìn)行交叉進(jìn)行變異運(yùn)算，根據(jù)變異概率pm,種群個體進(jìn)行變異是結(jié)束圖2遺傳算法流程圖3.2.2算法設(shè)計其適應(yīng)度函數(shù)設(shè)計為(沈天瑜，錢婉君，2023):該適應(yīng)度函數(shù)，根據(jù)現(xiàn)有的結(jié)果數(shù)據(jù)我們推出了不能考慮到實際過程中無人機(jī)的通信情況和電量損耗情況。因此在一維序列的情況下，設(shè)計適應(yīng)度函數(shù)(宋嘉琪，魏靜，2023): 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題實驗結(jié)果表明對于20個傳感器的無人機(jī)任務(wù)所構(gòu)成的一維序列，遺傳算法不穩(wěn)定收斂，因此解決多變量隨機(jī)問題，從這些技術(shù)可以看明白可以采用K-means聚類算法，針對不同不同數(shù)目的無人機(jī)進(jìn)行傳感器聚類，后分解為多個數(shù)目較小的一維序列問題(雷莉，岳慧妍，2023)。優(yōu)化設(shè)計過程中，本文特別強(qiáng)調(diào)了經(jīng)濟(jì)合理性與方案的可復(fù)制性，相較于初步規(guī)劃，在多個維度上進(jìn)行了改良與調(diào)整。成本控制方面，通過簡化非必要流程、采用更具成本效益的策略，有效降低了整體投入成本，使方案更顯經(jīng)濟(jì)實惠。同時，為提升方案的可推廣性，設(shè)計時全面考慮了地域差異與環(huán)境適應(yīng)性，確保其能在廣泛條件下穩(wěn)定運(yùn)行，便于其他單位或個人輕松借鑒與應(yīng)用。3.2.3改進(jìn)遺傳算法實驗仿真根據(jù)上述理論，對改進(jìn)后的結(jié)合K-means聚類的遺傳算法解決一維序列問題進(jìn)行實驗仿真，最終最優(yōu)解為3無人機(jī)協(xié)同工作，具體參數(shù)如下：交叉概率pc見附錄見附錄見附錄見附錄見附錄3總時間T(s)總耗電量E(W●s)無人機(jī)1時間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時間t2(s)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時間t3(s) 總時間T(s)總耗電量E(W●s)無人機(jī)1時間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時間t2(s)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時間t3(s)無人機(jī)3總耗電量e3(W●s)圖13粒子群算法多無人機(jī)路徑規(guī)劃聚類圖圖14粒子群算法多無人機(jī)路徑規(guī)劃圖 第三章傳統(tǒng)離線算法解決多參量隨機(jī)序列問題根據(jù)實驗結(jié)果分析，結(jié)合K-means聚類的模擬算法解決多無人機(jī)協(xié)同工作問題可以完成無人機(jī)盡可能不進(jìn)行充電而增派無人機(jī)的目標(biāo)，根據(jù)現(xiàn)有的結(jié)果數(shù)據(jù)我們推出了但實驗結(jié)果存在較大誤差，因此任務(wù)其容易陷入局部最優(yōu)解。通過對四類傳統(tǒng)經(jīng)典算法進(jìn)行改進(jìn)，使其能夠很好的適應(yīng)本文所提出的多無人機(jī)協(xié)同工作的輔助邊緣計算系統(tǒng)。但其算法性能參差不齊，從數(shù)據(jù)上看，改進(jìn)的蟻群算法與模擬退火算法解決單無人機(jī)問題都具有很好的收斂特性，但改進(jìn)的模擬退火算法多無人機(jī)協(xié)同工作模式呈現(xiàn)出較差結(jié)果。其中可以發(fā)現(xiàn)一些線索而在解決多無人機(jī)問題時，改進(jìn)后的粒子群算法、模擬退火算法、遺傳算法都需要借助K-means聚類分析進(jìn)行路徑規(guī)劃，其結(jié)果受聚類結(jié)果影響較大，從這些技術(shù)可以看明白通常得到解為該問題下的局部最優(yōu)解。改進(jìn)后的蟻群算法，在解決多維序列問題仍具有較好的收斂特性，缺失最優(yōu)對比，無法確定其是否陷入局部最優(yōu)解。上述四類算法都面臨同一個問題為目標(biāo)優(yōu)化過程需要傳感器位置、傳感器當(dāng)前待解決數(shù)據(jù)量、基 傳感器數(shù)據(jù)量 實驗結(jié)果如下：參數(shù)名稱3總時間T(s)總耗電量E(W●s)無人機(jī)1時間t1(s)無人機(jī)1總耗電量el(W●s)無人機(jī)2時間t2(s)無人機(jī)2總耗電量e2(W●s)無人機(jī)3時間t3(s)無人機(jī)3總耗電量e3(W●s)圖24GAT強(qiáng)化學(xué)習(xí)多無人機(jī)協(xié)同路徑規(guī)劃圖 第四章基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法解決序列問題從實驗結(jié)果來看，GAT網(wǎng)絡(luò)結(jié)合強(qiáng)化學(xué)習(xí)算法處理多無人機(jī)輔助邊緣計算系統(tǒng)具有良好效果。圖25中訓(xùn)練過程因其多隨機(jī)傳感器數(shù)據(jù)量樣本進(jìn)行訓(xùn)練，其損失函數(shù)具有一定的波動性，但隨迭代次數(shù)增加而不斷穩(wěn)定，測試集表現(xiàn)的loss屬性具有 群、粒子群、遺傳、模擬退火算法分別做相同20個傳感器優(yōu)化和測試過程傳感器數(shù)據(jù)量相同和相同20個傳感器優(yōu)化和測試過程傳感器存儲數(shù)據(jù)量不同的模擬實驗。對GAT強(qiáng)化學(xué)習(xí)算法做跟隨實驗，這在某種程度上映射了其中對模擬退火算法進(jìn)行如圖26顯示，在優(yōu)化過程與測試過程傳感器存儲數(shù)據(jù)量相同的情況下，蟻群算法可以做到快速收斂，并得到較優(yōu)結(jié)果；遺傳算法呈現(xiàn)強(qiáng)烈波動性，甚至難以收斂；粒子群算法收斂速度緩慢(李昕怡，王琳娜，2023);某程度能看出模擬退火算法較快收斂并得到最優(yōu)解，GAT強(qiáng)化網(wǎng)絡(luò)需要進(jìn)行大量訓(xùn)練，因此其10000次迭代效果不優(yōu)，但收斂趨勢明顯。蟻群算法收斂速度極快，但容易陷入局部最優(yōu)解，模擬退火算法在解決單無人機(jī)問題上存在巨大優(yōu)勢，可以快速收斂并得到最優(yōu)解。 當(dāng)優(yōu)化與測試過程傳感器數(shù)據(jù)量不同時，強(qiáng)化學(xué)習(xí)依然可以保持較高性能，改進(jìn)的遺傳算法會顯示強(qiáng)烈波動性并不收斂，改進(jìn)的粒子群算法結(jié)果與最優(yōu)解有較大偏離，改進(jìn)后的蟻群算法與模擬退火算法則會陷入局部最優(yōu)解(孫嘉俊，蔣文婷，2023)。 第五章算法性能對比 但在解決數(shù)據(jù)量發(fā)生變化的問題時改進(jìn)后的蟻群算法、遺傳算法、模擬退火算法、粒子群算法測試結(jié)果較差，不具有靈活性和得到最優(yōu)解的能力，基于GAT網(wǎng)絡(luò)的強(qiáng)5.2多無人機(jī)協(xié)同工作性能比較退火算法、遺傳算法和粒子群算法無法進(jìn)行大量數(shù)據(jù)模擬，且其本身受聚類因素影改進(jìn)后的蟻群算法和GAT強(qiáng)化學(xué)習(xí)算法在解決問題的穩(wěn)定性，如圖9與圖25對比，蟻群算法在優(yōu)化加測試求解問題的總體時間復(fù)雜度性能上優(yōu)于GAT強(qiáng)化學(xué)習(xí)算法，這在某種程度上表達(dá)出但其算法會容易陷入局部最優(yōu)理不斷變化的傳感器數(shù)據(jù)量，而蟻群算法則不具備此靈活性。其GAT強(qiáng)化訓(xùn)練后在不改變傳感器位置和基站位置的情況下，測試過程的時間復(fù)雜度遠(yuǎn)小于蟻群算法。因此可認(rèn)為基于GAT網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法在解決本文背景問題具有最優(yōu)性第六章結(jié)束語進(jìn)行路徑規(guī)劃十分有意義。當(dāng)前對無人機(jī)進(jìn)行路徑規(guī)劃的算法，沒有很好的對無人機(jī)電量模型、通信模型和飛行時間模型進(jìn)行建模，也不能滿足多無人機(jī)協(xié)同工作的需求，多采用以飛行直線距離為優(yōu)化目標(biāo)的以蟻群算法、遺傳算法、粒子群算法、模擬退火算法為核心的離線問題處理。也存在考慮到無人機(jī)通信、電量背景，但場離線算法。本文針對上述背景，進(jìn)行了多無人機(jī)協(xié)同輔助邊緣計算系統(tǒng)的路徑規(guī)劃非視距通信(NLOS)與感知發(fā)送協(xié)議的傳感模型、通信模型、數(shù)據(jù)傳輸模型，建立了符合氣體動力學(xué)描述的無人機(jī)電量模型和完成了基于實際場景分析調(diào)研的無人機(jī)群算法、遺傳算法、粒子群算法與模擬退火算法進(jìn)行改進(jìn)，對其優(yōu)化目標(biāo)、輸入?yún)?shù)形式以及是否可以結(jié)合K-means聚類算法進(jìn)行分析，得到了可以有優(yōu)質(zhì)性能滿足上述背景的需求。,這在某種程度上映射了同時本文提出一種新型的GAT網(wǎng)絡(luò)結(jié)合強(qiáng)化學(xué)習(xí)的離線算法，其滿足上述背景的需求同時具有靈活性、準(zhǔn)確性。并對5類經(jīng)過對四類傳統(tǒng)算法的改進(jìn)和提出基于GAT對考慮通信情況、無人機(jī)電量及多無人機(jī)系統(tǒng)工作的輔助邊緣計算系統(tǒng)今天了路徑規(guī)劃。因算法本身的局限性，改進(jìn)后的遺傳算法、粒子群算法、模擬退火算法無法直接解決多無人機(jī)協(xié)同工作問題，需要結(jié)合K類算法在解決單無人機(jī)問題時模擬退火算法呈現(xiàn)最優(yōu)性能，在解決多無人機(jī)路徑規(guī)劃問題時GAT強(qiáng)化學(xué)習(xí)算法具有最優(yōu)性能。GAT強(qiáng)化學(xué)習(xí)算法通過大量樣本訓(xùn)練，可以面對給定域內(nèi)隨機(jī)的傳感器存儲的數(shù)據(jù)量集合都可以在極短時間給出效率較高的路徑規(guī)劃方式，具有較好的靈活性，因此其可以更好的融入現(xiàn)實背景解決實際問 [1]X.ChenandJ.Zhang,"TheThree-DimensionPathPlanningofUAVBasedonImPotentialFieldinDynamicEnvironment,"20135thInternationalConf[2]H.Li,T.Long,G.XuandY.Wang,"Coupling-Degree-BasedHeuristicPrioritizedPlanningforUAVSwarmPathGeneration,"2pp.3636-3641,doi:10.1109/CAC48633.2019.8997273.[3]Z.HeandL.Zhao,"TheComparisonofFourUAVPathPlanningAlgoritSearchAlgorithm,"20179thInternationalConferenctemsandCybernetics(IHMSC),Hangzhou,China,2017,pp.33-36,doi:10.1109/IHMSC.2017.123.s[4]W.Xinggang,G.CongandL.Yibo,"VariableprobabilitybasedbidirectionalRRTalgorpathplanning,"The26thChineseControlandDecisionConference(2014CCDC),Changs2014,pp.2217-2222,doi:10.1109/CCDC.2014.6852537.edonGeometrySearchAlgorithm,"20179thInternationalConferenceonIntelligentHuman-Machine陳雨桐，張澤宇temsandCybernetics(IHMSC),Hangzhou,China,2017,pp.33-Cybernetics:陳雨桐，張澤宇tems,doi:10.1109/TSMC.2020.2967936.109/IHMSC.2017.123.Proceedingsofthe29thChineseControlConference,Beijing,China,2010,pp.559-563.2019,doi:10.1109/ACCESS.2019.2943253.Cybernetics(SMC),Banff,AB,Canada,2017,pp.1799-1804,doi:10.1109/SMC.2017.81228[9]韓志強(qiáng)，郭怡君"Energy-EfficientUAVCommunicationWithTrdoi:10.1109/TWC.2017.2688328.[11]范博文，楊睿琳.遺傳算法路徑規(guī)劃在無人機(jī)電力巡線中的應(yīng)用[J].自動化技術(shù)與應(yīng)[12]高思遠(yuǎn)，蔡佳慧，"DecisionMakingSupportoRadiationDoseMapping,"2018I(韓志強(qiáng)，郭怡君，2023)42ndAnnualComputerSoftwareandApplicationsConference(COMPSAC),[13]王晨曦，秦雅文"OncollaborativepathplanningformultipleUAVsbasedonPythagoreanHodographcurve,"2016I(韓志強(qiáng)，郭怡君，2023)ChineseGuidance,NavigationandControlConference(CGNCC),Nanjing,2016,pp.971-975,doi:10.1109/CGNCC.2016.7828917.[14]鄭浩宇，曾嘉玲"AnImprovedUAVPathPlannin20205thInternationalConferenceonAutomatChina,2020,pp.81-86,doi:10.1109/CACRE50138.2020.9229999.[15]C.Zhang,H.LiuandY.Tang,"QuantitativeEvaluationofVoronoiGraphSearchAlgorithandServiceScience(ICSESS),Beijing,China,2018,pp.563-567,doi:10.1109/ICSESS.2018.86639[16]L.WangandY.Li,"AMulMappingforPathPlanningofaHALEUAV,"2019ChineseAutomationCongress(CAC),Hangzhou,China,2019,pp.3189-3194,doi:10.1109/CAC48633.2019.8997289.[17]H.Li,T.Long,G.XuandY.Wang,"Coupling-Degree-BasedHeuristicPrioritizedPlanningMforUAVSwarmPathGeneration,"20pp.3636-3641,doi:10.1109/CAC48633.2019.8997273.[18]B.-b.Meng,"UAVPathPlInternationalConferenceonIntelligen1106-1109,doi:10.1109/ICIC[19]Y.Huang,X.Mo,J.Xu,L.Qi雨桐，張澤宇temsviaReinforcementLearning,"2020I(韓志強(qiáng)，郭怡君，2023)WirelessCommunicationsandNetworkingConference(WCNC),Seoul,Korea(South),2020,pp.1-6,d10.1109/WCNC45663.20[20]C.Zhouetal.,"DeepRL-basedTrajectoryPlanningforAoIMin201911thInternationalConferenceonWirelessCommunicationsandChina,2019,pp.1-6,doi:10.1109/WCSP.2019.8928091.[21]A.N.SakibandR.MCDMACellularNetworkusingDirectionalElectricalandComputerEngineering(ICECE),Dhaka,Bangladesh,2018,pp.133-1[22]R.Sharma,"FuzzyQlearningba