[发明专利]无人机自主控制系统智能分层递阶控制选择方法

权利要求书

1.一种无人机自主控制系统智能分层递阶控制选择方法，其特征在于：在移动自组织网络MANET的分层结构中，整个无人机网络按照簇算法分簇规则划分为多个簇，即若干个子网，然后再按照簇算法规则在每个簇中选出簇头节点，除簇头以外的节点则为成员节点，构建无人机自组织网络模型；无人机自组织网络模型将各个簇内部的交互为SDN网络的第一层，簇间节点的交互为网络的第二层，并将分层结构再细分为单频分层和多频分层两种结构，对于不同层的节点采用多个频率进行通信，簇头节点和簇内节点进行内部通信时使用频率f₁，簇头节点之间形成的高一层网络之间进行通信时使用频率f₂；基于图神经网络GNN为每一个子网选择一个控制节点用于部署SDN控制器来管理网络，动态调整分层MANET网络的控制节点，离线训练GNN网络设定一个受信任的节点，收集整个MANET网络所有节点的信息；在线簇头选举中，受信任节点将整个网络的信息输入训练好的GNN网络，根据GNN网络的输出结果，通过SDN控制器选举，分解为控制器可执行的控制序列，将SDN控制器选举结果分发给MANET网络的所有节点，深度强化学习训练出状态值函数，结合图神经网络和强化学习进行求解关于包含了若干个SDN控制器节点无向图G，在每一次迭代中进行在线簇头选举，选出最终解的一个节点，经过N次迭代获得最终解。

2.如权利要求1所述的无人机自主控制系统智能分层递阶控制选择方法，其特征在于：在线簇头选举中，离线训练GNN网络设定一个受信任的节点，收集整个MANET网络所有节点的信息，在每一次迭代将整个网络的状态为输入进行图嵌入，经过N轮图嵌入后，网络中节点的信息和边的信息将聚合到各个节点上，为节点生成一个特征向量，然后将图神经网络的状态S聚合到每个节点上，用各个节点的特征向量及整个网络的特征向量得到状态值函数，供控制器节点的选择；受信任节点将整个网络的状态信息输入到训练好的GNN网络，根据GNN网络输出结果，将控制器选举结果分发给MANET网络的所有节点。

3.如权利要求1所述的无人机自主控制系统智能分层递阶控制选择方法，其特征在于：在移动自组织网络MANET的分层中，无人机自组织网络模型根据MANET网络的M个无人机节点N间的通信时延E，将实际无人机网络建模成一个无向图G＝(N,E)，将此无人机网络划分为各个簇不交叉的K个簇p，在每个簇内选择一个节点作为管理簇内成员的控制器节点；受信任节点根据GNN网络控制器选举的输出结果，深度强化学习训练出状态值函数，结合图神经网络和强化学习进行求解关于图的包含若干个控制器节点，在每一次迭代中进行在线簇头选举，选出最终解的一个节点，经过N次迭代获得最终解。

4.如权利要求3所述的无人机自主控制系统智能分层递阶控制选择方法，其特征在于：

M个无人机节点N＝{n₁,n₂,...,n_M}和表示节点n_i和节点n_j间的通信时延E＝{e_ij}组成无人机自组织网络模型，建模成一个无向图G＝(N,E)，并按照被控量偏差和偏差变化率的大小进行分层递阶控制。

5.如权利要求3所述的无人机自主控制系统智能分层递阶控制选择方法，其特征在于：通信时延E＝{e_ij}包括：SDN控制器与其管理的簇内节点的通信时延D₁(L)和控制器之间同步全局信息、同步控制信息的时延D₂(L),即，SDN控制器选取的时延整体最小min D(L)＝D₁(L)+βD₂(L)

其中，D₁表示簇内节点的通信时延，D₂表示控制器之间同步全局信息、同步控制信息的时延，L表示选择的控制节点，p_i表示第i个簇的节点集合，f_ij表示节点i和节点j发生通信业务需求的概率，e_ji表示节点i和节点j的通信时延，表示簇i的控制器和簇j的控制器发生通信的概率，f_mn表示节点m和节点n发生通信的概率，m表示簇i内的一个节点，n表示簇j内的一个节点，β为控制器间延迟和簇内延迟的比例系数。