摘要: 无人机(UnmannedAerialVehicle,UAV)作为一项新兴技术，在军事领域、民用领域、军民协同等都有前所未有的应用。这项技术目前的趋势是从小规模、大型遥控无人机网络转向大规模、小型自主无人机网络集群，协同完成复杂的任务。其中一个重要的挑战是开发... 展开 无人机(UnmannedAerialVehicle,UAV)作为一项新兴技术，在军事领域、民用领域、军民协同等都有前所未有的应用。这项技术目前的趋势是从小规模、大型遥控无人机网络转向大规模、小型自主无人机网络集群，协同完成复杂的任务。其中一个重要的挑战是开发高效的传感、通信和控制算法，以适应具有异构移动水平的高度动态无人机网络的要求。然而由于飞行自组织网络(FlyingAd-hocNetwork,FANET)具有节点移动非常快、拓扑变化频繁、应用需求快速变化以及链路质量不均匀等特点，FANET的多跳路由目前是一个悬而未决的问题。迄今为止，FANET路由的实际标准尚未确定，大多数现有方法考虑了广泛认可的协议的变体。这些协议最初是为移动自组织网络(MobileAd-hocNetwork,MANET)设计的。这些变体协议的研究重点是如何利用强化学习的学习能力，基于更准确地感知网络拓扑、链路状态、用户行为、流量移动性等进行最优路径选择。基于此，本文结合强化学习，以适用于FANET中的的路由协议展开研究。 针对FANET中无人机集群网络通信场景，本文采用Q学习和深度强化学习(DeepReinforcementLearning,DRL)技术相结合来优化小型无人机集群通信场景中的路由算法。本文在智能鲁棒路由的基础上优化了一种基于Q学习路由选择机制，该机制促使无人机节点选择链路质量相对稳定、跳数更短的路径。在鲁棒可扩展路由的基础上优化了一种基于近端策略优化算法的路由转发机制，无人机节点通过路由转发机制判断链路是否稳定从而选择是否进行网络探索达到平衡网络开销和节点探索能力的目的。最后在NS3仿真平台上进行仿真，本文优化的路由算法与鲁棒可扩展路由以及优化链路状态路由协议(OLSR)相比较，有着更高的传输成功率，更低的端到端时延，更小的网络开销。 针对FANET中无人机群与地面基站联合通信场景，本文采用基于深度Q网络(DeepQNetwork,DQN)技术进行中继节点选择路由。本文采用基于地理位置的分簇算法对场景进行网格划分，簇内通信单跳可达。簇间网络采用基于DQN的中继节点选择路由，包括自适应中继节点选择模块和基于DQN的节点移动选择模块。基于DQN的节点移动选择模块通过判断当前环境状态和任务紧迫性来选择节点是否向地面基站移动从而更好的选择中继节点来增强网络通信性能。最后在NS3仿真平台上进行仿真，本文采用的路由算法与运动辅助交付路由(MovementAssistedDelivery,MAD)进行比较，有着更高的传输成功率，更低的端到端时延，更高的累计投递比率，但在移动开销方面会有一定的损失。 收起