אופטימיזציה רב-אובייקטיבית עבור UAV Swarm תיאום בSurveillance Missions

(ב) כלי רכב אוויריים בלתי מאוישים (UAVs) – הנקראים בעיקר מל"טים - הפכו לנכסים חיוניים למעקב מודרני.כטב"ם יחיד יכול לצפות באזור קבוע, אך מתואם:0swarm of UAVsFLT:1 יכול לכסות אזורים עצומים, לעקוב אחר מטרות מרובות, ולהתאים לשינויים תנאים בזמן אמת.

במשימות מעקב, המפעילים זקוקים לחבור שעדיין נשגב ככל האפשר, מכסה כל פינה של אזור המיועד, ולעולם לא מעמיד מטוסים בסיכון.יעדים האלה לעתים קרובות קונפליקטים - גילוי יותר שטח דורש בדרך כלל מהירות או גובה, אשר מרוקן סוללות מהר יותר. mOO מספק מסגרת מתמטית למציאת אופטימיזציה המסחר הטובה ביותר בין מטרות כאלה, ומייצרת מערך של פתרונות קיימא ולא תשובה אחת, מאמר זה מסביר את הרעיונות הנוכחי, יישומים של ביישומי לחימה, ויישומים עתידיים, יישומים, רחפנים, יישומים, ביישומיים, ויישומים של רחפנים, פתרונות רב-עולמיים, פתרונות רב-עולמיים, פתרונות רב-עולמיים, פתרונות רב-עולמיים, ויישומים אמיתיים.

הבנה של Multi-objective Optimization

(האופטימיזציה הרב-אובייקטיבית פותרת בעיות עם שני יעדים או יותר שלא ניתן לייעל באופן עצמאי.המטרה היא למצוא פתרון:0Pareto-optimal setFLT:1 - פתרונות שבהם שיפור מטרה אחת בהכרח מחמירה את פתרון אחד לשני.

עבור מזחלת UAV, מטרות אופייניות כוללות:

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) צריכת האנרגיה של סולטן (FLT) 1 (כולל סוללה או דלק בשימוש על ידי חיל האוויר.
  • (ב) כמה זמן יכול הקב"ה לפעול לפני שחזר לבסיס.
  • (ב) ,0) הסיכון להפחתה של 2 מל"טים יפרו מרחקי הפרדה בטוחים.
  • (ב) ,0) ,התמדה של מילואים (ב) - דחיית העברת נתונים בין מל"טים לבין תחנת הקרקע.

מטרות אלה סותרות באופן מהותי את הסיקור הגדל של לעתים קרובות דורשות הפצת רחפנים נוספים בנפרד, אשר מעלה את הסיכון להתנגשות ואת עיכובי תקשורת.הפעלת כוחות זמן המשימה המתקרבים במהירות איטית יותר, אשר מפחיתה את הכיסוי לכל פעם. אופטימיזציה רב-אובייקטיבית מסדיר את החילופי הסחר הללו ומאפשרת למהנדסים להשוות חלופות כמותיות.

בפועל, MOO for UAV נחיל באמצעות אלגוריתמים אבולוציוניים (FLT:0 אלגוריתמים אבולוציוניים) ,FLT:2swarm IntelligenceFLT 3, או FLT:4 שיטות מבוססות ⁇ ⁇ :5 מותאם לבעיות מרובות objective.התפוקה אינה תוכנית טיסה אחת, אלא מערכת של תוכניות, כל אחת המייצגת את האיזון בין אם כן, כך מתאים לכיסוי אנרגיה, כך מוקדם יותר, כך, כך, כך, למשל, להגדרה של תוכנית סודיות.

אתגרים מרכזיים ב UAV Swarmתיאום

איכות הסביבה הדינמית והלא בטוחה

משימות מעקב מתקיימות בסביבות שמשנות ללא תנאי מזג אוויר, מכשולים נעים (למשל ציפורים, מטוסים אחרים), והחלפת סדרי עדיפויות המשימה משפיעים על ביצועיו של חיל האוויר:0 (ההתאמה בזמן אמת) 1 הוא חיוני.פתרון אופטימיזציה המבוצע ב- Takeoff עשוי להפוך דקות מיושנות לאחר מכן בשל הופעת רוח פתאומית או לא צפוי.

טווח תקשורת מוגבל ו- Bandwidth

(ב) רחפנים בחילוץ מתקשרים בדרך כלל באמצעות רשתות אלחוטיות אד-הוק.קישורים אלה יש טווח מוגבל, רוחב פס ואמינות.כאשר מל"טים התפשטו כדי לכסות שטח גדול, חלקם עלולים לאבד מגע ישיר עם תחנת הקרקע או עם אחד אחר.

אנרגיה ושיקום

רוב המל"טים הקטנים יש זמני טיסה של 20-40 דקות על סוללות.פלטפורמות גדולות יותר עשויים להישאר באוויר במשך שעות, אבל עדיין עומדים בפני תקציבי אנרגיה קפדניים.צריכת אנרגיה תלויה במהירות, גובה, תשלום ונתיב טיסה. A נחיל שמנסה למקסם סוללות עלול לרוקן במהירות, תוך שמירה מוקדמת על החזר מוקדם ולהשאיר חלקים של האזור שנחשף.

החלטות בזמן אמת

פעולות מעקב דורשות לעתים קרובות החלטות תוך שניות או דקות, אלגוריתם אופטימיזציה שלוקח שעות להתכנסות הוא לא מעשי. חוקרים לפתח FLT:0fast משוער שיטות משוערות FLT:1 המייצרות פתרונות כמעט-אופטימיים במהירות.אלה כוללים זרמי חיפוש מקומיים, מודלים פשוטים ותחליפים של מכונות החיזוי הביצועים של תוכניות המועמד ללא סימולציות מלאות.

סקלאה

גודל סוומנדר יכול לנוע בין קומץ למאות מל"טים.מספר תוכניות תיאום אפשריות גדל באופן אקספונציאלי עם גודל של חיל האוויר.שיטות אופטימיזציה רב-אובייקטיביות חייב לעלות ביעילות.FLT:0Decomposition טכניקותFLT:1 לשבור את הבעיה לפתרונות קטנים יותר (למשל, תיאום מבוסס אשכול), בעוד ש-FLT2:2, מחשוב דומה מאפשר 3.

גישה לאופטימיזציה רב-אובייקטיבית

שיטות מבוססות Pareto

גישות מבוססות פארטו מבקשות במפורש את סט הפתרונות הלא-מונים.הידועים ביותר הוא ה-FLT:0 Non-dominatedמיין גנטיקה Algorithm II (NSGA-II)FLT:1 NSGA-II מדרג פתרונות מועמדים על ידי רמת הדומיננטיות שלהם Pareto, ולאחר מכן משתמש במדד מרחק המונים כדי לשמר מגוון רחב של חזיתות כגון NS-II כדי להרחיב את מטרות אלה (R) לכיסוי אנרגיה ⁇ (מספק) או יותר של תרופות ⁇ (מספק) ל-R) עבור רמות אבטחה (מתקני אבטחה (R) או יותר, לדוגמה, לדוגמה, עבור תרופות ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

שיטות מבוססות קידוד

במקום לטפל במטרות בו-זמנית, שיטות המחיקה הופכות לבעיה רב-אובייקטיבית בסדרה של בעיות חד-משמעיות על ידי שימוש בקווי משקל.ה-FLT:0MOEA/DigtureFLT:1 (Multi-objective Evolutionary Algorithm מבוסס על Decomposition) הוא דוגמה פופולרית.כל וקטור משקל מגדיר העדפה בחלל אובייקטיבי, ואופטימיזציה של כל אלגוריתמים של אלגוריתמים/prome-in-to-fre-in-to-to-line הוא פתרון יעיל עבור בעיות סחר אלגוריתמיות.

מודיעין סווממים Algorithms

אלגוריתמים של סוומנדר מעוררים השראה מהתנהגויות קולקטיביות טבעיות.FLT:0Particle Swarm Optimization (PSO)FLT:1, שתוכנן במקור לבעיות חד-משמעיות, הורחב ל-MOO באמצעות גרסאות כמו MOPSO, בכל חלקיק (פתרון מועמד) עובר דרך חלל החיפוש המושפע ממצבו הידוע ביותר, ו-Commons-Mobs הטוב ביותר, כמו קובצים של ספקטרום של חלקיקים, אשר פועל על ידי שימוש ב-PSO, כדי להפעיל את ה-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-S עבור פתרונות מובילים עבור חלקיקים מובילים, פועל ב-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Pools-Competto-Pools-Pools עבור חלקיקים מובילים עבור חלקיקים מובילים עבור מנגנונים מובילים עבור מנגנונים מובילים עבור מנגנונים מובילים עבור חלקיקים מובילים עבור חלקיקים מובילים עבור חלקיקים מובילים עבור קובצי

התפתחות וגנטיקה אלגורית

אלגוריתמים אבולוציוניים (EAs) פועלים על אוכלוסייה של פתרונות מועמדים, החלת ברירה, צלב ומוטציות. . Generic Multi-objective EAs כוללים:0.SPEA2IRLT:1 (Strth Pareto Evolutionary Algorith 2) ו-FLT:2NSGA-IIFLT 3 עבור UAV, EA הם מכוונים כי הם אינם דורשים מידע מוטציות, כגון מפעילי מוטציות, כגון, כלומר, הם יכולים לשלב מוטציות ספציפיות.

שיטות היברידיות ומכונה-learning-Aduced

עבודה חדשה משלבת אופטימיזציה עם ההרחבה:0 [01] Power LearningveFLT:1 [RL] או FLT:2 Supervised LearningFLT 3: [לדוגמה, רשת עצבית יכולה ללמוד מדיניות שממפותה חיישנים קוראות לפקודות טיסה, בעוד אופטימיזציה רב-אובייקטיבית להעריך את ביצועי המדיניות על כיסוי, אנרגיה ובטיחות.

אסטרטגיה היברידית נוספת משתמשת במודלים של סימולציה או חיישן יקר.האופטימיזציה של מודלים למועמדים רבים ללא סימולציה מלאה, צמצום זמן חישובי.התוצאות של סימולציה או נתוני חיישן יקרים.האופטימיזציה שאילתות הפונדקאית, או שיטות הרכב.

יישומים אמיתיים בעולם

גבולות ופרימטר משמרות

ניטור הגבול הלאומי דורש כיסוי רציף, רחב טווח עם משאבים מוגבלים. AV חוטי יכול סיור מאות קילומטרים, גילוי מעברים בלתי חוקיים או שינויים סביבתיים. אופטימיזציה רב-אובייקטיביים עוזר מתכנן להקצות רחפנים לפערים על בסיס רמות סיכון, שטח, ומזג אוויר, תוך שמירה על צריכת דלק בתוך גבולות.

תגובה לאסון וחיפוש

לאחר רעידות אדמה, שיטפונות או שריפות פרא, הצוותים חייבים לאתר במהירות ניצולים ולהעריך נזק.בל-טב"ט נחילה סוללות מסוכנות למטפלים בבני אדם.היעדים העיקריים הופכים ל-FLT:0imize האזור המבוקש לכל שעה של LT:1 ו-FLT:2minimize זמן לגילוי ראשון של אנרגיה עדיין נוכחים, אבל המשימה היא זמן קריטי שיכולה ליצור התאמות גבוהות ביותר על פני השטח.

פיקוח חקלאי ודעה קדומה

בחקלאות, UAV נחיל מעקב אחר בריאות היבול, לזהות מזיקים, ואת הצרכים של irrigation מפה כוללים מטרות:0maximize שטח כיסוי FLT:1 עם חיישנים ספקטרליים, FLT:2minimize זמן טיסה FLT 3: כדי להפחית את האופטימיזציה של שדה, ו-FLT:4ensure החפיפות FLT5 עבור פסיפס מדויק, אשר פועל על ידי אופטימיזציה של נתונים רבים, אשר פותחים על ידי תוכניות אלה.

תשתיות

(ב) קווי חשמל, צינורות, גשרים ומסילות רכבת משתרעים מרחקים ארוכים ודורשים בדיקה סדירה (כלי טיס) יכולים לבדוק חלקים רבים בו זמנית.מטרות כאן הן FLT:0maximize אורך בדיקה irFLT:1, ;2minimize שימוש באנרגיה קצרה (FLT 3: 3), ו-FLT:4mainain DistancesLTF:5 ממבני אנרגיה קצרים ו-Ubsp;

מודיעין צבאי, משמרות ורנסנסנס (ISR)

[ה] משימות צבאיות דורשות גניבה, התמדה וכיסוי.מטרות כוללות את האזור (FLT:0maximize שטח של סיקור ריבית סיקור FLT:1,FLT:2minimizeabilityגילויFLT 3: 3 (סעיף צלב, רעש), ו-FLT:4maintain Communications קישורים FLT:5 אופטימיזציה מייצרת זיהוי רב-מחדש, בעוד שעדיין לא תכלול פעולות הגנה על ידי ארגונים של LTFPA.

מגמות מחקר ודרכים לעתיד

אופטימיזציה באינטרנט והתאמה

שיטות נוכחיות לעתים קרובות תוכניות חד-משמעיות לפני תחילת המשימה.העתיד יביא ל-FLT:0 אופטימיזציה של ההרחבה (Internet OptimizationFLT:1), שבו החריץ מעדכן את תוכניתו כמידע חדש מגיע - שינויים, או יעד חדש מופיע.זה דורש אלגוריתמים מהירים ומחשוב על גבי לוח מודעות, כגון FLT:2edge AI מעבדים של AIFLT 3 (למשל, Jet-NVID) מאפשר לכל אחד על ידי Google.

שילוב עם למידה עמוקה

למידה עמוקה חיזוק (DRL) יכולה להכשיר מדיניות שפועלת במהירות, משוערת מולטי אופטימיזציה רב-אובייקטיביים. סוכן DRL לומד לבחור פעולות שמובילות לסחר טוב בין כיסוי, אנרגיה ובטיחות. חוקרים הוכיחו את הנחילות מבוססות DRL המתאם ללא תקשורת מפורשת, פשוט על ידי התבוננות בעמדות של עבודה זו.

אופטימיזציה אובססיבית

(המשימות של המל"ט הופכות מורכבות יותר, מספר המטרות גדלות - חיפוי, אנרגיה, בטיחות, תקשורת, גניבה, ניהול מטען ועוד.שיטות מסורתיות מבוססות פארטו נאבקות עם מטרות רבות, משום ששבריר של פתרונות שאינם מונים עולה במהירות (הטבעת מימד) אלגוריתמים חדשים כמו FLT:0NSGA-IIIFLT1, LT2: LT2D) ו-FDD, תריסר טכניקות קריטיות (ה-H5=R) אלגוריתמיות) אלגוריתמיות) אלגוריתמיות (התיקים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, 5.

אופטימיזציה לא בטוחה - Aware Optimization

שיטות עתידיות ימודלו במפורש: רעש החיישן, גלי הרוח, ההידרדרות בסוללה, ושינויי תכנון המשימה. Robust או FLT:0stochastic Multi-objective Optimizive OptimizationFLT:1 מייצר תוכניות המבוצעות היטב על פני טווח של תנאים אפשריים ולא רק המקרה הצפוי.

האנושות-המלחמה

אופטימיזציה עשויה גם לכלול תוכניות פאלוף:0humanהעדפות FLT:1 באופן אינטראקטיבי.החיל מציג סט של תוכניות Pareto-optimal, והמפעיל בוחר אחד או מספק משוב (למשל, "אני מעדיף כיסוי גבוה יותר גם אם הוא משתמש יותר אנרגיה") אלגוריתם עדכונים החיפוש שלו בהתאם.

התיאום בין-דומיין

משימות מעקב עתידיות עשויות לכלול לא רק מל"טים אלא גם רובוטים קרקעיים, לווינים, ומטוסים מאוישים. אופטימיזציה רב-אובייקטיביים חייבים לתאם נכסים הטרוגניים הללו עם דינמיקות ומגבלות לא נפרדות.זהו תחום פעיל של מחקר ב-FLT:0multi-agent SystemsFLT:1, שבו אלגוריתמים אופטימיזציה מורחבים לטיפול בפעילות משולבת.

מסקנה

אופטימיזציה רב-אובייקטיביים מספקת דרך עקרונית להתמודד עם המטרות המתחרותיות בתיאום של מל"טים על מעקב.על ידי יצירת מערך של פתרונות של סחר-off ולא תוכנית אחת, המפעילים יכולים לקבל החלטות מושכלות שמתאימות לעדיפות המשימה.בעוד שהאתגרים נשארים - סביבות דינמיות, מגבלות תקשורת, מגבלות אנרגיה ורמתיות - תיבת כלים הולכת וגוברת של אלגוריתמים (GA-II, MSOEA, MO/DRL), מודלים מעשיים.

בעוד פלטפורמות רחפנים הופכות קטנות יותר, זולות יותר, ויכולות יותר, וככל שאלגוריתמים אופטימיזציה הופכים מהר יותר ויותר אדפטיים אוטונומיים ייקחו על תפקידי מעקב מורכבים יותר ויותר.שילוב של אופטימיזציה מקוונת, שיטות רבות-אובייקטיביות, ומסגרות אנושיות-ב-ה-ב-ה-ה-In-the-the-loops-In-the-the-the-the-loops-the-the-loops-In-the-the-the-the-the-the-loops יני-loops יני-loops יני-In-In-In-In-the-the-the-the-In-In-the-the-the-the-loops יני-In-In-the-In-In-In-the-In-In-the-the-the-the-the-loops יני-the-loops יני-In-the-the-the-the-the-the-the-the-the-loops יניחוששויגדיל יניחוששויגמלצים יניחוששויגמלצים יניחוויגמלצות יניחוויגמלצות-