【技术实现步骤摘要】
本专利技术涉及无人机应用，尤其涉及一种联邦学习下无人机系统的簇头选举方法。
技术介绍
1、无人机技术的迅速发展使其逐渐扩展到农业、物流、搜救等民用领域，呈现出多样化和广泛应用的趋势。在这一背景下，无人机群体协同操作应运而生，试图通过多机协同完成更为复杂的任务。在这个背景下，联邦学习作为一种分布式学习方法，通过在设备上进行本地模型训练，从而实现全局模型的更新，为解决无人机群体协同操作中的分散数据、隐私安全等问题提供了新思路。然而，传统的联邦学习在应对无人机系统的特殊性和复杂性时面临一系列挑战，包括通信开销、模型同步和隐私保护等方面的问题。
2、在无人机群体协同操作的发展过程中，簇的分组和簇头选择问题愈加显著。传统的簇头选举方法采用静态的分簇机制，对动态环境和网络攻击缺乏灵活应对能力，且传统的分簇算法如dbscan或层次聚类在小规模系统中效果良好，但在大规模系统中可能面临计算复杂度和可扩展性的问题。因此，无人机的能源管理问题直接影响着系统的续航能力。
3、目前，现有技术中的一种簇头选择方法为固定轮询法，该方法是一种简单而直观的簇头选择策略，其原理是系统按照固定的顺序周期性地选择簇头，以确保每个节点有机会充当簇头。这种方法易于实现，特别适用于小规模系统。该方法的缺点包括：采用固定轮询法的策略，由于簇头会大量消耗资源，简单的轮询会使在大规模系统中可能导致负载不均衡的问题，使得部分节点的能量消耗过快，从而缩短了整个系统的寿命。这使得当前系统在应对复杂多样的任务环境时显得不够灵活和高效。
4、目前，现有技
5、目前，现有技术中的另一种簇头选择方法为基于节点能力的策略根据节点的计算能力、通信能力等指标选择簇头，以提高系统的整体性能。该方法的缺点包括：需要节点具备较为准确的自身能力信息，可能涉及通信开销。该方法对算法模型和数据的要求较高，可能增加系统的复杂性。这使得当前系统在实际应用中可能面临算法调优和数据管理等方面的挑战。
6、上述现有技术中的簇头选择方法均未考虑无人机簇头节点长期负担过重以及未考虑簇头被攻击或发生故障的情况，缺少容错机制以及安全性保障。
技术实现思路
1、本专利技术的实施例提供了一种联邦学习下无人机系统的簇头选举方法，以实现有效地保证无人机系统的安全性。
2、为了实现上述目的，本专利技术采取了如下技术方案。
3、一种联邦学习下无人机系统的簇头选举方法，包括：
4、基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置；
5、根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机节点的分数，根据各个无人机节点的分数确定各个簇的簇头，迭代优化各个簇的簇头的选举过程，得到最终的各个簇，以及各个簇的簇头和质心的位置；
6、在服务器、每个簇的簇头和每个簇中的无人机节点之间通过联邦学习进行参数聚合和更新。
7、优选地，所述的基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置，包括：
8、基于各个无人机的地理位置选择要形成的簇的数量k，利用k-means算法对所有无人机进行分簇，在相对分散且其周围的无人机节点密度较高的位置选择多个无人机节点作为初始化的簇，计算出一个簇中所有无人机节点的位置的平均值，将该平均值作为每个簇的初始化的质心的位置，得到初始化的各个簇和每个簇的质心的位置。
9、优选地，所述的根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机节点的分数，根据各个无人机节点的分数确定各个簇的簇头，包括：
10、定义无人机节点i的分数
11、其中v1，v2，v3，v4是各指标所占的权重；
12、其中disi表示每个无人机节点i到其所属簇类质心或上一轮簇心的距离；
13、rei表示无人机节点i的能耗余量，re＝e-ef-et，ef＝tf*vf，tf为飞行时间，vf为飞行能耗速率，e为无人机节点i的初始能量，et＝bu*mu+bd*md，bu为上传模型参数时每比特传输所消耗的能量，mu为上传本地模型的参数大小，bd为利用下发模型参数时每比特传输所消耗的能量，md为下发全局模型的参数大小；
14、cpi表示无人机节点i的计算能力；
15、csi表示无人机节点i的丢包率；
16、根据各个无人机节点的分数选择分数最高的无人机节点为当前簇头，分数第二高的无人机节点为备用簇头。
17、优选地，所述的迭代优化各个簇的簇头的选举过程，得到最终的各个簇，以及各个簇的簇头和质心的位置，包括：
18、每个簇j初始化两个集合：白名单集合和黑名单集合，白名单集合初始化为每个簇中全部无人机节点wj＝{p1,p2,...pi,...pn}，黑名单集合初始化为空bj＝{}，每个簇设置一个动态的能耗余量阈值能耗余量低于阈值的无人机认定没有能力当选簇头，将这些无人机加入黑名单集合中，并在白名单集合中删除；
19、在白名单集合中根据每个无人机节点的分数选择当前簇头和备用簇头，当簇头被攻击或发生故障时，备用簇头成为簇头，在簇没有变化的情况下，每经过设定轮重新更换簇头；当白名单集合为空或者簇中一半的无人机节点掉线或脱离队伍，则开始重新分簇。
20、优选地，所述的在服务器、每个簇的簇头和每个簇中的无人机节点之间通过联邦学习进行参数聚合和更新，包括：
21、初始化全局模型在服务器上，服务器分发全局模型给每个簇的簇头，作为每个簇起始轮的初始全局模型，在每个簇中全局模型和不同簇的簇头的模型进行结合形成对应的簇模型，簇头将簇模型分发给簇中的其他无人机节点，每个无人机节点根据自身的数据集对簇模型进行训练，训练结束后将训练后的模型参数上传给对应的簇头节点；
22、各个簇头节点对收集到的簇内无人机节点上传的模型参数进行聚合，聚合后更新此轮所在群组的簇模型，各个簇头将簇模型参数上传给服务器，服务器利用联邦平均算法对收集到的模型参数进行聚合，更新全局模型，作为下一轮迭代的初始全局模型；
23、进入下一个迭代，服务器将更新后的全局模型再次向簇头进行分发，不断重复上述步骤，直到迭代结束。
24、由上述本专利技术的实施例提供的技术方案可以看出，本专利技术充分考虑了无人机系统中无人机的移动特性，在簇头选择指标过程中考虑了与上轮簇心的距离和飞行能耗以及因飞行导致的无人机节点掉线问题。本专利技术实施例采用簇头的定期轮换机制：帮助分散能耗，通过定本文档来自技高网...
【技术保护点】
1.一种联邦学习下无人机系统的簇头选举方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置，包括：
3.根据权利要求2所述的方法，其特征在于，所述的根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机节点的分数，根据各个无人机节点的分数确定各个簇的簇头，包括：
4.根据权利要求3所述的方法，其特征在于，所述的迭代优化各个簇的簇头的选举过程，得到最终的各个簇，以及各个簇的簇头和质心的位置，包括：
5.根据权利要求4所述的方法，其特征在于，所述的在服务器、每个簇的簇头和每个簇中的无人机节点之间通过联邦学习进行参数聚合和更新，包括：
【技术特征摘要】
1.一种联邦学习下无人机系统的簇头选举方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的基于各个无人机节点的地理位置对所有无人机进行分簇，得到初始化的各个簇和各个簇的质心的位置，包括：
3.根据权利要求2所述的方法，其特征在于，所述的根据每个无人机节点到其所属簇的质心的距离、能耗余量和计算能力计算出每个无人机...
【专利技术属性】
技术研发人员：赵佳，郭悦，刘吉强，郭雅婷，饶欣宇，孟祥雨，杨博凯，王妍淳，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。