摘要
随着移动通讯技术的迅速发展，以无人驾驶为代表的大规模物联网应用对车联网技术提出了更高要求。集成无人机和 MEC(Multi-access Edge Computing)服务器的技术能够实现更低网络时延和动态调整覆盖范围，最近受到了广泛关注。该模型涵盖无人机位置部署、任务调度，以及两者的联合优化。首先，我们提出了一种基于能耗最小化的多无人机联合优化位置部署和任务调度的模型。为了更符合实际应用场景，增加了无人机覆盖面积重叠最小化目标，进一步提高模型的安全性。所研究的约束多目标优化问题属于大规模混合变量NP-hard问题，传统的数学规划算法在求解此类问题时可能会遇到复杂的计算和组合爆炸等挑战。而智能优化算法具有搜索能力强，收敛精度高等优点，更适用于求解此问题。差分进化算法作为一种优秀的智能优化算法，具有较高的适应能力和稳定性，适用于求解大规模优化问题。目前，该算法的研究主要集中在参数改进、策略优化和混合算法等方面，在种群规模、种群数量等方面研究相对较少，有待进一步挖掘。针对差分进化算法收敛精度不理想的问题，从算法设计和算法应用两个方面进行了研究。论文的主要工作包括以下几个方面。 一是针对差分进化算法在平衡勘探和开发能力的不足，提出了一种基于种群规模自适应的双种群差分进化算法(DPCDE)。具体来说，DPCHS 算法在种群停滞状态评价指标的基础上实时监测种群的搜索环境。此外，融合了双种群框架和种群规模自适应变化机制，以提高种群的动态调节能力。通过子种群之间的合作竞争，进一步强化了搜索力度和活性，提高算法优化能力。最后算法在CEC2020测试集上和SHADE、DE、IMODE以及NGHS算法进行独立实验的对比，验证了算法的有效性。 二是针对提出的多无人机联合优化无人机部署和任务调度的模型的难点，即具有混合变量的NP-hard多维度问题以及存在双层强耦合性结构，提出一种基于能耗均衡的引导-随机策略竞争的双种群差分进化算法(DPDE-EBSC)。首先，提出了一种新型编码机制，降低模型维度，提高求解效率。随后，提出一种双层算法框架联合优化嵌套模型，并融合了引导-随机策略竞争机制，以平衡算法的勘探和开发能力。最后，提出一种基于能耗均衡的双种群机制，帮助算法淘汰极端个体，为算法提供了多样性搜索框架。结合传统和新型优化算法在模型中进行了对比实验，分析表明，算法DPDE-EBSC能获得更高的优化性能。 三是针对约束多目标无人机联合优化模型的挑战，提出了一种动态优化的多阶段混合约束多种群算法(DPMsHC-DE)。首先，设计了多种群并行搜索框架，采用了Pareto排序和拥挤度距离进行种群的优化。其次，在提高安全性能方面，设计了一种安全可靠性评价方法，以评估种群的安全性能。在此基础上，为了平衡算法的优化性能，提出了一种基于可靠性和Pareto动态选择的多阶段混合约束处理技术。最后在模型中验证约束处理机制的有效性，并与不同类算法进行对比，验证了算法的优越性，有效地平衡了收敛性能和多样性能。
NETL