《Ad Hoc Networks》：CHEAO : A mobility-aware clustering approach using Enzyme Action Optimizer for Flying Ad Hoc Networks
编辑推荐：
飞行自组织网络（FANETs）因三维节点高速移动、拓扑动态变化和能耗严苛限制面临聚类挑战。本文提出CHEAO框架，通过混沌选择感知种子、约束驱动聚类修复和酶启发式进化优化三阶段，实现高稳定性、低能耗和负载均衡的动态聚类，仿真表明其优于LEACH-C等传统算法。
Aiswaryya Banerjee | Swarnendu Kumar Chakraborty
计算机科学与工程系，印度阿鲁纳恰尔邦Jote国家技术研究所，邮编791113
摘要
由于节点的三维移动性快速、拓扑结构动态变化以及严格的能量限制，飞行自组织网络（FANETs）在集群形成方面面临重大挑战。本研究介绍了基于“酶作用优化器”（CHEAO）的集群和首领选举方法，这是一种先进的集群框架，它将移动感知的多目标优化与酶作用优化器（EAO）相结合，以实现FANETs中的弹性、能效高且可扩展的集群管理。CHEAO框架采用三阶段方法：首先通过混沌资格感知的种子节点选择来选出稳健的首领节点（CH）；其次通过约束驱动的集群形成过程确保空间紧凑性和稳定性；最后利用进化元优化技术基于公平性对集群进行优化。仿真结果表明，在不同网络规模和移动性条件下，CHEAO在集群紧凑性、首领节点稳定性、负载平衡、能耗和覆盖范围保持等方面优于现有的集群方法。与LEACH-C、PSO-UFC、SOCS和BWOA相比，CHEAO在几何优化、结构可靠性、覆盖范围保持和凝聚力方面表现更佳。这些结果表明，CHEAO是一种适用于高度移动的无人驾驶飞行器（UAV）网络的可扩展且有效的集群方法。
引言
尽管网络化无人机系统（NUAVS）取得了显著进展，但为FANETS开发可靠且可扩展的通信协议仍然是一个未解决的问题[1]。这主要是由于3D拓扑结构的动态变化（包括位置和方向）、飞行器的高速度和机动性、有限的机载电源、由特定任务目标驱动的可变时间依赖性覆盖范围需求，以及无需基础设施即可快速部署网络的需求。由于这些特性，FANETS与典型的移动自组织网络（MANETS）和车辆自组织网络（VANETS）有显著区别。因此，为MANETS或VANETS设计的现有通信协议通常无法满足高密度空中部署中的许多应用需求，因为在这些环境中，链路中断和协调开销会显著增加。
通过将UAV分组到由选出的首领节点领导的较小且易于管理的团队中，集群已成为提高可扩展性、能效和通信可靠性的主要方法[2]。然而，尽管这些方法在改善FANETS的集群性能方面很有用，但目前至少存在四个严重问题：移动性导致的集群不稳定、选出的首领节点能耗不均、控制和配置的开销过高，以及仅针对个别性能指标（如能耗、移动性预测或链路质量）进行优化，而没有考虑这些指标之间的相互关系。总体而言，这些缺陷限制了现有FANET集群协议在动态运行环境中提供长期稳定性、效率和适应性的能力。
优化已成为许多研究领域中处理日益复杂决策问题的关键方法，包括但不限于特征选择、智能路由和混合学习系统。大多数研究表明，元启发式和基于AI的优化方法可以减少冗余特征[3]，提高分类准确性[4]，并改善FANETS中的路由效率[5]，这包括基于优化的拥塞控制、能量感知通信和基于学习的机制。然而，大多数研究仅关注独立的性能指标，而没有考虑稳定性优化、自适应调节或处理FANET拓扑变化的能力。上述挑战突显了需要一个能够根据网络拓扑动态变化调整行为的优化框架。
为了解决这些问题，我们提出了CHEAO方法。这是一种针对FANETS的新颖集群方法，结合了移动感知的多目标优化和酶作用优化器（EAO）。CHEAO的三个主要阶段包括：混沌资格感知的种子节点选择、约束驱动的集群形成和修复、以及进化元优化。这些阶段共同作用，能够创建比其他现有方法更稳定的小型集群，同时最小化能耗，并在每个首领节点所承担的负载之间实现良好的平衡。仿真结果表明，CHEAO在集群紧凑性、首领节点稳定性、负载平衡和总能耗方面优于之前的方法[1]；因此，它证明了其在高度动态的UAV网络中的适用性（见图1）。
本文的其余部分结构如下：第2节回顾了现有的FANET集群算法，并指出了其优缺点；第3节解释了开发所提出集群方法的动机并列出了其主要创新点；第4节定义了构建优化框架的元启发式算法EAO；第5节描述了提出的CHEAO集群算法方法，包括如何初始化首领节点、如何形成和修复集群，以及元优化过程的工作原理；第6节通过独立和比较仿真研究对CHEAO进行了全面评估，评估了其集群效率、首领节点稳定性、能量管理和网络覆盖范围；最后，第7节提出了结论和未来研究方向。本研究中使用的缩写和术语见表1。
相关研究
相关工作
基于集群的方法为FANETS中的可扩展性、能效和通信稳定性等问题提供了有效解决方案，而这些问题是传统自组织方法难以实现的。主要问题在于节点具有高移动性、高速度、三维部署以及快速变化的拓扑结构。根据几个指标，集群方法可以分为六类：基于位置的、基于能量的、基于信任的、基于学习的、多指标的和受生物启发的。
动机与贡献
由于FANETS中UAV部署的多种因素，应用于FANETS的集群技术存在许多严重问题。最重要的是UAV在三维空间中的高度动态性。大多数集群方法使用关于节点的静态信息来确定集群，无法充分反映节点的移动性和节点间连接的基于时间的稳定性，从而导致FANETS中的集群形成不稳定。
酶作用优化器（EAO）
EAO[32]借鉴了自然酶分子的原理，这些酶分子能够在不改变自身的情况下加速反应。它将可能的解决方案视为底物，而最佳解决方案则类似于酶的作用。EAO不是使用固定设置，而是使用可调参数来平衡探索新区域和改进已知区域。通过调整每个解决方案的进化程度，可以从广泛搜索转向有针对性的优化。因此，在应对变化挑战时，性能能够持续提升。
提出的方法（CHEAO框架）
CHEAO框架通过三个阶段促进FANETS中的动态首领节点优化：(i) 混沌资格感知的种子节点选择，(ii) 约束驱动的集群形成和修复，(iii) 通过EAO进行元优化。
EAO方法不是直接根据指标或基于规则过滤器来选择首领节点，而是与整个首领节点配置空间互动，并使用进化策略迭代改进候选配置。
结果与讨论
使用表5中的仿真研究对CHEAO集群算法进行了评估。该仿真研究考察了UAV网络的几个关键性能指标，包括集群效率、网络可扩展性、集群内服务质量（QoS）、首领节点稳定性、时间平衡、能效和负载调节。结果表明，CHEAO算法能够在保持集群质量的同时适应各种动态变化的网络环境。此外，与其他方法相比
结论与未来工作
CHEAO是一种专为FANETS设计的新型集群算法。它结合了节点移动信息和EAO，实现了稳健且高效的集群解决方案。在几何控制、稳定性和可扩展性这三个方面，CHEAO均优于LEACH-C、PSO-UFC、SOCS和BWOA。与竞争对手相比，集群半径减少了88%-96%，同时保持集群紧凑性超过90%，并减少了传输距离。CHEAO在所有网络条件下都能保持99%-100%的覆盖率。
CRediT作者贡献声明
Aiswaryya Banerjee：撰写 – 审稿与编辑、撰写原始草案、可视化、验证、软件开发、资源准备、方法论设计、数据整理、概念构建。Swarnendu Kumar Chakraborty：项目监督、项目管理。
患者同意声明
已从患者处获得书面知情同意，允许发表本研究及其附带的图像。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
