一种智能仿生、多目标且可扩展的无人机辅助聚类算法在飞行自组织网络中的应用

更聪明的空中无人机群

想象数队无人机协同工作，在地震后搜寻幸存者、监测野火或巡查农田。要做到这些，数百架飞行机器人必须快速互联，同时又不能耗尽电池。本文探讨了如何组织这样的“无人机群”，使其保持连通、快速响应并延长续航——并从一个看似意想不到的来源借鉴灵感：秘书鸟的捕猎行为。

为何飞行网络难以驯服

现代无人机可以形成工程师所称的飞行自组织网络（FANET）——仅存在于天空的无线网。与地面网络不同，这些无人机在三维空间中移动、方向变化迅速，且受限于电池寿命。如果每架无人机都尝试与所有其他无人机直接通信，信号会发生碰撞、延迟增加、电池也会迅速耗尽。一种常见的解决方案是形成簇：由“簇头”领导的小群体负责协调本地消息并与其他簇头通信。但选出哪些无人机应成为领导者，以及随着群体移动何时重新分配这些角色，始终是一个不断变化的难题。

借鉴掠食性鸟类的策略

作者采用了一种仿生思想，称为秘书鸟优化算法（SBOA）。秘书鸟以在广阔区域观察，然后收拢并用精准的脚击捕食而著称。SBOA在软件中复制了这一模式：它先在无人机群中探索多种可能的簇头分配方案，然后逐步收敛到最有希望的选项。在每一步，算法会问三个问题：每个簇内的无人机是否足够接近？被选为领导的无人机电量是否仍然充足？以及工作负载是否公平分配，避免个别簇头过载而其他簇头闲置？通过将其视为一个多目标问题，算法将距离、能量和公平性同时加以平衡。

在虚拟环境中测试无人机群

为了验证这种受鸟类启发的策略是否有效，团队构建了详细的计算机仿真。他们在不同大小的三维虚拟空间中投放30到160架无人机，区域从1平方公里到15×15平方公里不等，并让它们按照简单的移动模型飞行。通信范围在100到900米之间变化。对于每种情形，SBOA与三种同样仿自然行为的先进替代方法进行了比较：火鹰优化（FHOA）、波西亚蜘蛛优化（PSOA）以及基于精子受精的多目标方法（MOSFP）。研究者跟踪了簇的数量、稳定结构形成的速度、领导职责的分配均匀性，以及将距离、能耗和负载平衡合并为单一得分的“适应度”。

模拟揭示的结果

在几乎所有测试中，SBOA都表现领先。它经常比对手实现高达15%的适应度提升，聚类效率约提高10%，簇头间的负载均衡约提高40%。在基于时间的实验中，秘书鸟策略在更少的仿真帧内达到了稳定的簇结构，尤其是在无人机数量增加时更为显著。即便在稀疏且辽阔的三维区域中（无人机相距较远），SBOA仍能保持超过85%的最佳可达适应度，表明它能适应密集簇和分散编队。表面图、t-SNE映射和小提琴图等可视化工具证实，SBOA产生了更紧凑、更清晰的簇，且簇头工作量的变异比其他方法更小。

从仿真到真实任务

研究总结指出，受秘书鸟启发的策略为管理无人机群提供了一种有力方案：它能高效地维持无人机分组、公平分配领导工作，并在条件变化时平稳应对。对普通读者而言，这意味着未来的救援、农业或监测无人机队可以通过更好的自组织来延长连通时间、减少电量浪费并提高响应可靠性。作者同时指出，真实世界中的因素——如阵风、GPS误差和无线电干扰——仍需进一步测试，他们建议下一步引入基于学习的运动预测和更智能的路由。但作为通向稳健空中网络的一步，SBOA表明观察大草原上自然的捕猎方式可以显著提升我们空中机器人助理的能力。

引用: Aslam, Z., Rahman, T., Husnain, G. et al. An intelligent bio-inspired multi-objective and scalable UAV-assisted clustering algorithm in flying ad hoc networks. Sci Rep 16, 4870 (2026). https://doi.org/10.1038/s41598-026-35196-z

关键词: 无人机群, 无线通信, 仿生算法, 节能网络, 飞行自组织网络