Bu tədqiqat, hareket hâlindeki simsiz sensor klaster başlarından məlumat toplayan tek bir dronun rotasını, sensörlerin haberleşme sırasında harcadığı ötürmə enerjisini azaltacak biçimde planlamayı amaçlamaktadır. Dronun uçabileceği toplam mesafe sabit tutulurken, dron ilə her hareketli klaster başı arasındaki rabitə məsafəsi küçültülmeye çalışılmıştır. Tədqiqatçılar bu problemi, marşrut uzunluğu kısıtını koruyan bir vektor sahəsi diferensial tənliyi və klaster başlarının ziyarət sırasını yeniden düzenleyen səyyar satıcı problemi tabanlı sezgisel üsullerle çözmüştür.

Önerilen çerçeve iki bağlantılı problemi ele almaktadır. İlk problem, belirli bir ziyarət sırası üçün dronun hansı noktalardan geçmesi gerektiğinin belirlenmesidir. İkinci problem ise hareketli klaster başlarının hansı sırayla ziyaret edilmesinin daha düşük iletişim maliyeti oluşturacağıdır. Sabit sıra üçün negatif amaç gradyanı, marşrut uzunluğu kısıtının teğet düzlemine izdüşürülmekte; ziyarət sırası ise proqnozlaşdırılan sensör konumları və ya optimize edilmiş dron geçiş noktaları üzerinden tekrar tekrar düzenlenmektedir.

Altı ssenari sınıfında gerçekleştirilen Monte Carlo simulyasiyalarınde klaster başı sayısı, hedeflerin drona göre hərəkət sürəti və klaster başı başına izin məlumatlen yol uzunluğu değiştirilmiştir. Her ssenari və üsul üçün 100 simulyasiya yapılmıştır. Tədqiqatçıların bildirdiğine göre FinalXY və FinalUV üsulleri xüsusiyyətle daha büyük və daha hızlı sistemlerde en düşük iletim maliyetlerini daha sık üretmiştir. Yirmi hareketli klaster başı bulunan ssenarilarda en iyi çözümlerin maliyeti çoğunlukla ilk sabit TSP sıralamasındaki maliyetin yüzde 10’undan düşük, 40 klaster başı bulunan ssenarilarda ise yüzde 5’inden düşük gerçekleşmiştir. Bu değerler, sırasıyla yaklaşık yüzde 90’ın və yüzde 95’in üzerinde göreli azalmaya karşılık gelmektedir.

Sonuçlar fiziksel enerji ölçümüne değil, dron ilə klaster başı arasındaki uzaklığın karesiyle orantılı kabul edilen bir simulyasiya amaç fonksiyonuna dayanmaktadır. Rüzgâr, engeller, üç boyutlu uçuş, paket kaybı, məlumat aktarım süresi, dronun hızlanma və dönüş kısıtları ilə konum tahmin hataları modellenmemiştir. Bu səbəbdən tədqiqat, gerçek sahada aynı enerji kazancının elde edileceğini və ya bütün koşullarda küresel olarak en iyi rotanın bulunduğunu kanıtlamamaktadır.

Türkiyə baxımından qiymətləndirmə: Önerilen üsul Türkiye’de hareketli hayvan sürülerine takılan sensörlerden məlumat toplanması, geniş tarım alanlarının izlenmesi, orman və yangın riski gözlemleri, hareketli tarım makineleriyle çalışan sensör ağları və ulaşılması güç çevresel gözlem bölgeleri üçün araşdırma modeli olarak uyarlanabilir. Uygulama öncesinde yerel arazi yapısı, rüzgâr, irtifa, haberleşme menzili, gerçek sensör güç eğrileri, dron bataryası, engeller və hava sahası koşulları sisteme eklenmelidir. Algoritma gerçek dronlar və sensör düğümleriyle saha denemelerinde karşılaştırılmalı; joule cinsinden enerji, məlumat teslim oranı, görev süresi və rota yeniden hesaplama gecikmesi ölçülmelidir. Çalışmadan Türkiye’de yüzde 90–95 enerji tasarrufu, mevzuata uygunluk və ya real vaxtlı və güvenli saha işletimi sonucu doğrudan çıkarılamaz.

Araşdırma hansı problemi çözmektedir?

Uzak və ya erişilmesi güç alanlardaki simsiz sensor ağları genellikle batarya ilə tədqiqatktadır. Sensörlerden merkezi bir istasyona doğrudan məlumat göndermek, xüsusiyyətle mesafe büyüdükçe yüksek enerji tüketimine yol açabilir. Çalışmada tek bir dron, sensör gruplarının məlumatsini biriktiren hareketli klaster başlarının yakınından geçerek mobil məlumat alıcısı görevini üstlenmektedir.

Dronun her klaster başının tam üzerinden geçmesi sensörlerin iletişim mesafesini azaltabilir; ancak dronun bataryası və görev süresi toplam marşrut uzunluğunu sınırlandırmaktadır. Bu səbəbdən əsas soru şudur: Dron, sabit bir toplam uçuş mesafesi içinde hareketli klaster başlarına hansı sırayla və ne kadar yaklaşmalıdır ki klaster başlarının toplam iletim maliyeti mümkün olduğunca düşük olsun?

Problem yalnızca geometrik bir rota problemi değildir. Küme başları hareket ettiği üçün dronun bir hedefe varış zamanı, hedefin o anda bulunacağı konumu belirlemektedir. Dronun önceki rota parçalarında yaptığı her değişiklik sonraki hedeflere varış zamanlarını və dolayısıyla sonraki iletişim uzaklıklarını da değiştirmektedir.

Sistem necə tasarlanmıştır?

Çalışmada sensörlerin kümeler hâlinde düzenlendiği kabul edilmektedir. Her kümedeki sensörler məlumatlerini bir klaster başına aktarmakta, dron ise doğrudan bütün sensörlerle değil bu hareketli klaster başlarıyla iletişim kurmaktadır. Çalışmanın 2. sayfasındaki Şekil 1, dronun hareketli hedeflerin yakınından geçen çok parçalı bir rota izlemesini və klaster başlarının məlumatyi drona iletmesini kavramsal olarak göstermektedir. Şekil önceki bir kaynaktan alınmış sistem şemasıdır; simulyasiya sonucunu göstermemektedir.

Modelin əsas varsayımları şunlardır:

• Küme başlarının zamana bağlı iki boyutlu konumları önceden bilinmektedir.
• Dron sabit hızlı kabul edilmektedir.
• Dronun kendi enerji tüketimi yalnızca uçtuğu toplam mesafeyle temsil edilmektedir.
• Dronun kullanabileceği azami marşrut uzunluğu sabittir.
• Bir klaster başından məlumat alınırken dronun konumu yaklaşık sabit kabul edilmektedir.
• İletim maliyeti, dron ilə klaster başı arasındaki uzaklığın bir kuvvetiyle orantılıdır.

Son varsayım, radyo haberleşmesindeki uzaklığa bağlı güç kaybını basitleştirilmiş biçimde temsil etmektedir. Benzetimlerde kuvvet üssü p = 2 seçilmiştir. Buna görə amaç fonksiyonu, iletişim anındaki uzaklıkların karelerinin toplamına dönüşmektedir.

Hareketli hedeflerin konumları necə hesaplanmaktadır?

j numaralı klaster başının zamana bağlı konumu şu biçimde gösterilmektedir:

\[ \bigl(X_j(t),Y_j(t)\bigr) \]

Dronun bu klaster başından məlumat aldığı keçid nöqtəsi ise:

\[ q_j=(u_j,v_j) \]

olarak tanımlanmaktadır. Dron başlangıç noktası \(q_0=(0,0)\) konumundan hareket etmekte və simulyasiyalerde yeniden aynı noktaya dönmektedir. Dronun j numaralı keçid nöqtəsina ulaşmadan önce katettiği mesafe:

\[ g_{j-1}(\vec{u},\vec{v}) = \sum_{k=0}^{j-1}\ell_k \]

ve her rota parçasının uzunluğu:

\[ \ell_k= \sqrt{(u_k-u_{k+1})^2+(v_k-v_{k+1})^2} \]

şeklindedir. Dron hızı \(s_d\) olduğunda ilgili varış zamanı:

\[ t_j=\frac{g_{j-1}(\vec{u},\vec{v})}{s_d} \]

olarak hesaplanmaktadır. Böylece klaster başının məlumat aktarımı anındaki konumu:

\[ x_j=X_j(t_j), \qquad y_j=Y_j(t_j) \]

olmaktadır. Bir keçid nöqtəsinın değiştirilmesi yalnızca o noktadaki rabitə məsafəsinı değil, sonraki varış zamanlarını və sonraki klaster başlarının konumlarını da etkileyebilmektedir.

İletim enerjisi amaç fonksiyonu necə kurulmuştur?

Dron ilə j numaralı klaster başı arasındaki rabitə məsafəsi:

\[ d_j= \sqrt{(x_j-u_j)^2+(y_j-v_j)^2} \]

olarak tanımlanmaktadır. Toplam iletim maliyeti şu amaç fonksiyonuyla temsil edilmektedir:

\[ f(\vec{u},\vec{v}) = \sum_{j=1}^{J} \left[ (x_j-u_j)^2+(y_j-v_j)^2 \right]^{p/2} = \sum_{j=1}^{J}d_j^p \]

Burada J klaster başı sayısını, p ise uzaklığa bağlı güç kaybı üssünü göstermektedir. Çalışmada gerçek məlumatci gücü, bit sayısı, kanal katsayısı və ya joule dönüşüm katsayısı modele eklenmemiştir. Bu səbəbdən f, gerçek enerji ölçümünden çok üsullerin karşılaştırılmasında kullanılan oransal bir iletişim maliyetidir.

Dron rotasının toplam uzunluğu:

\[ g(\vec{u},\vec{v}) = \sum_{j=0}^{J}\ell_j \]

olarak məlumatlmekte və aşağıdaki kısıt uygulanmaktadır:

\[ g(\vec{u},\vec{v})\leq L \]

Burada L, dronun batarya və görev koşullarıyla belirlenen azami marşrut uzunluğudur. Matematiksel problem:

\[ \min_{\vec{u},\vec{v}} f(\vec{u},\vec{v}) \quad \text{koşuluyla} \quad g(\vec{u},\vec{v})\leq L \]

şeklinde ifade edilmektedir.

Vektör alanı üsuli marşrut uzunluğunu necə korumaktadır?

Amaç fonksiyonunu en hızlı azaltan yön, negatif gradyan yönü olan \(-\nabla f\)’dir. Ancaq doğrudan bu yönde ilerlemek toplam marşrut uzunluğunu değiştirebilir. Tədqiqatçılar negatif amaç gradyanını, marşrut uzunluğu kısıtının gradyanına dik olan teğet düzleme izdüşürmektedir.

İzdüşürülmüş yön:

\[ -\nabla f+ \frac{\nabla f\cdot\nabla g} {\nabla g\cdot\nabla g}\nabla g \]

şeklindedir. Bu yönün \(\nabla g\) ilə iç çarpımı sıfırdır. Buna görə hareket, marşrut uzunluğu yüzeyinin teğet doğrultusunda gerçekleşmekte və \(g=L\) eşitliği korunmaktadır.

Tədqiqatçılar sayısal çözüm üçün şu vektör diferansiyel denklemini kullanmaktadır:

\[ \frac{d(\vec{u},\vec{v})}{d\tau} = -(\nabla g\cdot\nabla g)\nabla f + (\nabla f\cdot\nabla g)\nabla g \]

Buradaki \(\tau\), dronun gerçek uçuş zamanı değildir. Optimizasyon sırasında çözümün hansı yönde ilerlediğini gösteren yapay və ya sözde zamandır. Denklem boyunca marşrut uzunluğu korunurken amaç fonksiyonu azaltılmaktadır.

Yöntem, məlumatlen başlangıç çözümünün yakınındaki bir lokal minimuma ulaşmayı hedeflemektedir. Küresel en iyi çözüm, ancak başlangıç noktası uygun çözüm havzasında bulunuyorsa elde edilebilir. Bu səbəbdən tədqiqatçılar başlangıç sırasını və geçiş noktalarını iyileştirmek üçün ek sıralama algoritmaları kullanmıştır.

Başlangıç rotası necə oluşturulmaktadır?

İlk ziyarət sırası, hedeflerin tədqiqatda “orta zaman” olarak adlandırılan bir tahmin anındaki konumları üzerinde çözülen bir səyyar satıcı probleminden elde edilmektedir. Metinde bu zaman \(t_m=L/s_d\) biçiminde tanımlanmıştır. Bu değer, sabit hız varsayımında toplam rota süresine karşılık geldiğinden “orta zaman” ifadesinin matematiksel anlamı yeterince açıklanmamıştır.

Hedeflerin tamamına uğrayan tur uzunluğu izin məlumatlen L değerinden küçükse, dronun məlumat alma noktaları hedef konumlarına yerleştirilmektedir. Tur izin məlumatlen uzunluktan büyükse iç rota noktaları, başlangıç və bitiş noktalarının merkezi ilə klaster başları arasındaki doğrular boyunca ölçeklenmektedir. Ölçek katsayısı:

\[ k=\frac{L}{L_{\mathrm{tour}}} \]

olarak seçilmekte və böylece başlangıç rotasının uzunluğu izin məlumatlen değere getirilmektedir.

Ziyaret sırası niyə önemlidir?

Sabit hedeflerde kısa bir TSP turu uygun başlangıç sağlayabilir. Hareketli hedeflerde ise dronun hedefe varacağı sıradaki konum önemlidir. Başlangıçta yakın görünen bir hedef, dron ulaşıncaya kadar uzaklaşabilir; daha uzakta görünen başka bir hedef ise rotaya yaklaşabilir. Bu səbəbdən yalnızca başlangıç konumlarına göre belirlenen sabit sıra, yüksek iletişim uzaklıkları oluşturabilir.

Çalışma ziyarət sırasını doğrudan tek bir kesin matematiksel üsulle çözmemektedir. Bunun yerine sabit sıra üçün vektör alanı optimizasyonu ilə sıra değiştirme üsullerini dönüşümlü olarak çalıştıran hibrit bir çerçeve kullanmaktadır.

FinalXY üsuli necə tədqiqatktadır?

FinalXY üsuli önce mevcut ziyarət sırası üçün bütün rotayı optimize etmektedir. Daha sonra dronun her hedefe varış zamanı hesaplanmakta və klaster başlarının bu zamanlardaki tahmini konumları belirlenmektedir. Tahmini hedef konumları üzerinde yeni bir TSP çözülerek küresel ziyarət sırası yeniden oluşturulmaktadır.

Yeni sıra önceki sıradan farklıysa rota, önceki çözüm başlangıç tahmini olarak kullanılarak yeniden optimize edilmektedir. Daha önce görülen bir sıralama tekrar ortaya çıkıncaya kadar işlem sürdürülmekte və bütün yinelemelerde bulunan en düşük maliyetli çözüm saklanmaktadır.

Yöntemin avantajı, yalnızca sıranın küçük bir bölümünü değil bütün ziyaret dizisini yeniden yapılandırabilmesidir. Dezavantajı ise tekrar tekrar TSP çözülmesi niyəiyle hesap yükünün artabilmesidir.

FinalXY Greedy üsuli nədir?

FinalXY Greedy, FinalXY ilə aynı yinelemeli yapıyı kullanmakta; ancak yeni sıra üçün kesin TSP çözmek yerine en yakın komşu əsasli açgözlü bir yaklaşım uygulamaktadır. Böylece hesaplama maliyetinin düşürülmesi hedeflenmektedir.

Benzetim nəticələrı bu yaklaşımın xüsusiyyətle on klaster başı bulunan küçük sistemlerde rekabetçi olduğunu göstermektedir. Hedef sayısı, yol uzunluğu və ya hedef hızı arttığında FinalXY və FinalUV üsulleri genel olarak daha düşük maliyet üretmiştir.

FinalUV üsuli necə farklılaşmaktadır?

FinalUV üsuli, yeniden sıralama üçün hareketli hedeflerin tahmini son konumları yerine optimize edilmiş dron geçiş noktalarını kullanmaktadır. Başka bir ifadeyle yeni TSP, dronun mevcut çözümde məlumat topladığı \((u_j,v_j)\) noktaları üzerinde kurulmaktadır.

Bu üsul bazı ssenarilarda FinalXY’ye yakın enerji değerleri üretirken daha az yeniden sıralama yapmıştır. Çalışmanın 21. sayfasındaki Şekil 10, FinalUV’nin çeşitli ssenarilarda en düşük yeniden sıralama sayılarından birine sahip olduğunu göstermektedir.

Yuvarlanan sıralama üsulleri necə tədqiqatktadır?

Predicted Rolling üsuli rotanın başından sonuna doğru ilerlemekte, seçilen bir ziyaret indeksine ulaşıldığında henüz ziyaret edilmemiş hedeflerin o andaki tahmini konumlarını hesaplamaktadır. Kalan hedefler üçün yeni bir TSP sırası bulunmakta və rotanın henüz tamamlanmamış bölümü yeniden optimize edilmektedir. Önceden işlenmiş ziyaretler sabit tutulmaktadır.

Greedy Rolling aynı yapıyı kullanmakta, fakat kalan hedefleri kesin TSP yerine en yakın komşu yaklaşımıyla sıralamaktadır. Bu iki üsul yerel və aşamalı değişiklikler yaptığı üçün küresel sıra düzenlemelerine göre daha hızlı olabilir; ancak tədqiqat nəticələrında sık sık kendi üzerinden geçen və daha yüksek maliyet oluşturan yollar üretmiştir.

Ters yönlü sürümler niyə değerlendirilmiştir?

İlk TSP turunun ileri və ters yönleri aynı geometrik uzunluğa sahip olabilir. Hareketli hedeflerde ise bu iki sıra aynı varış zamanlarını və aynı iletişim uzaklıklarını üretmez. Bu səbəbdən beş əsas üsulin her biri ileri və ters başlangıç sırasıyla ayrı ayrı çalıştırılmıştır.

Tədqiqatçılar aynı əsas üsulin ileri və ters sürümleri bir arada değerlendirildiğinde elde edilen en iyi çözümü “birleşik üsul” olarak raporlamıştır. Bu yaklaşım, ek bir başlangıç çözümünü denemenin lokal minimum bağımlılığını azaltıp azaltmadığını göstermektedir.

Benzetim ssenariları necə oluşturulmuştur?

Küme başlarının başlangıç noktaları, kümelenmeyi azaltmak və alanı daha dengeli örneklemek amacıyla Halton yarı-təsadüfi dizileriyle oluşturulmuştur. Noktalar, dronun başlangıç noktasının çevresindeki 1 kilometre yarıçaplı bir daireye dağıtılmıştır.

Her klaster başının hızı sıfır ilə belirlenen azami hız arasında düzgün dağılımdan, hareket yönü ise düzgün açısal dağılımdan seçilmiştir. Kod açıklamasına göre klaster başları sabit hız və sabit yönle doğrusal hareket etmektedir. Dronun başlangıç və bitiş noktası \((0,0)\), iletim kaybı üssü ise \(p=2\)’dir.

Altı ssenari, hedef hızının, klaster başı sayısının və izin məlumatlen marşrut uzunluğunun etkisini ayrı ayrı değerlendirecek biçimde hazırlanmıştır. Her ssenarida her üsul üçün 100 simulyasiya yapılmıştır.

Enerji dağılımları nə göstərir?

Çalışmanın 13. sayfasındaki Şekil 2, her simulyasiyade bütün üsuller arasında bulunan en düşük amaç değerinin dağılımını göstermektedir. Düşük hız ssenarisunda değerlerin büyük bölümü sıfıra yakın bölgede yoğunlaşırken, yüksek hız ssenarisunda dağılım daha yüksek və daha geniş değerlere kaymaktadır. Bu durum hedeflerin hızlı hareket etmesinin dronun uygun yakınlaşma noktalarını bulmasını zorlaştırdığını göstermektedir.

Kısa yol ssenarisunda enerji değerlerinin əsas ssenariya göre yükseldiği görülmektedir. Dronun kullanabileceği yol kısaldığında hedeflere yaklaşma serbestliği azalmaktadır. Çalışma metni, bu etkinin hedef hızındaki artıştan daha sınırlı olduğunu belirtmektedir.

Kırk küme başlı büyük ssenarida toplam amaç değerlerinin beklenmedik biçimde daha düşük dağıldığı bildirilmiştir. Tədqiqatçılar bunu nəticə olarak aktarmakta, ancak hedef sayısı arttıkça toplam enerji değerinin niyə düşebildiğini ayrıntılı bir mekanizma və ya normalizasyon analiziyle açıklamamaktadır.

Hangi üsul en sık en iyi sonucu üretmiştir?

14. sayfadaki Şekil 3, her üsulin 100 örnek içinde kaç kez tek başına və ya başka üsullerle birlikte en düşük maliyeti ürettiğini göstermektedir. Küçük sistemde FinalXY Greedy üsuli güçlü performans göstermiştir. Temel, yüksek hızlı və büyük ssenarilarda FinalXY ilə ters sürümü en fazla en iyi çözüm üreten üsuller arasındadır. FinalUV və ters sürümü çoğu durumda onları yakından izlemiştir.

17. sayfadaki Şekil 6, ileri və ters sürümleri tek üsul altında birleştirmektedir. Temel, yüksek hızlı və büyük sistemlerde birleşik FinalXY açık biçimde en yüksek kazanma sayısına ulaşmaktadır. Büyük sistemde FinalUV de güçlü ikinci seçenek olarak görünmektedir.

Ortalama iletim maliyetleri necə değişmiştir?

15. sayfadaki Şekil 4, üsullerin enerji amaç değerlerinin ortalamasını, standart sapmasını və yüzde 5–95 yüzdelik aralığını göstermektedir. FinalXY və ters sürümü altı ssenarinun tamamında en düşük ortalama değerler arasında yer almaktadır. FinalUV de xüsusiyyətle əsas, yüksek hızlı və büyük sistemlerde FinalXY’ye yakın nəticələr üretmiştir.

Yuvarlanan üsuller bazı ssenarilarda daha yüksek ortalamalara və daha geniş dağılımlara sahiptir. Bu durum aynı üsulin farklı başlangıç yerleşimlerinde kararlı biçimde düşük maliyet üretemediğini göstermektedir.

18. sayfadaki Şekil 7, ileri və ters nəticələrın birleştirildiği karşılaştırmayı sunmaktadır. Düşük hızda FinalUV, FinalXY Greedy və FinalXY birbirine yakınken, hedef hızı və sistem büyüklüğü arttıkça FinalXY’nin avantajı daha belirgin hâle gelmektedir.

Yüzde iyileşmeler ne düzeydedir?

Çalışmada iyileşme oranı, ilk TSP sıralaması ilə optimize edilmiş çözüm arasındaki fark üzerinden hesaplanmaktadır:

\[ \text{İyileşme}(\%) = 100 \frac{E_{\mathrm{ilk}}-E_{\mathrm{son}}} {E_{\mathrm{ilk}}} \]

16. sayfadaki Şekil 5, üsullerin ayrı ayrı yüzde iyileşme dağılımlarını göstermektedir. Temel ssenarida FinalXY və FinalUV ailesinin ortalama iyileşmeleri yüzde 90’ın üzerindedir. Büyük ssenarida üsullerin büyük bölümü yüzde 90–100 aralığında yoğunlaşmaktadır.

19. sayfadaki Şekil 8, ileri və ters sürümlerin birleştirilmiş nəticələrını göstermektedir. Temel ssenarida FinalXY və FinalUV yaklaşık yüzde 95 düzeyine yaklaşan iyileşmeler üretmekte, büyük ssenarida nəticələr yüzde 100’e çok yakın bir bölgede toplanmaktadır. Bunlar grafikten və başlangıç amaç değerine göre hesaplanan göreli nəticələrdır; gerçek bir sensörün batarya tüketiminde ölçülen yüzde değerleri değildir.

Yöntemler ne kadar sürede çalışmıştır?

20. sayfadaki Şekil 9, tədqiqat sürelerini logaritmik yatay eksende göstermektedir. Küme başı sayısı, hedef hızı və izin məlumatlen yol uzunluğu arttıkça üsullerin tədqiqat süresi yükselmiştir. Açgözlü üsuller çoğu durumda FinalXY’den hızlıdır.

FinalUV, TSP tabanlı olmasına rağmen bazı ssenarilarda açgözlü üsullerle benzer və ya daha kısa sürede tamamlanmıştır. Tədqiqatçılar bunu FinalUV’nin daha az yeniden sıralama yapmasıyla açıklamaktadır.

Benzetimler Intel Core i5-10400, 2,9 GHz işlemci və 12 GB RAM bulunan standart bir masaüstü bilgisayarda yürütülmüştür. Çalışma, 40 küme başlı sistemlerin en iyi rotalarının saniyeler içinde hesaplanabildiğini bildirmektedir. Ancaq bu süre yalnızca algoritmanın masaüstü işlem süresidir; sensör məlumatsinin alınması, konum bilgisinin güncellenmesi, uçuş kontrolüne aktarım və iletişim gecikmeleri dâhil değildir.

Rota görselleri nə göstərir?

22. sayfadaki Şekil 11, əsas ssenaridan seçilen tek bir örnekte bütün ileri və ters üsullerin rotalarını karşılaştırmaktadır. FinalXY və FinalUV yolları daha düzenli çokgenler oluştururken Predicted Rolling və Greedy Rolling üsullerinde kendi üzerinden geçen rota parçaları daha sık görülmektedir.

Tədqiqatçılar, kendi üzerinden geçen yollar ilə yüksek enerji amaç değerleri arasında ilişki olabileceğini belirtmektedir. Ancaq tədqiqat bu ilişkiyi ayrı bir istatistiksel testle ölçmemiştir. Şekil yalnızca seçilmiş tek bir örneği göstermektedir və bütün simulyasiyalerin geometrik davranışını tek başına temsil etmez.

Çalışmanın desteklediği əsas nəticələr nelerdir?

• Hareketli klaster başları üçün yalnızca başlangıç konumlarına dayalı sabit TSP sırası, düşük iletişim maliyeti sağlamakta yetersiz kalabilmektedir.
• Sabit ziyarət sırası üçün vektör alanı üsuli, marşrut uzunluğunu koruyarak amaç fonksiyonunu yerel olarak azaltabilmektedir.
• Rota optimizasyonu ilə ziyarət sırasının dönüşümlü olarak güncellenmesi, ilk sabit sıraya göre büyük göreli iyileşmeler sağlamıştır.
• FinalXY, xüsusiyyətle hızlı, uzun rotalı və çok hedefli ssenarilarda test edilen üsuller arasında en sık en düşük maliyeti üretmiştir.
• FinalUV, FinalXY’ye yakın performansı bazı durumlarda daha az yeniden sıralamayla sağlamıştır.
• FinalXY Greedy, küçük hedef kümelerinde daha düşük hesap yüküyle rekabetçi olabilmektedir.
• İleri və ters başlangıç sıralarının birlikte denenmesi, tek bir başlangıç yönüne bağlı kalmaktan daha iyi nəticələr oluşturabilmektedir.

Çalışma neyi kanıtlamamaktadır?

• Bulunan rotaların bütün olası rotalar arasında küresel olarak en iyi olduğunu kanıtlamamaktadır.
• İletim enerjisinin gerçek sensör donanımında aynı oranda azalacağını göstermemektedir.
• Algoritmanın gerçek bir dron, radyo modülü və ya hərəkətli sensorle saha testini sunmamaktadır.
• Engelli, rüzgârlı və ya üç boyutlu ortamlarda güvenli uçuşu göstermemektedir.
• Hedeflerin hız və yön değiştirdiği karmaşık hareketlerde aynı performansın korunacağını göstermemektedir.
• Konum ölçüm hataları, haberleşme kesintileri və paket kaybı karşısındaki dayanıklılığı ölçmemektedir.
• Dronun dönüş açısı, ivmesi, azami yatış açısı və ya minimum dönüş yarıçapı gibi uçuş dinamiği kısıtlarını değerlendirmemektedir.
• İki optimizasyon hedefinden maksimum tekil klaster başı enerjisini azaltma seçeneğini sayısal təcrübələrle test etmemektedir.

Çalışmanın güçlü yönleri nelerdir?

Çalışmanın əsas güçlü yönü, hareketli hedeflerin varış anındaki konumlarını amaç fonksiyonuna doğrudan dâhil etmesidir. Böylece hedef hareketi, marşrut optimallaşdırılmasından bağımsız bir son işlem olarak değil problemin matematiksel yapısının parçası olarak ele alınmıştır.

Rota uzunluğu kısıtını vektör alanı içinde koruyan diferansiyel denklem, her sayısal adımda yeniden bağımsız bir kısıtlı optimizasyon problemi çözmek yerine sürekli bir iyileştirme yönü sunmaktadır. Amaç fonksiyonunun və rota kısıtının gradyanları tədqiqatda ayrıntılı biçimde türetilmiştir.

Altı ssenari sınıfı, hedef hızı, hedef sayısı və rota bütçesinin etkilerini ayırmaya tədqiqatktadır. Her ssenarida 100 örneğin kullanılması, nəticələrın yalnızca tek bir rastgele yerleşime dayanmasını önlemektedir. Kodun açık bir GitHub deposunda paylaşılması da yeniden üretilebilirliği desteklemektedir.

Başlıca üsulsel məhdudiyyətlar nelerdir?

• Optimizasyon üsuli sabit bir sıra üçün lokal minimum üretmektedir; qlobal optimum garantisi bulunmamaktadır.
• Ziyaret sırası kesin bir bütünleşik optimizasyonla değil birkaç sezgisel üsulin karşılaştırılmasıyla belirlenmektedir.
• Enerji amaç fonksiyonu fiziksel birim və gerçek radyo donanımı katsayıları içermemektedir.
• Küme başları iki boyutlu düzlemde sabit hız və doğrusal hareketle modellenmiştir.
• Dronun kendi enerji tüketimi yalnızca marşrut uzunluğuyla temsil edilmiştir.
• İletim sırasında dronun hareket etmediği və ya hareketinin ihmal edilebilir olduğu varsayılmıştır.
• Rota uzunluğu problemi başlangıçta \(g\leq L\) olarak tanımlansa da vektör alanı uygulaması \(g=L\) eşitlik yüzeyinde yürütülmektedir.
• Hedeflerin ilk TSP sırası üçün kullanılan \(t_m=L/s_d\) değeri “orta zaman” olarak adlandırılmıştır; ancak bu değer toplam rota süresine karşılık gelmektedir.
• Sonuçlarda üsul sayısı bazı metin bölümlerinde “sekiz” və ya kod açıklamasında “altı” olarak ifade edilirken Şekil 11 on ileri və ters üsuli göstermektedir.
• Gerçek zamanlılık yalnız masaüstü simulyasiya tədqiqat süresine dayanmaktadır.
• Fiziksel saha təcrübəi, bağımsız yeniden uygulama və ya başka rota algoritmalarıyla geniş benchmark karşılaştırması sunulmamıştır.

Gelecekte hansı doğrulamalar yapılmalıdır?

Yöntemin ilk olarak gerçek radyo məlumatcilerinin mesafe, güç seviyesi, məlumat miktarı və paket teslim oranına bağlı enerji tüketimiyle kalibre edilmesi gerekir. Amaç fonksiyonundaki uzaklık kuvveti, ölçülmüş kanal kaybı və haberleşme protokolü değerleriyle değiştirilmelidir.

Daha sonra engeller, üç boyutlu irtifa, rüzgâr, azami hız, ivme, dönüş yarıçapı, güvenli mesafe və hava sahası sınırları eklenmelidir. Hedeflerin yön değiştirdiği, konum ölçümlerinin gecikmeli və ya hatalı olduğu və məlumat bağlantısının kesildiği ssenarilar ayrı ayrı test edilmelidir.

FinalXY, FinalUV və açgözlü üsullerin performansı, aynı məlumat kümeleri və aynı hesaplama bütçesi altında başka dinamik TSP, model öngörülü kontrol, meta-sezgisel və karma tamsayılı optimizasyon yaklaşımlarıyla karşılaştırılmalıdır. Yerel minimum bağımlılığını ölçmek üçün daha fazla başlangıç sırası və küresel alt sınırlar kullanılmalıdır.

Tədqiqatın metodu və nəticələri

Deneysel olmayan mühendislik doğrulaması

Çalışma fiziksel təcrübə yerine matematiksel model və bilgisayar simulyasiyai kullanmaktadır. Her Monte Carlo örneğinde klaster başlarının başlangıç konumları və hızları yeniden üretilmiş, bütün üsuller aynı örnek üzerinde çalıştırılarak amaç değeri, tədqiqat süresi və yeniden sıralama sayısı karşılaştırılmıştır.

Altı simulyasiya ssenarisu

Karşılaştırılan rota sıralama üsulleri

Temel bulguların özeti

Sonuçların doğru yorumlanması

“Yüzde 90 iyileşme”, optimize edilmiş çözümün gerçek sensör bataryasını yüzde 90 daha uzun çalıştırdığı anlamına gelmemektedir. Bu ifade, başlangıç TSP sırasındaki uzaklık tabanlı amaç değeriyle optimize edilmiş amaç değeri arasındaki göreli farkı göstermektedir.

Benzer biçimde “en iyi üsul”, matematiksel olarak bütün olası rotalar içinde qlobal optimumu bulan üsul anlamında kullanılmamalıdır. FinalXY, test edilen algoritmalar və başlangıç çözümleri arasında en düşük amaç değerini en sık bulan üsuldir.

“Gerçek zamanlı” sonucu da saha sisteminin uçtan uca gecikmesini değil, rota hesaplamasının kullanılan masaüstü bilgisayarda saniyeler içinde tamamlanmasını ifade etmektedir.

Kod yapısı və yeniden üretilebilirlik

Kaynak kodun paylaşılması üsulin yeniden uygulanmasını kolaylaştırmaktadır. Ancaq tədqiqat, belirli bir yazılım sürümü dosyası, bağımlılık kilidi, rastgelelik tohumları və ya bağımsız yeniden istehsal raporu sunmamaktadır. Buna görə kod açıklığı, bildirilen bütün nəticələrın başka bir sistemde aynı biçimde üretileceğini tek başına garanti etmemektedir.

Mənbə və metod qeydi

Bu tədqiqat, hakemli bir dergide yayımlandığı doğrulanmamış bir SSRN preprintidir. Sonuçları bu məhdudiyyət dikkate alınarak değerlendirilmelidir. DOI, SSRN tədqiqat kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI olarak sunulmamalıdır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen tədqiqatya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca tədqiqat adı, yazarlar, kurum bağlantısı, SSRN kaydı, DOI, yükleme tarihi və resmî bağlantı gibi bibliyografik kimlik bilgilerinin doğrulanması amacıyla kullanılmıştır. Çalışmada bulunmayan dış təcrübə sonucu və ya ek bilimsel performans məlumatsi eklenmemiştir.

Araşdırmanın ana sonucu, hareketli hedefler üçün rota geometrisi ilə ziyarət sırasını birlikte və yinelemeli biçimde güncellemenin, başlangıçtaki statik TSP sırasına göre uzaklık tabanlı iletişim maliyetini önemli ölçüde düşürebildiğidir. Bununla belə bu nəticə; iki boyutlu, sabit hızlı, engelsiz, tam konum bilgisine sahip və idealize edilmiş bir simulyasiya ortamıyla sınırlıdır.

Çalışmanın nəticələrı gerçek batarya ömrü, joule cinsinden enerji, güvenli uçuş, saha haberleşme güvenilirliği və ya hukuki işletilebilirlik sonucu olarak yorumlanmamalıdır. Bağımsız uygulama, fiziksel dron və sensör təcrübələri ilə gerçek kanal və uçuş dinamikleri kullanılarak doğrulama gerekmektedir.