Бул изилдөө, hareket hâlindeki зымсыз сенсор кластер башчыларыndan маалымат toplayan tek bir dronun rotasını, sensörlerin haberleşme sırasında harcadığı берүү энергиясыni azaltacak biçimde planlamayı amaçlamaktadır. Dronun uçabileceği toplam mesafe sabit tutulurken, dron менен her hareketli кластер башчысы arasındaki байланыш аралык küçültülmeye çalışılmıştır. Изилдөөчүлөр bu problemi, маршрут узундугу kısıtını koruyan bir вектор талаасынын дифференциалдык теңдемеси жана кластер башчыларыnın баруу тартибиnı yeniden düzenleyen кыдыруучу сатуучу маселеси tabanlı sezgisel ыкмаlerle çözmüştür.

Önerilen çerçeve iki bağlantılı problemi ele almaktadır. İlk problem, belirli bir баруу тартиби үчүн dronun кайсы noktalardan geçmesi gerektiğinin belirlenmesidir. İkinci problem ise hareketli кластер башчыларыnın кайсы sırayla ziyaret edilmesinin daha düşük iletişim maliyeti oluşturacağıdır. Sabit sıra үчүн negatif amaç gradyanı, маршрут узундугу kısıtının teğet düzlemine izdüşürülmekte; баруу тартиби ise болжолдонгон sensör konumları же optimize edilmiş dron geçiş noktaları üzerinden tekrar tekrar düzenlenmektedir.

Altı сценарий sınıfında gerçekleştirilen Monte Carlo симуляцияларыnde кластер башчысы sayısı, hedeflerin drona göre кыймыл ылдамдыгы жана кластер башчысы başına izin маалыматlen yol uzunluğu değiştirilmiştir. Her сценарий жана ыкма үчүн 100 симуляция yapılmıştır. Изилдөөчүлөрın bildirdiğine göre FinalXY жана FinalUV ыкмаleri өзгөчөлүкle daha büyük жана daha hızlı sistemlerde en düşük iletim maliyetlerini daha sık üretmiştir. Yirmi hareketli кластер башчысы bulunan сценарийlarda en iyi çözümlerin maliyeti çoğunlukla ilk sabit TSP sıralamasındaki maliyetin yüzde 10’undan düşük, 40 кластер башчысы bulunan сценарийlarda ise yüzde 5’inden düşük gerçekleşmiştir. Bu değerler, sırasıyla yaklaşık yüzde 90’ın жана yüzde 95’in üzerinde göreli azalmaya karşılık gelmektedir.

Sonuçlar fiziksel enerji ölçümüne değil, dron менен кластер башчысы arasındaki uzaklığın karesiyle orantılı kabul edilen bir симуляция amaç fonksiyonuna dayanmaktadır. Rüzgâr, engeller, üç boyutlu uçuş, paket kaybı, маалымат aktarım süresi, dronun hızlanma жана dönüş kısıtları менен konum tahmin hataları модельlenmemiştir. Ошондуктан изилдөө, gerçek sahada aynı enerji kazancının elde edileceğini же bütün koşullarda küresel olarak en iyi rotanın bulunduğunu kanıtlamamaktadır.

Түркия жагынан баалоо: Önerilen ыкма Türkiye’de hareketli hayvan sürülerine takılan sensörlerden маалымат toplanması, geniş tarım alanlarının izlenmesi, orman жана yangın riski gözlemleri, hareketli tarım makineleriyle çalışan sensör ağları жана ulaşılması güç çevresel gözlem bölgeleri үчүн изилдөө модельi olarak uyarlanabilir. Uygulama öncesinde yerel arazi yapısı, rüzgâr, irtifa, haberleşme menzili, gerçek sensör güç eğrileri, dron bataryası, engeller жана hava sahası koşulları sisteme eklenmelidir. Algoritma gerçek dronlar жана sensör düğümleriyle saha denemelerinde karşılaştırılmalı; joule cinsinden enerji, маалымат teslim oranı, görev süresi жана rota yeniden hesaplama gecikmesi ölçülmelidir. Çalışmadan Türkiye’de yüzde 90–95 enerji tasarrufu, mevzuata uygunluk же реалдуу убакыттагы жана güvenli saha işletimi sonucu doğrudan çıkarılamaz.

Изилдөө кайсы problemi çözmektedir?

Uzak же erişilmesi güç alanlardaki зымсыз сенсор ağları genellikle batarya менен изилдөөktadır. Sensörlerden merkezi bir istasyona doğrudan маалымат göndermek, өзгөчөлүкle mesafe büyüdükçe yüksek enerji tüketimine yol açabilir. Çalışmada tek bir dron, sensör gruplarının маалыматsini biriktiren hareketli кластер башчыларыnın yakınından geçerek mobil маалымат alıcısı görevini üstlenmektedir.

Dronun her кластер башчысыnın tam üzerinden geçmesi sensörlerin iletişim mesafesini azaltabilir; ancak dronun bataryası жана görev süresi toplam маршрут узундугуnu sınırlandırmaktadır. Ошондуктан негизги soru şudur: Dron, sabit bir toplam uçuş mesafesi içinde hareketli кластер башчыларыna кайсы sırayla жана ne kadar yaklaşmalıdır ki кластер башчыларыnın toplam iletim maliyeti mümkün olduğunca düşük olsun?

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

Sistem кантип tasarlanmıştır?

Çalışmada sensörlerin kümeler hâlinde düzenlendiği kabul edilmektedir. Her kümedeki sensörler маалыматlerini bir кластер башчысыna aktarmakta, dron ise doğrudan bütün sensörlerle değil bu hareketli кластер башчыларыyla iletişim kurmaktadır. Çalışmanın 2. sayfasındaki Şekil 1, dronun hareketli hedeflerin yakınından geçen çok parçalı bir rota izlemesini жана кластер башчыларыnın маалыматyi drona iletmesini kavramsal olarak göstermektedir. Şekil önceki bir kaynaktan alınmış sistem şemasıdır; симуляция sonucunu göstermemektedir.

Modelin негизги 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 маршрут узундугу sabittir.
• Bir кластер башчысыndan маалымат alınırken dronun konumu yaklaşık sabit kabul edilmektedir.
• İletim maliyeti, dron менен кластер башчысы arasındaki uzaklığın bir kuvvetiyle orantılıdır.

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

Hareketli hedeflerin konumları кантип hesaplanmaktadır?

j numaralı кластер башчысыnın zamana bağlı konumu şu biçimde gösterilmektedir:

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

Dronun bu кластер башчысыndan маалымат aldığı өтүү чекити ise:

\[ q_j=(u_j,v_j) \]

olarak tanımlanmaktadır. Dron başlangıç noktası \(q_0=(0,0)\) konumundan hareket etmekte жана симуляцияlerde yeniden aynı noktaya dönmektedir. Dronun j numaralı өтүү чекитиna 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 кластер башчысыnın маалымат aktarımı anındaki konumu:

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

olmaktadır. Bir өтүү чекитиnın değiştirilmesi yalnızca o noktadaki байланыш аралыкnı değil, sonraki varış zamanlarını жана sonraki кластер башчыларыnın konumlarını da etkileyebilmektedir.

İletim enerjisi amaç fonksiyonu кантип kurulmuştur?

Dron менен j numaralı кластер башчысы arasındaki байланыш аралык:

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

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 кластер башчысы sayısını, p ise uzaklığa bağlı güç kaybı üssünü göstermektedir. Çalışmada gerçek маалыматci gücü, bit sayısı, kanal katsayısı же joule dönüşüm katsayısı модельe eklenmemiştir. Ошондуктан f, gerçek enerji ölçümünden çok ыкмаlerin karşılaştırılmasında kullanılan oransal bir iletişim maliyetidir.

Dron rotasının toplam uzunluğu:

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

olarak маалыматlmekte жана aşağıdaki kısıt uygulanmaktadır:

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

Burada L, dronun batarya жана görev koşullarıyla belirlenen azami маршрут узундугуdur. 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 ыкмаi маршрут узундугуnu кантип korumaktadır?

Amaç fonksiyonunu en hızlı azaltan yön, negatif gradyan yönü olan \(-\nabla f\)’dir. Бирок doğrudan bu yönde ilerlemek toplam маршрут узундугуnu değiştirebilir. Изилдөөчүлөр negatif amaç gradyanını, маршрут узундугу 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 \(\nabla g\) менен iç çarpımı sıfırdır. Демек hareket, маршрут узундугу yüzeyinin teğet doğrultusunda gerçekleşmekte жана \(g=L\) eşitliği korunmaktadır.

Изилдөөчүлөр sayısal çözüm үчүн 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 кайсы yönde ilerlediğini gösteren yapay же sözde zamandır. Denklem boyunca маршрут узундугу korunurken amaç fonksiyonu azaltılmaktadır.

Yöntem, маалыматlen başlangıç çözümünün yakınındaki bir локалдык минимумa ulaşmayı hedeflemektedir. Küresel en iyi çözüm, ancak başlangıç noktası uygun çözüm havzasında bulunuyorsa elde edilebilir. Ошондуктан изилдөөчүлөр başlangıç sırasını жана geçiş noktalarını iyileştirmek үчүн ek sıralama algoritmaları kullanmıştır.

Başlangıç rotası кантип oluşturulmaktadır?

İlk баруу тартиби, hedeflerin изилдөөda “orta zaman” olarak adlandırılan bir tahmin anındaki konumları üzerinde çözülen bir кыдыруучу сатуучу маселесиnden 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 маалыматlen L değerinden küçükse, dronun маалымат alma noktaları hedef konumlarına yerleştirilmektedir. Tur izin маалыматlen uzunluktan büyükse iç rota noktaları, başlangıç жана bitiş noktalarının merkezi менен кластер башчылары arasındaki doğrular boyunca ölçeklenmektedir. Ölçek katsayısı:

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

olarak seçilmekte жана böylece başlangıç rotasının uzunluğu izin маалыматlen değere getirilmektedir.

Ziyaret sırası эмне үчүн 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. Ошондуктан yalnızca başlangıç konumlarına göre belirlenen sabit sıra, yüksek iletişim uzaklıkları oluşturabilir.

Çalışma баруу тартибиnı doğrudan tek bir kesin matematiksel ыкмаle çözmemektedir. Bunun yerine sabit sıra үчүн vektör alanı optimizasyonu менен sıra değiştirme ыкмаlerini dönüşümlü olarak çalıştıran hibrit bir çerçeve kullanmaktadır.

FinalXY ыкмаi кантип изилдөөktadır?

FinalXY ыкмаi önce mevcut баруу тартиби үчүн bütün rotayı optimize etmektedir. Daha sonra dronun her hedefe varış zamanı hesaplanmakta жана кластер башчыларыnın bu zamanlardaki tahmini konumları belirlenmektedir. Tahmini hedef konumları üzerinde yeni bir TSP çözülerek küresel баруу тартиби 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 жана 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 эмне үчүнiyle hesap yükünün artabilmesidir.

FinalXY Greedy ыкмаi эмне?

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

Benzetim натыйжаларı bu yaklaşımın өзгөчөлүкle on кластер башчысы bulunan küçük sistemlerde rekabetçi olduğunu göstermektedir. Hedef sayısı, yol uzunluğu же hedef hızı arttığında FinalXY жана FinalUV ыкмаleri genel olarak daha düşük maliyet üretmiştir.

FinalUV ыкмаi кантип farklılaşmaktadır?

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

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

Yuvarlanan sıralama ыкмаleri кантип изилдөөktadır?

Predicted Rolling ыкмаi rotanın başından sonuna doğru ilerlemekte, seçilen bir ziyaret indeksine ulaşıldığında henüz ziyaret edilmemiş hedeflerin o andaki tahmini konumlarını hesaplamaktadır. Kalan hedefler үчүн yeni bir TSP sırası bulunmakta жана 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 ыкма yerel жана aşamalı değişiklikler yaptığı үчүн küresel sıra düzenlemelerine göre daha hızlı olabilir; ancak изилдөө натыйжаларında sık sık kendi üzerinden geçen жана daha yüksek maliyet oluşturan yollar üretmiştir.

Ters yönlü sürümler эмне үчүн değerlendirilmiştir?

İlk TSP turunun ileri жана ters yönleri aynı geometrik uzunluğa sahip olabilir. Hareketli hedeflerde ise bu iki sıra aynı varış zamanlarını жана aynı iletişim uzaklıklarını üretmez. Ошондуктан beş негизги ыкмаin her biri ileri жана ters başlangıç sırasıyla ayrı ayrı çalıştırılmıştır.

Изилдөөчүлөр aynı негизги ыкмаin ileri жана ters sürümleri bir arada değerlendirildiğinde elde edilen en iyi çözümü “birleşik ыкма” olarak raporlamıştır. Bu yaklaşım, ek bir başlangıç çözümünü denemenin локалдык минимум bağımlılığını azaltıp azaltmadığını göstermektedir.

Benzetim сценарийları кантип oluşturulmuştur?

Küme başlarının başlangıç noktaları, kümelenmeyi azaltmak жана alanı daha dengeli örneklemek amacıyla Halton жарым-туш келди dizileriyle oluşturulmuştur. Noktalar, dronun başlangıç noktasının çevresindeki 1 kilometre yarıçaplı bir daireye dağıtılmıştır.

Her кластер башчысыnın hızı sıfır менен belirlenen azami hız arasında düzgün dağılımdan, hareket yönü ise düzgün açısal dağılımdan seçilmiştir. Kod açıklamasına göre кластер башчылары sabit hız жана sabit yönle doğrusal hareket etmektedir. Dronun başlangıç жана bitiş noktası \((0,0)\), iletim kaybı üssü ise \(p=2\)’dir.

Altı сценарий, hedef hızının, кластер башчысы sayısının жана izin маалыматlen маршрут узундугуnun etkisini ayrı ayrı değerlendirecek biçimde hazırlanmıştır. Her сценарийda her ыкма үчүн 100 симуляция yapılmıştır.

Enerji dağılımları эмнени көрсөтөт?

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

Kısa yol сценарийsunda enerji değerlerinin негизги сценарийya 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 сценарийda toplam amaç değerlerinin beklenmedik biçimde daha düşük dağıldığı bildirilmiştir. Изилдөөчүлөр bunu натыйжа olarak aktarmakta, ancak hedef sayısı arttıkça toplam enerji değerinin эмне үчүн düşebildiğini ayrıntılı bir mekanizma же normalizasyon analiziyle açıklamamaktadır.

Hangi ыкма en sık en iyi sonucu üretmiştir?

14. sayfadaki Şekil 3, her ыкмаin 100 örnek içinde kaç kez tek başına же başka ыкмаlerle birlikte en düşük maliyeti ürettiğini göstermektedir. Küçük sistemde FinalXY Greedy ыкмаi güçlü performans göstermiştir. Temel, yüksek hızlı жана büyük сценарийlarda FinalXY менен ters sürümü en fazla en iyi çözüm üreten ыкмаler arasındadır. FinalUV жана ters sürümü çoğu durumda onları yakından izlemiştir.

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

Ortalama iletim maliyetleri кантип değişmiştir?

15. sayfadaki Şekil 4, ыкмаlerin enerji amaç değerlerinin ortalamasını, standart sapmasını жана yüzde 5–95 yüzdelik aralığını göstermektedir. FinalXY жана ters sürümü altı сценарийnun tamamında en düşük ortalama değerler arasında yer almaktadır. FinalUV de өзгөчөлүкle негизги, yüksek hızlı жана büyük sistemlerde FinalXY’ye yakın натыйжалар üretmiştir.

Yuvarlanan ыкмаler bazı сценарийlarda daha yüksek ortalamalara жана daha geniş dağılımlara sahiptir. Bu durum aynı ыкмаin farklı başlangıç yerleşimlerinde kararlı biçimde düşük maliyet üretemediğini göstermektedir.

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

Yüzde iyileşmeler ne düzeydedir?

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

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

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

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

Yöntemler ne kadar sürede çalışmıştır?

20. sayfadaki Şekil 9, изилдөө sürelerini logaritmik yatay eksende göstermektedir. Küme başı sayısı, hedef hızı жана izin маалыматlen yol uzunluğu arttıkça ыкмаlerin изилдөө süresi yükselmiştir. Açgözlü ыкмаler çoğu durumda FinalXY’den hızlıdır.

FinalUV, TSP tabanlı olmasına rağmen bazı сценарийlarda açgözlü ыкмаlerle benzer же daha kısa sürede tamamlanmıştır. Изилдөөчүлөр bunu FinalUV’nin daha az yeniden sıralama yapmasıyla açıklamaktadır.

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

Rota görselleri эмнени көрсөтөт?

22. sayfadaki Şekil 11, негизги сценарийdan seçilen tek bir örnekte bütün ileri жана ters ыкмаlerin rotalarını karşılaştırmaktadır. FinalXY жана FinalUV yolları daha düzenli çokgenler oluştururken Predicted Rolling жана Greedy Rolling ыкмаlerinde kendi üzerinden geçen rota parçaları daha sık görülmektedir.

Изилдөөчүлөр, kendi üzerinden geçen yollar менен yüksek enerji amaç değerleri arasında ilişki olabileceğini belirtmektedir. Бирок изилдөө bu ilişkiyi ayrı bir istatistiksel testle ölçmemiştir. Şekil yalnızca seçilmiş tek bir örneği göstermektedir жана bütün симуляцияlerin geometrik davranışını tek başına temsil etmez.

Çalışmanın desteklediği негизги натыйжалар nelerdir?

• Hareketli кластер башчылары үчүн yalnızca başlangıç konumlarına dayalı sabit TSP sırası, düşük iletişim maliyeti sağlamakta yetersiz kalabilmektedir.
• Sabit баруу тартиби үчүн vektör alanı ыкмаi, маршрут узундугуnu koruyarak amaç fonksiyonunu yerel olarak azaltabilmektedir.
• Rota optimizasyonu менен баруу тартибиnın dönüşümlü olarak güncellenmesi, ilk sabit sıraya göre büyük göreli iyileşmeler sağlamıştır.
• FinalXY, өзгөчөлүкle hızlı, uzun rotalı жана çok hedefli сценарийlarda test edilen ыкмаler 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 жана ters başlangıç sıralarının birlikte denenmesi, tek bir başlangıç yönüne bağlı kalmaktan daha iyi натыйжалар 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 же кыймылдагы сенсорle saha testini sunmamaktadır.
• Engelli, rüzgârlı же üç boyutlu ortamlarda güvenli uçuşu göstermemektedir.
• Hedeflerin hız жана yön değiştirdiği karmaşık hareketlerde aynı performansın korunacağını göstermemektedir.
• Konum ölçüm hataları, haberleşme kesintileri жана paket kaybı karşısındaki dayanıklılığı ölçmemektedir.
• Dronun dönüş açısı, ivmesi, azami yatış açısı же minimum dönüş yarıçapı gibi uçuş dinamiği kısıtlarını değerlendirmemektedir.
• İki optimizasyon hedefinden maksimum tekil кластер башчысы enerjisini azaltma seçeneğini sayısal тажрыйбаларle test etmemektedir.

Çalışmanın güçlü yönleri nelerdir?

Çalışmanın негизги güçlü yönü, hareketli hedeflerin varış anındaki konumlarını amaç fonksiyonuna doğrudan dâhil etmesidir. Böylece hedef hareketi, маршрутту оптималдаштырууndan 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 жана rota kısıtının gradyanları изилдөөda ayrıntılı biçimde türetilmiştir.

Altı сценарий sınıfı, hedef hızı, hedef sayısı жана rota bütçesinin etkilerini ayırmaya изилдөөktadır. Her сценарийda 100 örneğin kullanılması, натыйжаларın yalnızca tek bir rastgele yerleşime dayanmasını önlemektedir. Kodun açık bir GitHub deposunda paylaşılması da yeniden üretilebilirliği desteklemektedir.

Başlıca ыкмаsel чектөөlar nelerdir?

• Optimizasyon ыкмаi sabit bir sıra үчүн локалдык минимум üretmektedir; глобалдык оптимум garantisi bulunmamaktadır.
• Ziyaret sırası kesin bir bütünleşik optimizasyonla değil birkaç sezgisel ыкмаin karşılaştırılmasıyla belirlenmektedir.
• Enerji amaç fonksiyonu fiziksel birim жана gerçek radyo donanımı katsayıları içermemektedir.
• Küme başları iki boyutlu düzlemde sabit hız жана doğrusal hareketle модельlenmiştir.
• Dronun kendi enerji tüketimi yalnızca маршрут узундугуyla temsil edilmiştir.
• İletim sırasında dronun hareket etmediği же 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 үчүн kullanılan \(t_m=L/s_d\) değeri “orta zaman” olarak adlandırılmıştır; ancak bu değer toplam rota süresine karşılık gelmektedir.
• Sonuçlarda ыкма sayısı bazı metin bölümlerinde “sekiz” же kod açıklamasında “altı” olarak ifade edilirken Şekil 11 on ileri жана ters ыкмаi göstermektedir.
• Gerçek zamanlılık yalnız masaüstü симуляция изилдөө süresine dayanmaktadır.
• Fiziksel saha тажрыйбаi, bağımsız yeniden uygulama же başka rota algoritmalarıyla geniş benchmark karşılaştırması sunulmamıştır.

Gelecekte кайсы doğrulamalar yapılmalıdır?

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

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

FinalXY, FinalUV жана açgözlü ыкмаlerin performansı, aynı маалымат kümeleri жана aynı hesaplama bütçesi altında başka dinamik TSP, модель öngörülü kontrol, meta-sezgisel жана karma tamsayılı optimizasyon yaklaşımlarıyla karşılaştırılmalıdır. Yerel minimum bağımlılığını ölçmek үчүн daha fazla başlangıç sırası жана küresel alt sınırlar kullanılmalıdır.

Изилдөөнүн методу жана натыйжалары

Deneysel olmayan mühendislik doğrulaması

Çalışma fiziksel тажрыйба yerine matematiksel модель жана bilgisayar симуляцияi kullanmaktadır. Her Monte Carlo örneğinde кластер башчыларыnın başlangıç konumları жана hızları yeniden üretilmiş, bütün ыкмаler aynı örnek üzerinde çalıştırılarak amaç değeri, изилдөө süresi жана yeniden sıralama sayısı karşılaştırılmıştır.

Altı симуляция сценарийsu

Karşılaştırılan rota sıralama ыкмаleri

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 ыкма”, matematiksel olarak bütün olası rotalar içinde глобалдык оптимумu bulan ыкма anlamında kullanılmamalıdır. FinalXY, test edilen algoritmalar жана başlangıç çözümleri arasında en düşük amaç değerini en sık bulan ыкмаdir.

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

Kod yapısı жана yeniden üretilebilirlik

Kaynak kodun paylaşılması ыкмаin yeniden uygulanmasını kolaylaştırmaktadır. Бирок изилдөө, belirli bir yazılım sürümü dosyası, bağımlılık kilidi, rastgelelik tohumları же bağımsız yeniden өндүрүш raporu sunmamaktadır. Демек kod açıklığı, bildirilen bütün натыйжаларın başka bir sistemde aynı biçimde üretileceğini tek başına garanti etmemektedir.

Булак жана метод эскертүүсү

Бул изилдөө, hakemli bir dergide yayımlandığı doğrulanmamış bir SSRN preprintidir. Sonuçları bu чектөө dikkate alınarak değerlendirilmelidir. DOI, SSRN изилдөө kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI olarak sunulmamalıdır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen изилдөөya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca изилдөө adı, yazarlar, kurum bağlantısı, SSRN kaydı, DOI, yükleme tarihi жана resmî bağlantı gibi bibliyografik kimlik bilgilerinin doğrulanması amacıyla kullanılmıştır. Çalışmada bulunmayan dış тажрыйба sonucu же ek bilimsel performans маалыматsi eklenmemiştir.

Изилдөөnın ana sonucu, hareketli hedefler үчүн rota geometrisi менен баруу тартибиnı birlikte жана yinelemeli biçimde güncellemenin, başlangıçtaki statik TSP sırasına göre uzaklık tabanlı iletişim maliyetini önemli ölçüde düşürebildiğidir. Муну менен бирге bu натыйжа; iki boyutlu, sabit hızlı, engelsiz, tam konum bilgisine sahip жана idealize edilmiş bir симуляция ortamıyla sınırlıdır.

Çalışmanın натыйжаларı gerçek batarya ömrü, joule cinsinden enerji, güvenli uçuş, saha haberleşme güvenilirliği же hukuki işletilebilirlik sonucu olarak yorumlanmamalıdır. Bağımsız uygulama, fiziksel dron жана sensör тажрыйбаларi менен gerçek kanal жана uçuş dinamikleri kullanılarak doğrulama gerekmektedir.