《表2 不同算法所得UAV位置的能耗结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《智能无人机轨迹与任务卸载联合优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从图5、图6和图7中可以看出，本文所提的联合双层优化方法即h-SOM网络和IDE算法的性能优于其他两种传统算法。对于传统的随机算法，UE随机做出决定，可能导致UE卸载到距离自己较远的UAV上，在这种情况下，传输能量消耗就变得异常大，同时对于卸载UE有可能变得无效，因此它保持最高的能量消耗。贪婪算法、标准DE算法和IDE算法执行计算分配，可以控制UE的卸载数量，从而为UE节省能量，所以这三种算法的表现优于随机算法。贪婪算法在求解该问题时基于一定的贪婪策略即每个UE把任务卸载到离自己最近的UAV上，这样虽然减少了UE在传输过程中的能耗，但并未全局考虑UAV的计算资源限制。DE算法是一种基于全局搜索的群智能算法，它将差分操作迭代地应用于群体，直到达到最优解，所以标准DE算法比贪婪算法有更好的性能。在DE算法的基础上引入精英初始策略和自适应双变异策略，每次迭代产生随机数与自适应算子进行比较采取不同的变异策略，使得算法在迭代初期保持解的多样性，在迭代后期局部搜索更加准确，提高算法的精确度。因此，IDE算法比其他三种算法的性能优越。