室外移动性模型 | 高斯-马尔可夫

移动性模型模拟网络中移动节点的移动。它们用于自组织网络的研究。移动性模型会影响各种网络协议的性能和行为。移动性模型有不同类型，取决于移动节点的移动是彼此依赖还是独立的（组和实体移动性模型）。

高斯-马尔可夫移动性模型是实体移动性模型的一个例子。它被提出用于个人通信服务网络的模拟。该模型可以捕捉室外移动性的真实特征，如随机性、相关性和变化性。模型使用一个调节参数来调整移动模式中的随机程度。

本文将讨论高斯-马尔可夫移动性模型。我们还将讨论该模型的增强版本，称为增强高斯-马尔可夫（EGM）移动性模型。该模型改进了模型对无人机网络的逼真性和适用性。我们将讨论模拟结果和分析，与其他移动性模型比较EGM移动性模型的性能。最后，我们将讨论一些限制和未来方向。

室内和室外环境有不同类型的移动性模型。室内模型有随机游走、随机路点和随机方向。而室外模型有高斯马尔可夫和随机游走的概率版本。

高斯-马尔可夫移动性模型

高斯-马尔可夫移动性模型的基本思想是每个移动节点在给定时间点的速度和方向。这些是基于先前的速度和方向、平均值和来自高斯分布的随机变量计算的。该模型假设每个移动节点都有一个初始速度和方向。

这些可以根据以下公式随时间改变：

$\mathrm{v_n=\alpha v_{n-1}+(1-α) \overline{v}+\sqrt{(1-α^2)}v_{rnd}}$

$\mathrm{θ_n=\alpha θ_{n-1}+(1-α) \overline{θ}+\sqrt{(1-α^2)}θ_{rnd}}$

其中，

vn和θn是时间点上移动节点的速度和方向，
n,vn-1和θn-1是时间点（n-1）上的速度和方向，
v̅和θ̅是平均速度和方向，
vrnd和θrnd是具有零均值和单位方差的高斯分布的随机变量，以及
α是范围从0到1的调节参数。

调节参数α控制移动模式中的随机程度。

当α接近0时，移动模式更随机且与先前状态的相关性较小。
当α接近1时，移动模式更可预测且与先前状态更相关。

因此，通过改变α值，模型可以适应不同的户外移动情景中的随机性和相关性水平。

优点

通过调整称为随机性指数的参数，可以模拟不同程度的随机性。
可以模拟个人通信服务（如无线电话）的移动性。
通过改变平均速度和方向，可以适应不同的环境条件。

缺点

不考虑模拟区域边界，可能导致节点在区域外的不真实移动。
不考虑障碍物和其他可能影响移动模式的因素。
可能降低图像的细节和边缘。

增强的高斯-马尔可夫移动模型

增强的高斯-马尔可夫（EGM）移动模型是高斯-马尔可夫移动模型的修改版。它旨在提高其在无人机或UAANET网络中的适用性。EGM移动模型引入了额外的机制来消除和限制突然停止。它尖锐地转向模拟区域内。对于无人机来说，这是不现实和不可取的。EGM移动模型还将海拔和加速度作为每个移动节点的额外参数。这些是无人机的重要因素。

EGM移动模型使用与高斯-马尔可夫移动模型相同的公式来计算每个移动节点的速度和方向，但有一些修改。首先，模型引入了最小速度阈值v min 。这样可以防止移动节点停止和移动得太慢。如果计算得到的速度低于v min ，模型将速度设置为v min 。其次，模型引入了最大转弯角度阈值θ max 。这可以防止移动节点进行急剧转弯。如果计算得到的方向变化大于θ max ，模型将方向变化设置为θ max 。第三，模型引入了反射机制。这可以防止移动节点超出模拟区域。如果计算得到的位置在模拟区域外，模型将通过一定角度反射移动节点的方向。

EGM移动模型还使用类似于速度和方向的公式来计算每个移动节点的海拔和加速度，但使用不同的参数。海拔计算公式为 –

$\mathrm{z_n=\beta z_{n-1}+(1-\beta) \overline{z}+\sqrt{(1-\beta^2)}z_{rnd}}$

其中，

zn是时间点n时移动节点的高度，
zn-1是时间点（n-1）时的高度，
z̅是平均高度，
zrnd是服从零均值和单位方差的高斯分布的随机变量，而
β是将从0到1范围的调谐参数。

加速度计算为-

$\mathrm{\alpha_n=\gamma \alpha_{n-1}+(1-\gamma) \overline{\alpha}+\sqrt{(1-\gamma^2)}\alpha_{rnd}}$

其中，

αn是时间点n时移动节点的加速度，
αn-1是时间点（n-1）时的加速度，
α̅是平均加速度，
αrnd是服从零均值和单位方差的高斯分布的随机变量，而
γ是将从0到1范围的调谐参数。

EGM移动模型可以根据复杂性、灵活性和适用性与高斯-马尔可夫移动模型进行比较和对比。

EGM移动模型比高斯-马尔可夫移动模型更复杂，因为它涉及更多参数和机制来模拟无人机的实际移动。
EGM移动模型也比高斯-马尔可夫移动模型更灵活，因为它可以针对速度、方向、高度和加速度的不同级别的随机性和相关性进行调整。
EGM移动模型对于UAANETs比高斯-马尔可夫移动模型更适用，因为它可以捕捉到无人机的重要特征，如最小速度、最大转向角、高度、加速度和反射。

在该模型中，没有专门设计用于模拟的区域。但是，想象一下模型超出了定义的区域并达到了其极限。在这种情况下，平均速度和平均方向值将被平均值取代。可以使用量角器来计算平均值。通过结合两个卫星，我们可以涵盖完整的360度。

室外移动性模型 | 高斯-马尔可夫

该模型考虑了当前所在位置的限制。例如，如果它靠近225度范围。这将包括在平均计算中，并确保完全覆盖。需要考虑的主要因素是随机性指数、平均速度和高斯分布的随机变量。

这种方法易于理解和简单直接。然而，它可能会导致图像细节和边缘清晰度的丢失。

模拟结果与分析

为了评估EGM移动模型的性能并将其与其他移动模型进行比较，比如随机航点、随机方向和高斯-马尔可夫。使用NS-2模拟器进行了一些模拟实验。模拟设置和场景基于UAANETs的真实参数和假设。模拟结果以各种指标来衡量。例如平均速度、平均暂停时间、平均转向角、平均节点度、平均路径损耗、平均端到端延迟和平均数据包传送率。

模拟结果表明EGM移动模型具有显著优势。在UAANETs方面，它在现实性和性能方面优于其他移动模型。

它的平均速度比其他模型更高，平均暂停时间更低。它反映了无人机的持续快速移动。
它的平均转向角比其他模型更低。它反映了无人机方向的平滑和渐变变化。
它的平均节点度比其他模型更高。它反映了无人机的高连接性和密度。
它的平均路径损耗比其他模型更低。它反映了无人机之间通信链路的高质量。
它的平均端到端延迟较低，平均数据包传送率较高。它反映了无人机之间的数据传输的高效性和可靠性。

模拟结果和分析表明，此EGM移动模型适用于UAANET。

结论

移动模型用于模拟网络中的移动方式。高斯-马尔可夫模型用于模拟室外运动。它具有逼真的特征。但它也存在问题，即忽略边界和障碍物。为了解决无人机网络的这些问题，引入了改进的高斯-马尔可夫模型。它具有防止突然停止和急转弯的额外特性。它考虑到高度和加速度。对于无人机来说更加逼真。

将改进的高斯-马尔可夫模型与常规高斯-马尔可夫模型进行比较。改进的模型更复杂、更灵活。它可以单独调整随机性和相关性。用于速度、方向、高度和加速度。在模拟中，改进的模型表现更好。在速度、暂停时间、转向角、连接性、通信质量、延迟和数据包传递方面更好。然而，改进的模型仍然有局限性。它没有考虑特定的区域。因此，节点可能会在定义的区域之外不真实地移动。它可能会丢失一些图像细节。总之，改进的高斯-马尔可夫模型是传统模型的一种改进。它准确地表示了无人机的移动。它提高了无人机网络的性能。