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。它们用于无线自组网研究。移动性模型可以影响各种网络协议的性能和行为。存在不同类型的移动性模型，它们取决于移动节点的移动是否彼此相关或独立（分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。它是为了模拟个人通信服务网络而提出的。该模型能够捕捉室外移动性的真实特性，如随机性、相关性和变化性。该模型使用一个调整移动模式中随机性程度的调节参数。

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。该模型提高了模型在无人机网络中的逼真性和适用性。我们将讨论与其他移动性模型相比，EGM移动性模型的性能模拟结果和分析。最后，我们将讨论一些局限性和未来方向。

室内和室外环境有不同类型的移动性模型。室内模型有随机步行、随机航点和随机方向。而室外模型有高斯-马尔可夫和随机步行的概率版本。

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的时间点的速度和方向。这些是基于先前的速度和方向、平均值和从高斯分布中的随机变量计算得出的。该模型假设每个移动节点都有一个初始速度和方向。

根据以下公式，它们可以随时间改变 –

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

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

其中，

vn和θn是时间点n的移动节点的速度和方向，
n、vn-1和θn-1是时间点（n-1）的速度和方向，
v̅ and 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是调节参数，范围从0到1。

调节参数α控制移动模式中的随机性程度。

当α接近0时，移动模式更加随机，并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，并且与先前状态的相关性更大。

因此，通过改变α，模型可以适应户外移动环境中不同程度的随机性和相关性。

优点

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

缺点

它不考虑模拟区域边界，可能导致节点在区域外部进行不真实的移动。
它不考虑障碍物和其他可能影响移动模式的因素。
它可能降低图像细节和图像边缘。

增强的高斯-马尔科夫移动模型

增强的高斯-马尔科夫（EGM）移动模型是高斯-马尔科夫移动模型的修改版。它旨在提高它在无人机网络或UAANETs网络中的适用性。EGM移动模型引入了附加机制来消除和限制突然停止。它在模拟区域内有急转弯。对于无人机来说，这是不现实和不可取的。EGM移动模型还为每个移动节点引入了高度和加速度作为附加参数。这些是无人机的重要因素。

EGM移动模型使用与高斯-马尔科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，但进行了一些修改。首先，模型引入了最低速度阈值v min 。这可以防止移动节点停止或移动得太慢。如果计算出的速度低于v min ，模型会将速度设置为v min 。其次，模型引入了最大转向角度阈值θ max 。这可以防止移动节点进行急转弯。如果计算得出的方向变化大于θ max ，模型会将方向变化设置为θ max 。第三，模型引入了反射机制。这可以防止移动节点离开模拟区域。如果计算得出的位置在模拟区域之外，模型会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计算每个移动节点的高度和加速度，但使用不同的参数。高度的计算公式为 –

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

其中，

zn是时间点n时的移动节点的高度，
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，以及
β是从0到1的调节参数。

移动加速度的计算公式为 −

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

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，以及
γ是从0到1的调节参数。

EGM移动模型可以和高斯马尔科夫移动模型在复杂性、灵活性和适用性方面进行比较和对比。

EGM移动模型比高斯马尔科夫移动模型更复杂，因为它涉及更多的参数和机制来模拟无人机的实际移动。
EGM移动模型比高斯马尔科夫移动模型更灵活，因为它可以单独调整速度、方向、高度和加速度的不同随机性和相关性的水平。
EGM移动模型比高斯马尔科夫移动模型更适用于UAANETs，因为它可以捕捉无人机的重要特征，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，假设模型超出了定义的区域并达到了极限。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。通过组合两个月亮，我们可以覆盖完整的360度。

室外移动性模型 | 高斯-马尔可夫

该模型考虑了当前位置的限制。例如，如果它靠近225度范围内。这将在平均计算中包括该范围，并确保完全覆盖。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直观。但是，它可能导致图像细节和边缘清晰度的损失。

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（即随机航点，随机方向和高斯马尔科夫）进行比较，进行了一些NS-2模拟器的模拟实验。模拟设置和场景基于UAANET的现实参数和假设。模拟结果根据各种度量标准进行评估。例如，平均速度，平均暂停时间，平均转向角度，平均节点度，平均路径损耗，平均端到端延迟和平均分组传递比率。

模拟结果表明，EGM移动模型具有明显的优势。在UAANET方面，在现实性和性能方面具有优势。

它的平均速度较高，平均暂停时间较短，优于其他模型。它反映了无人机的连续和快速移动。
它的平均转向角度较低，优于其他模型。它反映了无人机方向的平滑和渐变变化。
它的平均节点度较高，优于其他模型。它反映了无人机的高连接性和密度。
它的平均路径损耗较低，优于其他模型。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，平均分组传递比率较高，优于其他模型。它反映了无人机之间数据传输的高效性和可靠性。

模拟结果和分析证明，EGM移动模型是适用于UAANET的现实模型。

结论

移动模型用于模拟网络中物体的移动方式。高斯马尔科夫模型用于模拟室外运动，具有现实特征。但它也存在一些问题，例如忽略边界和障碍物。为了解决无人机网络中的这些问题，引入了改进的高斯马尔科夫模型。它具有额外的功能，可以预防突然停止和急转弯。它考虑了高度和加速度，对于无人机来说更加现实。

将改进的高斯马尔科夫模型与普通高斯马尔科夫模型进行比较，改进模型更加复杂和灵活。它可以单独调整随机性和相关性，适用于速度，方向，高度和加速度。在模拟中，改进模型表现更好。在速度，暂停时间，转向角度，连接性，通信质量，延迟和分组传递等方面具有优势。但是，改进的模型仍然存在局限性。它不考虑特定区域，因此节点可能在定义的区域之外移动得不真实。它可能还会丢失一些图像细节。总之，改进的高斯马尔科夫模型是对传统模型的改进，它准确地表示了无人机的运动，改善了无人机网络的性能。