INTEGRATING SWARM INTELLIGENCE AND EDGE COMPUTING FOR AUTONOMOUS MULTI-DRONE OPERATIONS

Abstract

This study presents an adaptive PSO (Particle Swarm Optimization) algorithm as the foundation for a swarm intelligence approach in multi-UAV operations. The traditional PSO formula for particle velocity and position updates was modified to incorporate a variation strategy from Differential Evolution (DE), enabling UAVs to dynamically adjust their trajectories. The integration of deep reinforcement learning (DRL) further enhances the model's ability to optimize task offloading and computational distribution, ensuring that UAVs function as efficient edge nodes. An experimental evaluation was conducted to assess the proposed PSO-Edge method compared to other machine learning techniques, specifically Random Forest and Support Vector Machine (SVM). The experimental setup involved a simulation environment where UAVs were tasked to monitor data and execute missions over a defined area. The hardware included an Intel Xeon Gold 6248R CPU, 128 GB RAM, and an NVIDIA Tesla V100 GPU, with the simulation executed using Python 3.8. The proposed PSO-Edge algorithm demonstrated superior performance across multiple metrics: reducing task completion time by 42.1 minutes compared to Random Forest and SVM; achieving the lowest energy consumption per task at 28.9 Wh; demonstrating efficient communication with the least latency at 0.15 seconds; and achieving the highest task accuracy at 96%. The results confirm that the PSO-Edge method outperforms traditional machine learning approaches in task efficiency, energy consumption, communication latency, and accuracy. This highlights the benefits of integrating edge computing with the PSO algorithm, establishing it as a robust solution for multi-UAV operations. The findings have significant implications for optimizing UAV-based applications, particularly in environments requiring dynamic adaptation and efficient resource management.

Представлено адаптивний алгоритм PSO (Particle Swarm Optimization – оптимізація роїв частинок) як основу для підходу до ройового інтелекту в операціях з кількома БПЛА. Традиційну формулу PSO для оновлення швидкості та положення частинок було змінено, щоб включити стратегію варіації від Differential Evolution (DE), що дозволяє БПЛА динамічно коригувати свої траєкторії. Інтеграція глибокого навчання з підкріпленням (DRL) додатково підвищує здатність моделі оптимізувати розвантаження завдань і розподіл обчислень, гарантуючи, що БПЛА функціонують як ефективні периферійні вузли. Проведено експериментальне оцінювання запропонованого методу PSO-Edge порівняно з іншими методами машинного навчання, зокрема випадковим лісом (RF) і методом опорних векторів (SVM). Експериментальна установка включала симуляційне середовище, де БПЛА було поставлено завдання контролювати дані та виконувати місії над визначеною територією. Апаратне забезпечення включало процесор IntelXeonGold 6248R, 128 ГБ оперативної пам’яті та графічний процесор NVIDIATeslaV100 із моделюванням, виконаним за допомогою Python 3.8. Запропонований алгоритм PSO-Edge продемонстрував високу продуктивність за кількома показниками: скорочення часу виконання завдання на 42,1 хвилини порівняно з RandomForest і SVM; досягнення найнижчого енергоспоживання на завдання – 28,9 Wh; демонстрація ефективного зв'язку з найменшою затримкою в 0,15 секунди; досягнення найвищої точності виконання завдання в 96%. Результати підтверджують, що метод PSO-Edge перевершує традиційні підходи машинного навчання за ефективністю виконання завдань, енергоспоживанням, затриманням зв’язку та точністю. Це підкреслює переваги інтеграції периферійних обчислень з алгоритмом PSO, створюючи його як надійне вирішення для операцій з кількома БПЛА. Отримані результати мають значні наслідки для оптимізації додатків на основі БПЛА, особливо в середовищах, що вимагають динамічної адаптації та ефективного управління ресурсами.