CN109451556B - 基于uav对无线传感网充电的方法 - Google Patents

Abstract

本发明涉及无线传感网充电技术，为基于UAV对无线传感网充电的方法，包括步骤：收集各个传感器网络节点的ID、位置信息、剩余能量及工作状态；确定成员节点及成簇方案，求取成员节点和簇头节点的通信能耗；确定UAV的能量传输功率模型；通过优化算法求第m次随机周期性成簇方案中UAV对每个节点i充满电所需时间；从N种可能的成簇方案中用优化算法搜索UAV在任一位置对所有节点充满电所需时间，选取最大时间认定为UAV给整个无线传感网络充满电所需时间；从N种可能的成簇方案对应的最大时间中，找出最小的时间代价值及对应最优UAV充电位置或路径。本发明能在多轮能量消耗之后以最少时间代价将无线传感网充满电，使无线传感网可长时间稳定运行。

Description

基于UAV对无线传感网充电的方法

技术领域

本发明涉及无线传感网的无线能量传输技术，具体为基于UAV对无线传感网充电的方法。

背景技术

随着嵌入式微机***、无线通信技术以及传感器技术的日益发展和逐渐成熟，无线传感器网络使得人们与现实世界各种情况进行非接触式交互的能力不断增强，无线传感器网络正逐渐成为一种可与互联网媲美的新兴联网应用模式。

无线传感器网络是一种由多个无线传感器节点组成的分布式无线传感器网络。由于其基本组成为可感知、收集外部环境数据的无线传感器，所以被监测与检测对象的相关数据可以被无线传感网末梢——无线传感器收集，并通过无线通信的方式形成一个独特的多跳自组织网络。

自无线传感器网络技术诞生以来，如何延长无线传感器网络的生命周期与保证无线传感器网络稳定一直是国内外学者亟待解决的重要问题。由于无线传感器网络节点一般由电池供电，其携带的能量十分有限，那么如何才能让无线传感网在有限能量下进行数据收集、融合以及传递时仍能保持较长的网络运行生命周期，以让无线传感网尽可能地稳定运行，成为了当前研究的热点之一。从无线传感网结构及运作方式来看，无线传感网中的能耗分为传感器计算能耗、传感器通信能耗、传感器数据采集能耗等等，其中传感器通信能耗最为重要，而在无线传感器网络中成簇这一方式对传感器通信能耗的影响十分大。因此，在无线传感网区域中选择最优的成簇原则是延长无线传感网生命周期的重要策略。

随着新兴无人机技术的发展，对无人机路径规划策略及设计引起了国内外学者的广泛关注。利用无人机路径规划策略与无线能量传输技术相结合来延长无线传感网的生命周期也成为了当今一研究热点。

发明内容

本发明的目的在于解决现有无线传感网稳定性差以及寿命过短的问题，提出基于UAV对无线传感网充电的方法，该方法可以通过穷尽搜索算法或者遗传算法等优化算法寻找最优可充电UAV的位置以及最优簇头选择方案，从而能在多轮能量消耗之后以最少的时间代价将无线传感网充满电，使得无线传感网可长时间稳定运行。

本发明通过以下技术方案实现：基于UAV对无线传感网充电的方法，包括以下步骤：

S1、收集无线传感网中各个传感器网络节点的ID、位置信息、剩余能量以及工作状态；其中传感器网络节点分为簇头节点和成员节点；

S2、确定无线传感网区域中的成员节点及成簇方案，求取对应的成员节点通信能耗和簇头节点通信能耗；

S3、确定能量传输模块UAV的能量传输功率模型；

S4、通过优化算法求第m次随机周期性成簇方案中能量传输模块UAV对无线传感网中每个传感器网络节点i充满电所需时间；

S5、从N种可能的成簇方案中用优化算法搜索能量传输模块UAV在整个无线传感网区域中任一位置对所有传感器网络节点充满电所需时间，选取其中的最大时间，认定其为能量传输模块UAV给整个无线传感网络充满电所需的时间；

S6、从N种可能的成簇方案对应的最大时间中，找出最小的时间代价值以及对应最优UAV充电位置或路径。

从以上技术方案可知，本发明在整个无线传感网区域中，每个分块的无线传感网区域进行随机选择簇头及成员配置方案，每个分块的无线传感网区域成簇方案互不影响，之后各个区域成簇方案互相结合形成了整个无线传感网的簇头及成员配置方案(即成簇方案)，与现有技术相比，取得的有益效果包括：

通过对整个无线传感网的簇头及成员配置方案所对应的充满无线传感网所需最优时间进行对比，选出其中时间最少所对应的成簇方案以及所对应的UAV最优充电位置；即在无线传感网的簇头及成员配置方案对应的能耗情况下，求出对应UAV时间最优代价的位置或路径。本发明在每种簇头及成员配置方案中寻找最优时间代价位置，最后对比每种最优时间代价，选取最优时间代价最少所对应的UAV位置及簇头成员配置方案，对无线传感网进行充电，能在多轮能量消耗之后以最少的时间代价将无线传感网充满电。该发明专利研究在最少时间代价条件下找出最优UAV充电位置及路径的相关优化算法，同时选出最优簇头选择方案。

附图说明

图1是本发明方法的流程图；

图2是一个实施例中所应用的无线传感网；

图3为一个实施例中无线传感网的网络成簇情况；

图4是一个实施例中在整个无线传感网进行仿真的结果示意图；

图5是一个实施例中目标函数值与算法代数的关系图；

图6是一个实施例中固定通信基站位置时最优UAV位置仿真图；

图7是一个实施例中固定通信基站位置时目标函数收敛图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但是本发明的实施方式并不限于此。

实施例

在本发明中，传感器网络节点选取可充电无线传感网节点；UAV为无线能量传输的能量发送模块，UAV固定高度飞行，给在能量传输范围内的无线传感器节点传输电能。

无线可充电传感网的场景分为四个区域，且每个区域中的传感器网络节点分为簇头节点和成员节点，其中成员节点包括休眠节点、工作节点以及未激活节点，并等概率、周期性选择生成簇头节点。在无线可充电传感网中，各个工作节点将各自的位置信息、ID信息通过单跳传递至周期性随机生成的簇头节点中，簇头节点将接收到的各类信息整合、融合成数据包，再通过单跳的形式传递给通信基站。其中无线传感器网络节点成簇原则为随机周期性成簇原则，每种簇头成员配置方案(即成簇方案)种类为各区域节点数目相乘，即：

N＝N₁*N₂*N₃*N₄……N_n。

如图1所示，本发明方法的实现流程及步骤如下：

一、在无线传感网L轮簇头轮换之后，收集此时各个传感器网络节点的ID、位置信息、剩余能量以及工作状态等。

在这里，假定各个工作节点的剩余能量为E_min(i)(簇头节点由于需要整合接收的数据进行转发等操作，剩余能量较小，但是剩余能量最小的下限值为e_min，工作节点的剩余能量达到e_min时，工作节点转变为休眠节点)，通信能耗为ei＝E-E_min(E为每个节点初始的能量)，本发明根据成员节点发送1bit数据和对应簇头节点接收与转发消耗的能量，通过能耗模型具体计算出剩余能量来。

本发明在应用场景中，无线传感网的工作节点通信能量消耗模型(即能耗模型)采用一阶无线电模型，就是当节点间通信距离d_ii较近时，能耗模型采用自由空间信道模型；当节点间通信距离d_ii较远时，能耗模型采用多路径衰减模型。由于节点类型不同，该算法场景能耗模型可以分为成员节点能耗模型与簇头节点能耗模型。假定已知进行相互通信的节点间距离为d_ii，当发送1bit数据时，计算相关能耗模型：

1、发送节点为成员节点时，发送节点消耗的能量为：

2、发送节点为成员节点时，且不考虑传输距离对比，则发送节点能耗为：

3、发送节点为簇头节点时，发送信息数据消耗的能量为：

4、接收信息数据(簇头节点及成员节点)消耗的能量为：

E_RX(K)＝KE_elec

以上各式为节点发送及接收1bit数据时消耗的能量，E_DA为数据整合的能耗，即整合1bit数据消耗的能量；d₀为节点能耗的距离阈值，为定值；K为接受及发送数据的量；E_elec为一节点接收或者发送1bit数据的能量消耗，本发明只考虑了簇头节点进行信息接收；ε_fs和ε_mp为传感器网络节点的属性参数；符号b为一布伦变量，当两个节点间的数据传输方式为单跳时b值为零，当节点间数据传输方式为多跳时b值为1。

在本算法模型中，移动UAV对无线传感网节点的能量传输数学模型为线性能量传输模型，即：

其中，Q_i(x(t),y(t))表示第i个传感器网络节点在无线传感网区域内点(x(t),y(t))的能量接收功率，h_k(t)为与距离有关的功率数量级，β₀表示在传输通道上单位距离1m节点接收到的能量。P表示传输功率中的一个常量。(x_k,y_k)表示UAV飞行在二维平面的坐标，H表示三维坐标中的飞行高度。

由以上可知，由于簇头节点有比较多的接收能耗和发送能耗，所以簇头节点的能耗比成员节点的能耗大得多。

二、确定无线传感网区域中的成员节点及成簇方案，求取对应的成员节点通信能耗e_i和簇头节点通信能耗E_i，其中簇头节点通信能耗为接收信息能耗和发送信息能耗之和。

三、确定能量传输模块UAV的能量传输功率模型。

四、通过优化搜索算法求第m次随机周期性成簇方案中能量传输模块UAV对无线传感网中每个传感器网络节点i充满电所需时间

(包括对簇头节点充满电时所需时间)，

五、从N种可能的成簇方案中用优化算法搜索UAV在整个无线传感网区域中任一位置UAV_loc(x,y)对所有传感器网络节点充满电所需时间

其中

选取其中的最大时间T_{i_max_UAV_loc(x(t),y(t))} ^m，认定其为能量传输模块UAV给整个无线传感网络充满电所需的时间。

六、从N种可能的成簇方案对应的最大时间T_{i_max_UAV_loc(x(t),y(t))} ^m中，找出最小的时间代价值

以及对应最优UAV充电位置或路径。

不同优化算法对本发明专利应用场景中问题目标函数的收敛程度、收敛速度及精确度不一样。本实施例是利用基本差分进化算法在传感网区域中对UAV位置进行优化搜索，该算法是一类基于群体的自适应全局优化算法，属于演化算法的一种。由于其具有结构简单、容易实现、收敛快速、鲁棒性强等特点，因而被广泛应用在数据挖掘、模式识别、数字滤波器设计、人工神经网络、电磁学等各个领域。在本实施例中利用差分进化算法对辅助无线传感网的无人机(UAV)时间代价函数中通信基站和UAV位置数据进行变异、交叉操作、竞争操作等，然后将变异、交叉、竞争等操作之后数据代入目标时间代价函数，求其中最短最优时间代价函数值。

本实施中该算法实际应用及仿真场景为如图2所示的无线传感网，无线传感网节点分为两个传感网节点区域，其中小圆点为最优方案对应的UAV能量传输位置。

如图3所示，根据周期性随机成簇原则以及信息流向，描述了其中一轮无线传感网的网络成簇情况，工作节点通过单跳传输的方式将各自节点ID信息、位置信息等传递给簇头节点，簇头节点将收到的各个传感器节点的信息整合以及融合，再通过单跳传输的形式将融合的数据包发送给通信基站。

如图4所示，在对优化UAV位置这一变量情况下，通过对整个无线传感网区域中各种成簇方案充满电所需时间进行对比，找出时间代价最少(即可充电移动飞行UAV给整个无线传感网充满电所需时间最少)，记录此时的UAV位置，这一位置就是可充电UAV进行能量传输时间代价最少的最优位置，这一成簇方案为最优的成簇方案。此时，在通信基站的位置固定条件下，利用差分进化算法对UAV位置这一变量进行优化，在整个无线传感网进行仿真，结果如图4所示。

图5显示的是在无线传感网区域对无人机(UAV)飞行位置利用差分进化算法进行优化搜索，在无线传感网分簇情况和固定通信基站下对构建的时间代价目标函数中无人机(UAV)位置变量进行进化、竞争、变异等操作后目标函数值与算法代数的关系图，其中纵坐标显示的是时间代价目标函数值，横坐标显示的是算法的运行代数，随着算法运行代数的增加，时间代价目标函数值随着运行代数的增加而不断减小而趋于收敛。

图6所示为节点数目拓展的无线传感网络中最优UAV充电位置仿真，图中网络规模稍有扩大，分成了三个独立成簇的区域。从理论上来讲，无线传感网中需要处理的数据是随着网络规模不断扩大而呈现出数量级地增长。图7示意了固定通信基站位置时目标函数收敛情况。

由以上可知，随着无线传感网规模地不断扩大，在无线传感网中算法需要处理的数据是随着无线传感网规模地增大而不断增多，而且算法处理数据的时间也是越来越大。

因此，对于实际应用中的大规模无线传感网来说，一种高效的无人机能量补偿策略显得十分地必要。根据实际应用中的大规模无线传感网，由于无人机进行能量传输及通信的范围有限，本发明将大规模无线传感网分为无数块小区域，小区域中存在理论上UAV进行能量传输的最优位置(如以上所研究的情况)，即在实际应用当中的大规模无线传感网中，存在很多不同区域中的最优UAV能量传输位置。为了更好地满足实际应用的要求，本发明拟仿真的场景关键在于：1、在原有的场景上加大了无线传感网的规模；2、将无人机UAV同时作为移动通信中继与无线能量传输方；3、将原有场景作为大规模区域中划分的小区域，其中UAV进行能量传输与信息收集的最优位置点记为UAV锚点。

在实际大规模无线传感网应用中，由于无人机进行能量传输及通信的范围有限，以及由于在实际应用中的无线传感网规模过大导致UAV在一定时间内无法进行大范围能量补充。基于以上原因和所描述的场景，本发明还提出一种基于大规模无线传感网与无人机(UAV)技术的优先能量补充算法，该算法是无人机在各个小区域最优UAV位置点上的移动轨迹策略，目的在于通过这一优化的移动轨迹策略来提高无人机能量传输效率与优化大规模无线传感网能耗方式。在通信基站固定的情况下，各个无线传感网节点需要将各个采集的数据信息传递至簇头节点，再通过簇头节点转发至通信基站，通信基站旁边传输的数据流量比较大，所以旁边的无线传感器对此有着巨大的能耗负担；UAV对不固定通信基站的无线传感网进行能量传输的时间代价更少，无线传感网的能耗更少。因此，本发明采用无人机作为进行能量传输的移动通信中继来对大规模无线传感网进行能量补偿，无人机在无线传感网中的飞行方式是根据实时的方向概率来进行实时能量补偿与信息收集决策。无人机在进行能量传输且数据收集任务时，无人机是以各区域中最优信息收集能量传输位置作为UAV的理论最优锚点，以便进行最优的信息收集与能量传输任务。无人机在考虑UAV在各区域进行能量数据最优时间代价t_e、飞至各个方向小区域UAV理论最优锚点的时间代价t_f以及小区域中传感网节点的休眠率(即能量耗尽节点数与总结点数的比值B_{i_empty}＝n_empty/N_z)之后，对无人机下一步飞行方向及轨迹进行判决与规划。当无人机完成前一个周期能量传输任务之后，返回服务站进行能量补充(或者UAV能量充足时就地等待下一周期任务)，等待在下一个周期中进行能量传输与信息收集任务。

如上所述，便可较好地实现本发明。

Claims (6)

1.基于UAV对无线传感网充电的方法，其特征在于，包括以下步骤：

S1、在无线传感网L轮簇头轮换之后，收集无线传感网中各个传感器网络节点的ID、位置信息、剩余能量以及工作状态；其中传感器网络节点分为簇头节点和成员节点；

S2、确定无线传感网区域中的成员节点及成簇方案，求取对应的成员节点通信能耗和簇头节点通信能耗；

S3、确定能量传输模块UAV的能量传输功率模型；

S4、通过优化搜索算法求第m次随机周期性成簇方案中能量传输模块UAV对无线传感网中每个传感器网络节点i充满电所需时间；

S5、从N种可能的成簇方案中用优化算法搜索能量传输模块UAV在整个无线传感网区域中任一位置对所有传感器网络节点充满电所需时间，选取其中的最大时间，认定其为能量传输模块UAV给整个无线传感网络充满电所需的时间；

S6、从N种可能的成簇方案对应的最大时间中，找出最小的时间代价值以及对应最优UAV充电位置或路径。

2.根据权利要求1所述的基于UAV对无线传感网充电的方法，其特征在于，所述簇头节点通信能耗为接收信息能耗和发送信息能耗之和。

3.根据权利要求1所述的基于UAV对无线传感网充电的方法，其特征在于，所述成员节点包括休眠节点、工作节点以及未激活节点，所述簇头节点等概率、周期性选择生成。

4.根据权利要求1所述的基于UAV对无线传感网充电的方法，其特征在于，所述优化算法为基本差分进化算法。

5.根据权利要求3所述的基于UAV对无线传感网充电的方法，其特征在于，所述工作节点的能耗模型采用一阶无线电模型，当节点间通信距离d_ii较近时，能耗模型采用自由空间信道模型；当节点间通信距离d_ii较远时，能耗模型采用多路径衰减模型。

6.根据权利要求1所述的基于UAV对无线传感网充电的方法，其特征在于：能量传输模块UAV对传感器网络节点的能量传输数学模型为线性能量传输模型：

其中，Q_i(x(t),y(t))表示第i个传感器网络节点在无线传感网区域内点(x(t),y(t))的能量接收功率，h_k(t)为与距离有关的功率数量级，β₀表示在传输通道上单位距离1m节点接收到的能量，P表示传输功率中的一个常量，(x_k,y_k)表示能量传输模块UAV飞行在二维平面的坐标，H表示三维坐标中的飞行高度。

Images