CN111757266B - 基于太阳能供电型农业物联网的uav数据采集轨迹算法 - Google Patents
基于太阳能供电型农业物联网的uav数据采集轨迹算法 Download PDFInfo
- Publication number
- CN111757266B CN111757266B CN202010521675.6A CN202010521675A CN111757266B CN 111757266 B CN111757266 B CN 111757266B CN 202010521675 A CN202010521675 A CN 202010521675A CN 111757266 B CN111757266 B CN 111757266B
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- uav
- nodes
- energy consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 129
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 99
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 14
- 239000013256 coordination polymer Substances 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000002922 simulated annealing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000003306 harvesting Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 208000021907 Central cloudy dystrophy of François Diseases 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000002370 liquid polymer infiltration Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005584 early death Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法,包括先针对农田UAV‑WSN,选取太阳能节点作为簇头,然后采用基于最优簇数的FCM聚类算法确定聚类中心,并结合聚类中心映射簇头节点进行太阳能节点的部署;提出WSN不成簇、WSN成簇但簇头不融合数据、WSN成簇且簇头融合数据这3种不同的UAV轨迹设计方案,然后根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数;根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划,得到3条UAV轨迹规划路线;计算3条路线所对应的节点能耗,通过能耗和UAV飞行路程选择最优方案。本发明可以设计出能耗低、路径长度短、数据采集范围广泛的UAV数据采集路径。
Description
技术领域
本发明涉及UAV轨迹设计技术领域,特别涉及一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法。
背景技术
无线传感器网络(WSN,wireless sensor network)作为农业物联网***的重要组成部分,是转变农业生产模式,促进农业高效发展的重要载体。传统的WSN通常由大量体积小,储能少,价格低的传感器节点和若干个数据融合中心组成,传感器节点之间通过成簇、不成簇和单跳、多跳方式传递数据给融合中心(FC),对于静止的FC,容易造成传感器节点的提早死亡和WSN的能量热区问题。为优化这一问题,在WSN中引入了UAV(Unmanned aerialvehicle),采用UAV作物移动FC可以均衡WSN的网络能耗,而且可以有效的避免农田复杂的环境因素影响移动路径和数据采集稳定性问题。
近年来,WSN中的分布式估计引起了极大的研究兴趣。分布式估计的一个关键特点是传感器SN在WSN固有的限制(如能量受限、带宽受限和测量精度受限)下协同估计标量参数、信号矢量或其它参数,主要的设计目标是在达到可接受的估计性能的同时节约资源。UAV-WSN分布式估计的一个基本问题就是UAV的轨迹设计,需要考虑三个因素:首先,对于UAV自身限制,UAV的飞行路程是有上限的;其次,根据分布式估计精度要求,需要采集足够多的节点的量化数据,如最小化CRLB估计参数;最后,避免WSN过早出现死亡节点,需要所有节点的能耗均衡。因此,对于如何改善分布式估计性能这一问题,关键在于UAV如何找到一条能耗低,路径长度短,数据采集范围广泛的路径。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法,该算法可以设计出能耗低、路径长度短、数据采集范围广泛的UAV数据采集路径。
本发明的目的通过下述技术方案实现:一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法,步骤如下:
S1、针对农田UAV-WSN,选取太阳能节点作为簇头,然后采用基于最优簇数的FCM聚类算法确定聚类中心,并结合聚类中心映射簇头节点进行太阳能节点的部署;
S2、提出WSN不成簇、WSN成簇但簇头不融合数据、WSN成簇且簇头融合数据这3种不同的UAV轨迹设计方案,然后根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数;
S3、根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划,得到3种方案所对应的UAV轨迹规划路线;
S4、计算3条路线所对应的节点能耗,通过能耗和UAV飞行路程选择最优方案,最优方案即为UAV最终的数据采集轨迹。
优选的,在步骤S1中,采用基于最优簇数的FCM聚类算法确定聚类中心,过程具体如下:
S11、根据最优簇数公式计算得聚类数K:
S12、初始化隶属度矩阵uij:
给定聚类数K,节点总数N,考虑每一个聚类群的群内的目标函数最小,采用模糊集合设定每个节点对于每个群的隶属度集合为U,即第j个节点属于第i个群的隶属度为uij,该群的群心为ci,且第j个节点也即节点xj;
为了使每个节点与其所属的群的群心距离在确定所属时有效,而与其不所属的群的群心距离在确定所属时无效,所以考虑一个模糊数q控制隶属度的重要性,使得确定xj所属于第i群的计算值为:
考虑到初始隶属度uij对FCM算法最终聚类效果的影响,引入logistic混沌模型进行隶属度uij的初始化,logistic混沌模型的数学模型如下:
an+1=μ*an*(1-an)
其中,an为第n次迭代生成的值,a1为(0~1)范围内的随机值;an+1为第n+1次迭代生成的值;μ∈[0~4];an迭代生成的值处于混沌态,具有遍历性;
S13、采用拉格朗日乘子式并分别对uij和ci求偏导,计算公式如下:
其中,cl为第l簇的簇心;
S14、对于所有的节点和所有的群数,其目标函数为:
S15、如果|J(t)-J(t-1)|<ε,其中,ε为最小偏差值,J(t-1)代表第t-1次迭代时的目标函数值,则算法结束,群心ci即为聚类中心;否则回到步骤S13。
更进一步的,在步骤S1中,结合聚类中心映射簇头节点进行太阳能节点的部署,具体是:
采用最近邻映射选择节点作为聚类中心,以ci表示第i簇的聚类中心,xij表示第i簇的第j个簇内节点,选择节点的处理过程如下:
min||ci-xij||
完成位置映射后,选择映射节点为太阳能节点进行部署。
优选的,在步骤S2中,WSN不成簇的UAV轨迹设计方案具体是指:所有的遍历节点均与UAV直接通信,由UAV发送信息给遍历节点,遍历节点再发送数据给UAV;
WSN成簇但簇头不融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头节点再转发数据给UAV;
WSN成簇且簇头融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头融合数据,然后再转发数据给UAV。
优选的,在步骤S2中,根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数,过程如下:
(1)对于WSN不成簇:
提出无簇自适应量化方案:
通过无簇分布式估计式计算WSN不成簇情况下的CRLB:
其中,N为节点个数;表示传感器用作阈值的规范化频率,P(τn-1=k*Δ)是第n-1个节点的量化阈值τn-1为k*Δ时的概率;pw(x)为wk的概率密度函数(PDF);Fw(x)为wk的互补累积密度函数(CCDF);θ为物理世界的被估计的环境物理量,即从UAV收到的量化数据中估计的参数;为参数θ的估计值;wk是区域内第k个节点的观测噪声;Δ表示参数量化步长;k代表区域内第k个节点;τk为节点从其他传感器节点累积早期传输数据,并使用累计值作为其1位定量器的阈值;
然后采用二分法计算最接近且小于给定区域CRLB时的区域所需遍历节点数;
(2)对于WSN成簇但不融合数据:局部估计的CRLB、区域所需遍历节点数的计算均与WSN不成簇的计算相同;
(3)对于WSN成簇且簇头融合数据:
提出成簇自适应量化方案:全局估计的CRLB可由局部估计CRLB的加权和表示;
通过成簇分布式估计式计算WSN成簇且簇头融合数据情况下的CRLB:
然后计算不同簇数情况下满足给定区域CRLB时的簇内成员数,其中最大成簇数是区域内太阳能节点数,最少成簇数是2;
比较不同簇数下WSN的总能耗,选择能耗最小情况时的簇数和簇内成员数。
优选的,对于节点分布均匀度:
通过分布均匀度势函数进行计算节点分布均匀度fr,其中,第r个节点的分布均匀度势函数计算公式为:
区域内所有节点的均匀度势函数计算公式为:
当区域内节点分布越均匀时,其总的均匀度势函数值越小;
对于节点剩余能量:
通过如下计算公式计算普通节点剩余能量权重:
式中,Estart为节点剩余能量;ERest为节点初始能量;
通过如下计算公式计算太阳能节点剩余能量权重:
式中,EFore为预测能量采集值,可从下述太阳能能量采集值Ehav估算;
当节点的剩余能量越多时,剩余能量权重越小;
对于太阳能能量采集值:
太阳能能量采集可根据时间、天气和位置这些因素量化成用不同峰值的三角函数表示的太阳能采集能量模型,并通过该模型计算太阳能能量采集值,根据太阳升起和落下情况,选定早上6点开始进行太阳能采集,下午6点后结束;
太阳能采集能量模型为:
Ehav=z*sin(x)-rand
更进一步的,根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划的过程如下:
S31、基于最小化代价方程选择UAV的遍历节点,最小化代价方程如下:
式中,Ni为第i簇中选择的节点数;wij为第i簇中第j个节点的剩余能量权重;fij为第i簇中第j个节点的均匀度势函数值;
S32、考虑到模拟退火算法求得的代价函数最小值所得的遍历节点的UAV路径规划问题可以看作是旅行商问题,即指从初始城市出发,然后遍历访问其余所有的城市最后回到初始城市的最短路径规划问题,旅行商问题的求解是指在连通图中,遍历除起始节点外其余所有的节点一次,规划除最短的Hamilton回路,这里,定义旅行商问题的数学模型如下:
给定一个连通图P=(CP,LP),其中,CP为节点编号的集合,LP为节点之间的边的集合;设节点集合CP={1,2,...,N},边集合LP={(r,j,wrj)|r,j∈CP,wrj∈R+},wrj是第r个节点和第j个节点之间的距离,则Hamilton回路为一组包含所有节点的边的集合其中包含起始节点两次,其余节点一次,mr,mj∈CP,且r≠j;
对于边集合LP中元素的选择表示如下:
则Hamilton回路的目标函数表示如下:
假设***前一个状态为x(n),***根据设定指标,其状态变为x(n)+1,***的能量相应地由E(n)变为E(n+1),定义***由x(n)变为x(n)+1的接受概率P为:
其中的***根据不同的场景需要不同,这里为全局区域搜索和局部簇内搜索;
S33、采用模拟退火算法求取步骤S31的最小化代价方程的最小值,节点的代价函数f越小,选择该节点的概率越大,以此求出区域内所选择的遍历节点;
S34、然后根据区域内所选择的遍历节点计算出Hamilton回路的目标函数的最小值,得到UAV的最短路径。
更进一步的,步骤S33的过程如下:
S331、为了使降温过程更快,先通过蒙特卡洛算法确定一个较优初始解w,计算适值分f(w);
S332、考虑到选择节点是离散的,这里选择随机更新解中的任意一个元素来产生新解w'来计算新的适值f(w');
S333、然后计算适值增量Δf=f(w')-f(w),并判断Δf是否大于0,如果Δf≤0,则按照Metropolis准则接受新解,如果Δf>0,则接受新解w=w',f(w)=f(w');
S334、缓慢降温,判断是否满足终止条件,若否,则返回重新步骤S332;
若是,则运算结束,最终的解即为最小化代价方程的最小值。
优选的,在步骤S4中,3种方案所对应的UAV轨迹规划路线的节点能耗模型分别如下:
(1)基于无簇分布式估计,WSN不成簇的能耗模型:
每个节点能耗:
(2)基于无簇分布式估计,WSN成簇但簇头不融合数据的能耗模型:
最终,簇头节点能耗和簇成员能耗分别为:
(3)基于成簇分布式估计,WSN成簇且簇头融合数据的能耗模型:
其中,mi*Eda为簇头融合数据能耗;
通过能耗和UAV飞行路程选择最优方案,具体为:
基于上述节点能耗模型,计算出网络的总能耗ETotal;
然后比较3种方案的总能耗ETotal和UAV轨迹规划路线所对应的UAV飞行路程Len来选择最优方案,方案选择函数如下:
min f=a1ETotal+a2Len
式中,a1为能耗权重;a2为路径长度权重;其中a1和a2根据实际情况设置,如果当网络生存周期比重越大时,则设置a1越大,同理,在UAV路径长度受限制越大时,设置a2越大。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明基于太阳能供电型农业物联网的UAV数据采集轨迹算法,先结合基于最优簇数的FCM聚类算法选择太阳能节点部署位置,然后在UAV轨迹设计部分为2个模块进行设计,包括节点选择模块,UAV路径规划模块,最后通过比较不同方案所得的最短路径长度和节点能耗,选择最优方案,最终设计出能耗低、路径长度短、数据采集范围广泛的UAV数据采集路径,使得UAV的数据采集能够在UAV飞行路程长度、传感器节点能耗问题和数据采集节点分布均匀度上取得平衡,有利于改善分布式估计性能,进而延长网络寿命。
(2)本发明UAV数据采集轨迹算法中,为了确保农田信息采集的估计数据的准确性,UAV需要采集足够数量的节点保证所需数据能够在允许的误差内还原,所以基于给定的CRLB计算所需采集数据的节点数,保证数据的还原准确度。此外,由于是否成簇融合数据导致CRLB求取遍历节点的计算公式不同,且是否成簇融合数据会直接影响UAV飞行路径长度和WSN的总能耗,所以本发明还提出3种UAV轨迹设计方案分别计算节点数并比较不同方案消耗的资源,从中选择出最佳方案,这样设计出来的UAV数据采集轨迹更能符合数据采集稳定性和节约资源的要求。
附图说明
图1是本发明基于太阳能供电型农业物联网的UAV数据采集轨迹算法的流程图。
图2是部署有节点的农田环境的仿真图。
图3是方案1的UAV轨迹规划线路图。
图4是4份农田区域在第100轮运行方案1情况下节点的能耗示意图。
图5是方案2的UAV轨迹规划线路图。
图6是4份农田区域在第60轮运行方案2情况下节点的能耗示意图。
图7是方案3的UAV轨迹规划线路图。
图8是4份农田区域在第10轮运行方案3情况下节点的能耗示意图。
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,但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法,先确定选取太阳能节点作为簇头,采用基于最优簇数的FCM聚类算法结合聚类中心映射选择太阳能节点部署位置,然后在UAV轨迹设计部分分为2个模块进行设计,包括节点选择模块,UAV路径规划模块,最后通过比较不同方案所得的最短路径长度和节点能耗,选择最优方案。如图1所示,步骤如下:
S1、由于簇头能耗远大于普通节点能耗,出于能耗均衡问题的考虑,选取农田UAV-WSN中的太阳能节点作为簇头,然后采用基于最优簇数的FCM(Fuzzy C-Means)聚类算法确定聚类中心,并结合聚类中心映射簇头节点进行太阳能节点的部署。
农田环境被划分多块区域,各区域面积相同,且各区域间距离不计。FCM(Fuzzy C-Means)聚类算法的基本思想是使得划分到同一类的节点的目标函数最小,将FCM聚类算法应用到WSN的分簇中,可以将区域内的节点按照相似度分为K个簇,有效的降低簇分布不均的能耗。
采用基于最优簇数的FCM聚类算法结合聚类中心映射簇头节点进行太阳能节点的部署,过程具体如下:
S11、根据最优簇数公式计算得聚类数K:
S12、初始化隶属度矩阵:
为了使每个节点与其所属的群的群心距离在确定所属时有效,而与其不所属的群的群心距离在确定所属时无效,所以考虑一个模糊数q控制隶属度的重要性,使得确定xj所属于第i群的计算值为:
考虑到初始隶属度uij对FCM算法最终聚类效果的影响,引入logistic混沌模型进行隶属度uij的初始化,logistic混沌模型的数学模型如下:
an+1=μ*an*(1-an)
其中,an为第n次迭代生成的值,a1为(0~1)范围内的随机值;an+1为第n+1次迭代生成的值;μ∈[0~4],一般取值4;an迭代生成的值处于混沌态,具有遍历性;an作为隶属度矩阵中的元素uij的初始化,通过不断迭代就可以把uij初始化;
S13、采用拉格朗日乘子式并分别对uij和ci求偏导,计算公式如下:
其中,cl为第l簇的簇心;
S14、对于所有的节点和所有的群数,其目标函数为:
S15、如果|J(t)-J(t-1)|<ε,其中,ε为最小偏差值,J(t-1)代表第t-1次迭代时的目标函数值,则算法结束,群心ci即为聚类中心;否则回到步骤S13;
S16、采用最近邻映射选择节点作为聚类中心,以ci表示第i簇的聚类中心,xij表示第i簇的第j个簇内节点,选择节点的处理过程如下:
min||ci-xij||
完成位置映射后,选择映射节点为太阳能节点进行部署。
S2、提出WSN不成簇、WSN成簇但簇头不融合数据、WSN成簇且簇头融合数据这3种不同的UAV轨迹设计方案,然后根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数。
其中,WSN不成簇的UAV轨迹设计方案具体是指:所有的遍历节点均与UAV直接通信,由UAV发送信息给遍历节点,遍历节点再发送数据给UAV。
WSN成簇但簇头不融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头节点再转发数据给UAV。
WSN成簇且簇头融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头融合数据,然后再转发数据给UAV。
根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数,过程如下:
(1)对于WSN不成簇:
提出无簇自适应量化方案:考虑一个由M块区域和一个UAV构成的融合中心组成,各区域部署Ni(i=1,2...M)个传感器节点的无线传感器网络,每个传感器节点xj对未知参数θ进行噪声观测。假设观测噪声{wj,j=1,2,...,Ni}是均值为0和方差为σ2的独立同分布高斯随机变量,每个传感器节点都观测到一个未知且确定的标量参数:xj=θ+wj,j=1,2,...,Ni。假设由于带宽和功率约束,所有的传感器都需要将其观测值{xj}量化成一位二进制数据{bj},其量化公式为bj=sgn{xj-τj-1},然后从UAV收到的量化数据{bj}中估计未知参数θ。每个传感器节点从其他传感器节点累积早期传输数据,并使用累计值作为其1位定量器的阈值k代表区域内第k个节点;Δ表示参数量化步长。累计值可以显示在未知参数θ周围收敛。基于该自适应量化方案得出在融合中心中使用的最大可能性估计器(MLE),并得出了在不成簇情况对未知参数θ的估计值的CRLB,即最大可能性估计器的能到达的最佳估计精度。
最大可能性估计器即无簇分布式估计式,通过无簇分布式估计式计算WSN不成簇情况下的CRLB:
其中,N为节点个数;表示传感器用作阈值的规范化频率,P(τn-1=k*Δ)是第n-1个节点的量化阈值τn-1为k*Δ时的概率;pw(x)为wk的概率密度函数(PDF);Fw(x)为wk的互补累积密度函数(CCDF);θ为物理世界的被估计的环境物理量,即从UAV收到的量化数据中估计的参数;wk是区域内第k个节点的观测噪声;
然后采用二分法计算最接近且小于给定区域CRLB时的区域所需遍历节点数;
(2)对于WSN成簇但不融合数据:局部估计的CRLB、区域所需遍历节点数的计算均与WSN不成簇的计算相同;
(3)对于WSN成簇且簇头融合数据:
提出成簇自适应量化方案:全局估计的CRLB可由局部估计CRLB的加权和表示;
通过成簇分布式估计式计算WSN成簇且簇头融合数据情况下的CRLB:
然后计算不同簇数情况下满足给定区域CRLB时的簇内成员数,其中最大成簇数是区域内太阳能节点数,最少成簇数是2;
比较不同簇数下WSN的总能耗,选择能耗最小情况时的簇数和簇内成员数。
S3、根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划,得到3种方案所对应的UAV轨迹规划路线。
其中,对于节点分布均匀度:因为基于分布式估计的CRLB计算遍历节点数,所以UAV不会访问所有的节点收集数据,这时就需要保证UAV所采集数据节点所收集区域的数据信息重复率低,即保证节点在区域内分布充分均匀。
这里,通过分布均匀度势函数进行计算节点分布均匀度fr,其中,第r个节点的分布均匀度势函数计算公式为:
区域内所有节点的均匀度势函数计算公式为:
当区域内节点分布越均匀时,其总的均匀度势函数值越小;
对于节点剩余能量:考虑到WSN的生存周期,选择的遍历节点不仅要满足分布均匀性,还需要权衡节点的剩余能量。节点分为普通节点和太阳能节点,因为太阳能节点具有能量采集功能,所以在计算剩余能量权重时应该加上预测能量采集值。
这里,通过如下计算公式计算普通节点剩余能量权重:
式中,Estart为节点剩余能量;ERest为节点初始能量;
通过如下计算公式计算太阳能节点剩余能量权重:
式中,EFore为预测能量采集值,可从下述太阳能能量采集值Ehav估算,比如,可取Ehav中的z*sin(x)。
当节点的剩余能量越多时,剩余能量权重越小;
对于太阳能能量采集值:太阳能能量采集可根据时间、天气和位置这些因素量化成用不同峰值的三角函数表示的太阳能采集能量模型,并通过该模型计算太阳能能量采集值。本实施例根据晴天、阴天设计了如下太阳能采集能量模型,根据我国的太阳升起和落下情况,选定早上6点开始进行太阳能采集,下午6点后结束。
太阳能采集能量模型为:
Ehav=z*sin(x)-rand
根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划的过程如下:
S31、基于最小化代价方程选择UAV的遍历节点,最小化代价方程如下:
式中,Ni为第i簇中选择的节点数;wij为第i簇中第j个节点的剩余能量权重;fij为第i簇中第j个节点的均匀度势函数值;
当节点的剩余能量越多时,权重系数越小,则f越小,选择该节点的概率越大。
S32、考虑到模拟退火算法求得的代价函数最小值所得的遍历节点的UAV路径规划问题可以看作是旅行商问题(Traveling Salesman Problem,TSP),即指从初始城市出发,然后遍历访问其余所有的城市最后回到初始城市的最短路径规划问题,旅行商问题的求解是指在连通图中,遍历除起始节点外其余所有的节点一次,规划除最短的Hamilton回路。这里,定义旅行商问题的数学模型如下:
给定一个连通图P=(CP,LP),其中,CP为节点(城市)编号的集合,LP为节点之间的边(距离)的集合;设节点集合CP={1,2,...,N},边集合LP={(r,j,wrj)|r,j∈CP,wrj∈R+},wrj是第r个节点和第j个节点之间的距离,则Hamilton回路为一组包含所有节点的边的集合其中包含起始节点两次(这是由于其他节点从起始节点出发,最后又回到起始节点),其余节点一次,mr,mj∈CP,且r≠j;
对于边集合LP中元素的选择表示如下:
则Hamilton回路的目标函数表示如下:
假设***前一个状态为x(n),***根据设定指标(例如梯度下降),其状态变为x(n)+1,***的能量相应地由E(n)变为E(n+1),定义***由x(n)变为x(n)+1的接受概率P为:
其中的***根据不同的场景需要不同,比如为本实施例中采用的全局区域搜索和局部簇内搜索。
S33、采用模拟退火算法(SA)求取步骤S31的最小化代价方程的最小值,节点的代价函数f越小,选择该节点的概率越大,以此求出区域内所选择的遍历节点;
模拟退火算法来源于固体退火原理,包含两个部分即Metropolis算法和退火过程。Metropolis算法就是如何在局部最优解的情况下让其跳出来,是退火的基础。模拟退火算法求解最小化代价方程的过程如下:
S331、为了使降温过程更快,先通过蒙特卡洛算法确定一个较优初始解w,计算适值分f(w);
S332、考虑到选择节点是离散的,这里选择随机更新解中的任意一个元素来产生新解w',从而来计算新的适值f(w'),以确保得到全局最优;
S333、然后计算适值增量Δf=f(w')-f(w),并判断Δf是否大于0,如果Δf≤0,则按照Metropolis准则接受新解,如果Δf>0,则接受新解w=w',f(w)=f(w');
S334、缓慢降温,判断是否满足终止条件,若否,则返回重新步骤S332;终止条件可以设定迭代次数或需要求得的解的精度,满足迭代次数或精度要求停止。
若是,则运算结束,最终的解即为最小化代价方程的最小值。
S34、然后根据区域内所选择的遍历节点计算出Hamilton回路的目标函数的最小值,得到UAV的最短路径。
S4、计算3条路线所对应的节点能耗,通过能耗和UAV飞行路程选择最优方案,最优方案即为UAV最终的数据采集轨迹。
其中,3种方案所对应的UAV轨迹规划路线的节点能耗模型分别如下:
(1)基于无簇分布式估计,WSN不成簇的能耗模型:
每个节点能耗:
(2)基于无簇分布式估计,WSN成簇但簇头不融合数据的能耗模型:
最终,簇头节点能耗和簇成员能耗分别为:
(3)基于成簇分布式估计,WSN成簇且簇头融合数据的能耗模型:
其中,mi*Eda为簇头融合数据能耗;
通过能耗和UAV飞行路程选择最优方案,具体为:
基于上述节点能耗模型,计算出网络的总能耗ETotal;
然后比较3种方案的总能耗ETotal和UAV轨迹规划路线所对应的UAV飞行路程Len来选择最优方案,方案选择函数如下:
min f=a1ETotal+a2Len
式中,a1为能耗权重;a2为路径长度权重;其中a1和a2根据实际情况设置,如果当网络生存周期比重越大时,则设置a1越大,同理,在UAV路径长度受限制越大时,设置a2越大。本实施例考虑网络生存周期比重大,故设置a1=100,a2=0.01。
为了验证本实施例算法,本实施例还采用MATLAB R2019a应用软件进行仿真,仿真实验首先对农田环境建模和节点部署进行仿真。从图2可以看出,农田环境被定义为200m*200m的矩形区域,分为4份农田区域,忽略各份区域之间的距离,无人机(矩形部分)被设置在整个矩形区域的中间位置,其中,“△”表示太阳能节点。
表1
Eelec为单位长度传输能耗,Efs为自由空间能耗模型的能耗参数,Emp为多路径衰减模型的能耗参数,Eda为融合单位比特的能量损耗。
然后通过相同的给定CRLB分析3种方案的节点选择模块和UAV轨迹规划模块执行情况,然后分析运行多轮的UAV-WSN能耗情况。
其中,轨迹规划部分采用的模拟退火算法的参数表如表2:
表2
(1)区域不成簇(方案1):
图3为方案1的UAV轨迹规划线路图,从图3可以看出,用黑色实心点表示的节点在其所在区域内分布均匀。经计算,该轮UAV的路径长度为1200.17m,网络的总能耗ETotal=0.0049J。当所需遍历节点较少时,UAV的路径长度较短,且在此方案情况下,节点只需与UAV通信,网络的整体能耗最小,所以一般当考虑网络生存周期比重大时采用该方案。
图4表示4份农田区域在第100轮运行方案1情况下节点的能耗,图4横坐标为节点(Nodes),纵坐标为节点剩余能量(EnergyRest),其中,灰色的柱体代表太阳能节点剩余能量,考虑太阳能节点的能量采集,所以在计算网络能耗均衡时不考虑太阳能节点的剩余能量,则当前普通节点剩余能量的标准差矩阵如下:
Std=[4.3636e-04,7.9359e-04;8.3618e-04,4.6303e-04]
区域普通节点剩余能量最大最小值矩阵如下:
Min/Max=[6.2e-03/7.9e-03,6.3e-03/8.9e-03;5.3e-03/8.5e-03,7.2e-03/9.0e-03]
通过比较除去太阳能节点剩余能量的标准差矩阵和普通节点剩余能量的最大最小值矩阵的数值大小,可以看出各个区域的网络的能耗均衡性较好。
(2)区域成簇,簇头仅转发不融合数据(方案2):经计算,此轮中UAV的路径长度为813.5m,网络的总能耗ETotal=0.0213J。图5为方案2的UAV轨迹规划线路图,从图5可以看出,UAV遍历簇头进行数据采集,UAV的路径长度取决于具有簇内选择节点的簇头个数,所以即使当遍历节点足够多时,UAV的路径长度也基本不变,而节点的总能耗与具有簇内选择节点的簇头个数和簇内选择节点数有直接影响。从该轮可以看出,方案2的UAV路径长度相较于方案1缩短了1/3左右,不过网络总能耗是方案1的4倍以上。
图6表示4份农田区域在第60轮运行方案2情况下节点的能耗。不计太阳能节点的区域普通节点剩余能量的标准差矩阵如下:
Std=[7.3593e-04,6.3812e-04;5.8002e-04,5.3920e-04]
区域普通节点剩余能量最大最小值矩阵如下:
Min/Max=[4.6e-03/8.6e-03,6.2e-03/8.7e-03;4.3e-03/6.8e-03,7.1e-03/9.1e-03]
同样比较除去太阳能节点剩余能量的标准差矩阵和普通节点剩余能量的最大最小值矩阵的数值大小,可以看出各个区域的网络的能耗均衡性较好。
(3)区域成簇,簇头融合数据(方案3):不同于之前的两种方案节点选择时直接在全区域进行选择,在本方案情况下,成簇数和簇内遍历节点数直接影响分布式估计的CRLB,所以本方案采用遍历算法计算成簇数和簇内遍历节点数。基于计算出的成簇数和簇内遍历节点数在每个簇内进行遍历节点的选择。
经计算,此轮中UAV的路径长度为535.5m,网络的总能耗ETotal=0.0374J。图7为方案3的UAV轨迹规划线路图,从此图可以看出,基于成簇分布式估计进行UAV轨迹规划的路径长度小于前两个方案,但节点分布均匀度差于前两个方案,且网络的总能耗也增加了不少。
图8表示4份农田区域在第10轮运行方案3情况下节点的能耗。不计太阳能节点的区域普通节点剩余能量的标准差矩阵如下:
Std=[9.4807e-04,7.8176e-04;2.8133e-04,9.2428e-04]
区域普通节点剩余能量最大最小值矩阵如下:
Min/Max=[5.7e-03/9.5e-03,6.4e-03/8.4e-03;6.6e-03/7.8e-03,5.8e-03/9.0e-03]
因为在进行分簇数和簇内成员数计算时,若需要采集的数据精度过高,即给定CRLB过小,则分簇数和簇内成员数越大,某些簇的簇内成员数不能满足得出的簇内成员数,所以在均衡性方面略差于前两个方案。
3种方案各项指标的对比表如表3所示:
表3
仿真结果表明:在同一给定CRLB下,区域成簇,且簇头融合数据方案在缩短UAV路径长度方面最优,区域不成簇方案的网络总能耗最小。故在选择方案时,可借助方案选择函数来权衡网络生存周期和UAV路径长度的比重关系。
可通过各种手段实施本发明描述的技术。举例来说,这些技术可实施在硬件、固件、软件或其组合中。对于硬件实施方案,处理模块可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLD)、现场可编辑逻辑门阵列(FPGA)、处理器、控制器、微控制器、电子装置、其他经设计以执行本发明所描述的功能的电子单元或其组合内。
对于固件和/或软件实施方案,可用执行本文描述的功能的模块(例如,过程、步骤、流程等)来实施所述技术。固件和/或软件代码可存储在存储器中并由处理器执行。存储器可实施在处理器内或处理器外部。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (2)
1.一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法,其特征在于,步骤如下:
S1、针对农田UAV-WSN,选取太阳能节点作为簇头,然后采用基于最优簇数的FCM聚类算法确定聚类中心,并结合聚类中心映射簇头节点进行太阳能节点的部署;
S2、提出WSN不成簇、WSN成簇但簇头不融合数据、WSN成簇且簇头融合数据这3种不同的UAV轨迹设计方案,然后根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数;
S3、根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划,得到3种方案所对应的UAV轨迹规划路线;
S4、计算3条路线所对应的节点能耗,通过能耗和UAV飞行路程选择最优方案,最优方案即为UAV最终的数据采集轨迹;
在步骤S1中,采用基于最优簇数的FCM聚类算法确定聚类中心,过程具体如下:
S11、根据最优簇数公式计算得聚类数K:
式中,K等于簇头数目m,且N为普通节点数目;k1为簇信息数据包长度;k2为采集数据包长度;C为区域边长,d2为簇头与UAV之间的距离;Emp为多路径衰减模型的能耗参数;Eelec为单位长度传输能耗;Efs为自由空间能耗模型的能耗参数;
S12、初始化隶属度矩阵uij:
给定聚类数K,节点总数N,考虑每一个聚类群的群内的目标函数最小,采用模糊集合设定每个节点对于每个群的隶属度集合为U,即第j个节点属于第i个群的隶属度为uij,该群的群心为ci,且第j个节点也即节点xj;
为了使每个节点与其所属的群的群心距离在确定所属时有效,而与其不所属的群的群心距离在确定所属时无效,所以考虑一个模糊数q控制隶属度的重要性,使得确定xj所属于第i群的计算值为:
考虑到初始隶属度uij对FCM算法最终聚类效果的影响,引入logistic混沌模型进行隶属度uij的初始化,logistic混沌模型的数学模型如下:
an+1=μ*an*(1-an)
其中,an为第n次迭代生成的值,a1为(0~1)范围内的随机值;an+1为第n+1次迭代生成的值;μ∈[0~4];an迭代生成的值处于混沌态,具有遍历性;
S13、采用拉格朗日乘子式并分别对uij和ci求偏导,计算公式如下:
其中,cl为第l簇的簇心;
S14、对于所有的节点和所有的群数,其目标函数为:
S15、如果|J(t)-J(t-1)|<ε,其中,ε为最小偏差值,J(t-1)代表第t-1次迭代时的目标函数值,则算法结束,群心ci即为聚类中心;否则回到步骤S13;
在步骤S2中,WSN不成簇的UAV轨迹设计方案具体是指:所有的遍历节点均与UAV直接通信,由UAV发送信息给遍历节点,遍历节点再发送数据给UAV;
WSN成簇但簇头不融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头节点再转发数据给UAV;
WSN成簇且簇头融合数据的UAV轨迹设计方案具体是指:UAV只和簇头通信,由UAV发送簇成员信息给簇头,簇头再广播簇成员信息给簇成员,然后簇成员发送数据给簇头,簇头融合数据,然后再转发数据给UAV;
在步骤S2中,根据给定的CRLB,计算3种方案下区域所需的遍历节点数和分簇数,过程如下:
(1)对于WSN不成簇:
提出无簇自适应量化方案:
通过无簇分布式估计式计算WSN不成簇情况下的CRLB:
其中,N为节点个数;表示传感器用作阈值的规范化频率,P(τn-1=k*Δ)是第n-1个节点的量化阈值τn-1为k*Δ时的概率;pw(x)为wk的概率密度函数(PDF);Fw(x)为wk的互补累积密度函数(CCDF);θ为物理世界的被估计的环境物理量,即从UAV收到的量化数据中估计的参数;为参数θ的估计值;wk是区域内第k个节点的观测噪声;Δ表示参数量化步长;k代表区域内第k个节点;τk为节点从其他传感器节点累积早期传输数据,并使用累计值作为其1位定量器的阈值;
然后采用二分法计算最接近且小于给定区域CRLB时的区域所需遍历节点数;
(2)对于WSN成簇但不融合数据:局部估计的CRLB、区域所需遍历节点数的计算均与WSN不成簇的计算相同;
(3)对于WSN成簇且簇头融合数据:
提出成簇自适应量化方案:全局估计的CRLB可由局部估计CRLB的加权和表示;通过成簇分布式估计式计算WSN成簇且簇头融合数据情况下的CRLB:
然后计算不同簇数情况下满足给定区域CRLB时的簇内成员数,其中最大成簇数是区域内太阳能节点数,最少成簇数是2;
比较不同簇数下WSN的总能耗,选择能耗最小情况时的簇数和簇内成员数;
对于节点分布均匀度:
通过分布均匀度势函数进行计算节点分布均匀度fr,其中,第r个节点的分布均匀度势函数计算公式为:
区域内所有节点的均匀度势函数计算公式为:
当区域内节点分布越均匀时,其总的均匀度势函数值越小;
对于节点剩余能量:
通过如下计算公式计算普通节点剩余能量权重:
式中,Estart为节点剩余能量;ERest为节点初始能量;
通过如下计算公式计算太阳能节点剩余能量权重:
式中,EFore为预测能量采集值,可从下述太阳能能量采集值Ehav估算;
当节点的剩余能量越多时,剩余能量权重越小;
对于太阳能能量采集值:
太阳能能量采集可根据时间、天气和位置这些因素量化成用不同峰值的三角函数表示的太阳能采集能量模型,并通过该模型计算太阳能能量采集值,根据太阳升起和落下情况,选定早上6点开始进行太阳能采集,下午6点后结束;
太阳能采集能量模型为:
Ehav=z*sin(x)-rand
根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划的过程如下:
S31、基于最小化代价方程选择UAV的遍历节点,最小化代价方程如下:
式中,Ni为第i簇中选择的节点数;wij为第i簇中第j个节点的剩余能量权重;fij为第i簇中第j个节点的均匀度势函数值;
S32、考虑到模拟退火算法求得的代价函数最小值所得的遍历节点的UAV路径规划问题可以看作是旅行商问题,即指从初始城市出发,然后遍历访问其余所有的城市最后回到初始城市的最短路径规划问题,旅行商问题的求解是指在连通图中,遍历除起始节点外其余所有的节点一次,规划除最短的Hamilton回路,这里,定义旅行商问题的数学模型如下:
给定一个连通图P=(CP,LP),其中,CP为节点编号的集合,LP为节点之间的边的集合;设节点集合CP={1,2,...,N},边集合LP={(r,j,wrj)|r,j∈CP,wrj∈R+},wrj是第r个节点和第j个节点之间的距离,则Hamilton回路为一组包含所有节点的边的集合其中包含起始节点两次,其余节点一次,mr,mj∈CP,且r≠j;
对于边集合LP中元素的选择表示如下:
则Hamilton回路的目标函数表示如下:
假设***前一个状态为x(n),***根据设定指标,其状态变为x(n)+1,***的能量相应地由E(n)变为E(n+1),定义***由x(n)变为x(n)+1的接受概率P为:
其中的***根据不同的场景需要不同,这里为全局区域搜索和局部簇内搜索;
S33、采用模拟退火算法求取步骤S31的最小化代价方程的最小值,节点的代价函数f越小,选择该节点的概率越大,以此求出区域内所选择的遍历节点;
S34、然后根据区域内所选择的遍历节点计算出Hamilton回路的目标函数的最小值,得到UAV的最短路径;
步骤S33的过程如下:
S331、为了使降温过程更快,先通过蒙特卡洛算法确定一个较优初始解w,计算适值分f(w);
S332、考虑到选择节点是离散的,这里选择随机更新解中的任意一个元素来产生新解w'来计算新的适值f(w');
S333、然后计算适值增量Δf=f(w')-f(w),并判断Δf是否大于0,如果Δf≤0,则按照Metropolis准则接受新解,如果Δf>0,则接受新解w=w',f(w)=f(w');
S334、缓慢降温,判断是否满足终止条件,若否,则返回重新步骤S332;
若是,则运算结束,最终的解即为最小化代价方程的最小值;
在步骤S4中,3种方案所对应的UAV轨迹规划路线的节点能耗模型分别如下:
(1)基于无簇分布式估计,WSN不成簇的能耗模型:
每个节点能耗:
(2)基于无簇分布式估计,WSN成簇但簇头不融合数据的能耗模型:
最终,簇头节点能耗和簇成员能耗分别为:
(3)基于成簇分布式估计,WSN成簇且簇头融合数据的能耗模型:
其中,mi*Eda为簇头融合数据能耗;
通过能耗和UAV飞行路程选择最优方案,具体为:
基于上述节点能耗模型,计算出网络的总能耗ETotal;
然后比较3种方案的总能耗ETotal和UAV轨迹规划路线所对应的UAV飞行路程Len来选择最优方案,方案选择函数如下:
minf=a1ETotal+a2Len
式中,a1为能耗权重;a2为路径长度权重;其中a1和a2根据实际情况设置,如果当网络生存周期比重越大时,则设置a1越大,同理,在UAV路径长度受限制越大时,设置a2越大。
2.根据权利要求1所述的基于太阳能供电型农业物联网的UAV数据采集轨迹算法,其特征在于,在步骤S1中,结合聚类中心映射簇头节点进行太阳能节点的部署,具体是:
采用最近邻映射选择节点作为聚类中心,以ci表示第i簇的聚类中心,xij表示第i簇的第j个簇内节点,选择节点的处理过程如下:
min||ci-xij||
完成位置映射后,选择映射节点为太阳能节点进行部署。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521675.6A CN111757266B (zh) | 2020-06-10 | 2020-06-10 | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521675.6A CN111757266B (zh) | 2020-06-10 | 2020-06-10 | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111757266A CN111757266A (zh) | 2020-10-09 |
CN111757266B true CN111757266B (zh) | 2022-03-18 |
Family
ID=72675142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521675.6A Active CN111757266B (zh) | 2020-06-10 | 2020-06-10 | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111757266B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112203310A (zh) * | 2020-10-12 | 2021-01-08 | 重庆邮电大学 | 一种基于无人机协作的数据传输方法 |
CN113194502B (zh) * | 2021-04-30 | 2022-06-21 | 哈尔滨工业大学 | 一种无人机集群的分布式中心选择和通信方法 |
CN113313412A (zh) * | 2021-06-18 | 2021-08-27 | 河海大学 | 一种基于改良圈算法的公共自行车调度模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994554A (zh) * | 2015-05-04 | 2015-10-21 | 四川大学 | 基于非均匀分簇的移动协助无线传感器网络路由方法 |
CN107548029A (zh) * | 2017-08-21 | 2018-01-05 | 河海大学常州校区 | 一种基于海水分层的水下传感网络中auv数据收集方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10515416B2 (en) * | 2014-09-03 | 2019-12-24 | Infatics, Inc. | System and methods for hosting missions with unmanned aerial vehicles |
CN107182063A (zh) * | 2017-05-26 | 2017-09-19 | 上海电机学院 | 一种基于自然能的无线传感器网络分簇路由协议 |
CN110488873A (zh) * | 2019-09-20 | 2019-11-22 | 怀化学院 | 一种植保无人机作业航线规划方法及*** |
CN110879610B (zh) * | 2019-10-24 | 2021-08-13 | 北京航空航天大学 | 太阳能无人机自主寻优航迹规划的强化学习方法 |
CN111198004A (zh) * | 2020-01-06 | 2020-05-26 | 华北电力大学(保定) | 一种基于无人机的电力巡查信息采集*** |
-
2020
- 2020-06-10 CN CN202010521675.6A patent/CN111757266B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994554A (zh) * | 2015-05-04 | 2015-10-21 | 四川大学 | 基于非均匀分簇的移动协助无线传感器网络路由方法 |
CN107548029A (zh) * | 2017-08-21 | 2018-01-05 | 河海大学常州校区 | 一种基于海水分层的水下传感网络中auv数据收集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111757266A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
CN105959987B (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及*** | |
CN113298191B (zh) | 基于个性化半监督在线联邦学习的用户行为识别方法 | |
CN112902969A (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN102014344A (zh) | 一种基于dpso的智能无线传感网络分簇控制方法 | |
Singh et al. | Multi-objective NSGA-II optimization framework for UAV path planning in an UAV-assisted WSN | |
Gad et al. | Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques | |
CN115966083A (zh) | 一种基于时空解耦的分布式交通流预测方法与*** | |
George et al. | Gaussian regression models for evaluation of network lifetime and cluster-head selection in wireless sensor devices | |
Anandkumar | Hybrid fuzzy logic and artificial Flora optimization algorithm-based two tier cluster head selection for improving energy efficiency in WSNs | |
Li et al. | UAV trajectory optimization for spectrum cartography: A PPO approach | |
Shi et al. | Multi-UAV-assisted computation offloading in DT-based networks: A distributed deep reinforcement learning approach | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
Yang et al. | WOAD3QN-RP: An intelligent routing protocol in wireless sensor networks—A swarm intelligence and deep reinforcement learning based approach | |
Yadav et al. | A novel algorithm for wireless sensor network routing protocols based on reinforcement learning | |
Xiong et al. | An energy aware algorithm for edge task offloading | |
Puviarasu et al. | Dynamic uneven clustering protocol for efficient energy management in EH-WSNs | |
CN113919188B (zh) | 一种基于上下文-mab的中继无人机路径规划方法 | |
CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及*** | |
Ding et al. | An efficient reinforcement learning game framework for uav-enabled wireless sensor network data collection | |
Wang et al. | A Vertical Heterogeneous Network (VHetNet)–Enabled Asynchronous Federated Learning-Based Anomaly Detection Framework for Ubiquitous IoT | |
Alhartomi et al. | Enhancing Sustainable Edge Computing Offloading via Renewable Prediction for Energy Harvesting | |
Mirza Samiulla Beg et al. | A comprehensive study in wireless sensor network (wsn) using artificial bee colony (abc) algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |