CN110418434A - 一种无人机辅助的无线传感器网络充电方法与装置 - Google Patents

Abstract

本发明公开了一种无人机辅助的无线传感器网络充电方法与装置，所述方法包括：(1)根据无线传感器网络中传感器节点的分布情况，用K均值聚类算法将传感器节点分成若干区域，每个区域设置簇的质心为无人机悬停点，无人机可以在此悬停点为该区域内的传感器节点充电；(2)以区域为单位，选出每个区域中剩余存活时间最短的传感器节点，将该节点的剩余存活时间作为该区域的剩余存活时间，以此确定无人机到达该区域的最晚截止时间；(3)优化无人机为每个区域的充电顺序，使得无人机在每个区域截止时间之前到达该区域的前提下，最短化无人机的飞行路径。本发明能够在满足所有传感器节点充电需求的情况下，最短化无人机飞行路径，提高了无人机的能量效率。

Description

一种无人机辅助的无线传感器网络充电方法与装置

技术领域

本发明涉及一种无人机辅助的无线传感器网络充电方法与装置，属于无线传感器网络技术领域。

背景技术

无线传感器网络由大量具有感知能力、通讯能力和计算能力的微型传感器节点组成，被广泛应用于环境监控、入侵检测等领域。无线传感器网络通常由大量低成本传感器节点构成，节点通常由诸如电池的固定能量源供电，一旦部署就难以再充电。然而，由于工作周期长且覆盖面积广，往往存在节点能量匮乏、网络寿命短等问题。支持射频传输的无线功率传输可为低功耗电子设备提供永久且经济高效的能源供应，传感器配备可充电电池，并且在必要时能够从移动充电器无线接收能量。因此，能量限制的瓶颈得到了缓解，为持续时间长和规模大的应用系统解决了后顾之忧。近年来，相关技术的快速发展促进了无人机在各个行业的渗透应用。作为一种可移动飞行器，在某些区域无人机比地面设备更方便进入，因此可以利用无人机对这些区域的传感器节点进行无线充电。

现有文献对无线传感器网络节点充电的研究可以分为三个方面，包括充电节点部署、确定性充电和非确定性充电。充电节点部署是指在无线传感器网络中部署一些固定的充电节点，为附近的传感器节点充电。该方法主要用于充电站的部署。确定性充电是指移动充电小车或无人机等周期性地对所有传感器节点充电。非确定性充电是指充电小车或无人机等根据节点的充电请求，对发出请求的节点进行充电。当传感器节点的能量低于阈值时，他们将向基站发送充电请求。然后合理地安排充电顺序，使得所有节点在其能量耗尽之前被充电。大多数非确定性充电方案不具有全局最优性，因为具有最近期限的节点被插入到当前的充电顺序。

无人机系统的耐久性和性能基本上受到车载能量的限制，由于飞机的尺寸和重量限制，机载能量实际上是有限的。最大化无人机的能量效率，即为节点充电的能量消耗在总能量消耗中的比例是很有意义的。也就是说，无人机需要在最短的飞行路径中为所有的节点充电。

发明内容

发明目的：为了解决上述背景技术提出的技术问题，本发明旨在提供一种无人机辅助的无线传感器网络充电方法，该方法属于确定性方法，在满足所有传感器节点充电需求的情况下，最小化无人机飞行路径，从而提高无人机的能量效率。

技术方案：为了实现上述技术目的，本发明的技术方案为：

一种无人机辅助的无线传感器网络充电方法，包括以下步骤：

(1)根据无线传感器网络中传感器节点的分布情况，用K均值聚类算法将传感器节点分成若干区域，每个区域设置簇的质心为无人机悬停点，无人机可以在此悬停点为该区域内的传感器节点充电，一个区域内的传感器节点充满电后，无人机再飞往下一个悬停点为对应区域内的传感器节点充电；

(2)以区域为单位，选出每个区域中剩余存活时间最短的传感器节点，将该节点的剩余存活时间作为该区域的剩余存活时间，以此确定无人机到达该区域的最晚截止时间；

(3)优化无人机为每个区域的充电顺序，使得无人机在每个区域截止时间之前到达该区域的前提下，最短化无人机的飞行路径。

进一步地，所述步骤(1)中用K均值聚类算法将传感器节点分成若干区域时，用最少数量的固定大小的圆覆盖所有的节点，圆的半径大小为其中D为无人机充电范围，H为无人机飞行高度。

进一步地，无人机每次悬停时依次为充电范围内的节点充电，剩余电量少的节点优先充电，充电模型如下：

其中，P是无人机充电的发射功率，p_i是节点s_i的接收功率，d_i是无人机与节点s_i的距离，a和b是有关环境和硬件的常量。

进一步地，所述步骤(1)中，用K均值聚类算法将节点分簇，每个簇对应一个充电区域，其中节点分簇的步骤包括：

(11)随机选取K个节点作为质心；

(12)遍历所有节点，将每个节点划分到最近的中心点中，形成K个簇；

(13)重新计算每个簇的质心，作为新的中心点；

(14)重复步骤(12)-(13)，直到这K个簇的质心不再变化；

(15)如果最后生成的簇的半径大于无人机的充电范围d，增大K，重复步骤(11)-(14)。

进一步地，所述步骤(3)中无人机充电顺序的优化目标为最大化无人机能耗消耗中为传感器节点充电的能量比重，即尽可能减少推动无人机飞行的能量消耗；限制条件为无人机尽可能地在传感器节点能量耗尽前到达指定位置为其充电。

进一步地，所述步骤(3)中，根据无人机悬停点位置和飞行速度以及每个区域的剩余时间，优化无人机的充电顺序，具体包括：

(31)给每个簇设定优先级，剩余时间较少的簇有着更高的优先级，将每个簇根据优先级从高到低排列，形成初始的充电队列；

(32)选择队列中无人机到达时簇的剩余时间最少的簇c_j，将该簇向前插入充电队列，假设插入位置为簇c_x和c_y之间，目标的插入位置是使得无人机增加的飞行时间T_C(j)最小化，

若新的队列的最少剩余时间小于原来的队列，则改变插入位置适当增大T_C(j)，直到新的队列的最少剩余时间不小于原来的队列；其中，簇c_x和c_y的位置在簇c_j的前面，v是无人机飞行的速度，D_x,j，D_j,y，D_x,y分别是簇c_x和c_j、c_j和c_y、c_x和c_y之间的距离；

(33)如果新的队列的最少剩余时间没有发生变化，则该队列就是最终的充电队列；如果新的队列的最少剩余时间大于原来的队列，重复步骤(32)直到最少剩余时间不再变化。

基于相同的发明构思，本发明提供一种无人机辅助的无线传感器网络充电装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的无人机辅助的无线传感器网络充电方法。

有益效果：本发明首先通过K均值聚类算法将节点分簇，无人机只需要悬停在簇的质心就可以为簇内的所有节点充电而无需悬停在每个节点的正上方，从而缩短了飞行路径，节省了飞行能量消耗。然后根据节点的剩余时间合理安排每个簇的充电顺序，使得在满足所有传感器节点充电需求的情况下，最小化无人机飞行路径，从而提高了无人机的能量效率。

附图说明

图1为无人机辅助的无线传感器网络充电场景图；

图2为无线传感器网络节点分簇示例图；

图3为本发明的方法流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

对于由M个随机分布在目标区域内的传感器节点组成的无线传感器网络，网络中的每个节点具有唯一且互不相同的ID标识号，由S＝{s_i|i＝1,2,…,M}表示。所有节点具有各自的能量需求E_i和相应的能量消耗速度V_i，当无人机将能量传递给节点s_i时，节点接收E_i单位能量。无人机从基站出发，在地面上以高度H飞行并且在固定位置悬停对其周围的节点充电。假设每次无人机充电的发射功率P是恒定的，且每次只能给一个节点充电，每次悬停时，依次为充电范围D内的节点充满电后，再飞往下一个悬停点。具体场景如图1所示。

无人机为节点的充电模型：

其中，p_i是节点s_i的接收功率，d_i是无人机与节点s_i的距离，a和b是有关环境和硬件的常量。

无人机的总能耗由两部分组成。第一个是对节点充电的能量，其由无人机和节点之间的距离以及节点所需的能量确定。另一个是无人机推进能量，需要确保无人机保持在一定的高度并支持其移动性。

用t_i来表示无人机对节点s_i的充电时间：

因此，对无人机来说，为节点s_i充电的能耗为：

对于以恒定速度v的稳定直线和水平飞行，推进能量是：

其中T_total是无人机的总飞行时间，不包括在悬停期间为节点充电的时间。α和β是与飞机的重量，机翼面积，空气密度等相关的两个参数。

本发明方法的目标是找到无人机的最佳悬停位置，并规划轨迹以最大化无人机的能量效率，并使所有节点在能量耗尽之前充满电。

本发明实施例公开的一种无人机辅助的无线传感器网络充电方法，首先根据无线传感器网络中传感器节点的分布情况，用K均值聚类算法将传感器节点分成若干区域，每个区域设置簇的质心为无人机悬停点，无人机可以在此悬停点为该区域内的传感器节点充电；然后以区域为单位，选出每个区域中剩余存活时间最短的传感器节点，将该节点的剩余存活时间作为该区域的剩余存活时间，以此确定无人机到达该区域的最晚截止时间；最后优化无人机为每个区域的充电顺序，使得无人机在每个区域截止时间之前到达该区域的前提下，最短化无人机的飞行路径。下面对本发明的具体步骤做详细说明。

利用K均值聚类算法，对所有的节点进行分簇，并确定无人机在每个簇的悬停位置。具体步骤如下：

(1)随机选取K个节点作为质心；

(2)遍历所有节点，将每个节点划分到最近的中心点中，形成K个簇；

(3)重新计算每个簇的质心作为新的中心点；

(4)重复步骤(2)-(3)，直到这K个簇的质心不再变化。

(5)如果最后生成的簇的直径大于无人机的充电范围d，增大K，重复步骤(1)-(4)。

最终每个簇的质心即为无人机的悬停点。分簇示意图如图2所示。假设有三个节点s₁，s₂，s₃在一个簇中，那么根据公式(1)(2)(3)，K均值聚类算法确定的悬停点，可以使得无人机为这三个节点的充电能耗最小，即

分簇之后，用C＝{c_j|j＝1,2,…,N}表示每个簇，N为簇的个数，M_j为簇c_j内节点的数量，将每个簇内的节点进行标号，定义为簇c_j内的第i个节点，为无人机为节点的充电时间。定义S_N(j)为簇的状态，簇有两种状态：活着(S_N(j)＝0)和死亡(S_N(j)＝1)，簇的状态由当前时间和死亡时间决定：

其中，T是当前时间，T_D(j)是簇的死亡时间，由簇内剩余时间最少的节点和能量消耗速度决定。然后优化目标可以表示为：

条件：

S_N(j)＝0 j＝1,2,...,N (8)

T_R(j)＝T_D(j)-t'_j (10)

其中{x(t),y(t)}表示无人机的位置坐标，也是优化过程中的变量。等式(8)描述了所有节点应该在死亡时间之前充电。等式(9)描述了两个相邻簇之间的充电过程，t'_j表示当无人机到达簇c_j的质心时的时间，D_j,j+1是簇c_j和c_j+1之间的距离。根据等式(10)无人机到达时簇c_j的剩余时间T_R(j)通过死区时间T_D(j)和无人机到达的时间t'_j来计算。E_C(i)是节点s_i的剩余能量，根据等式(11)簇的死亡时间取决于簇中剩余时间最少的节点。

为了满足以上的限制条件并达到指定的优化目标，制定了一种路径规划算法，该算法分为两步。首先，根据时间优先级形成初始充电队列，尽可能满足所有节点的充电请求。其次，调整初始充电队列以最大化无人机的能量效率。

每个簇中剩余存活时间最少的节点死亡时间被确定为簇的死亡时间。初始充电队列由以下步骤形成。首先，将所有的簇放入Q_A。每个簇c_j都标记有关于时间的优先级P_T(j)，该优先级由其死亡时间T_D(j)确定。死亡时间更接近的簇具有更高的优先级。然后按优先级P_T(j)的递减顺序对这些簇进行排序。Π＝(π_1,2,π_2,3,...,π_ε-1,ε,π_ε,1)表示充电行程周期中的无人机轨迹。π_i,j代表从簇c_i到簇c_j的连接。然后调整充电顺序使得所有节点在死亡之前被成功充电并最大化能量效率。

为了最大化能量效率，通过最大化无人机到达时簇的最短剩余时间以实现此目标。当选择一个簇去充电时，尽可能地为后续的簇预留更多的时间并且确保每个子队列的剩余时间的最大化。子队列是在选择一个簇充电之后的充电队列的后续部分。最终的优化目标为：

max M_A(Π)＝max{min(T_R(j))} j∈Q_A (12)

其中T_R(j)表示无人机到达时簇c_j的剩余时间，并且Π是我们将要优化的子队列。在形成初始轨迹Q_A之后，选择具有最小剩余时间T_R(j)的簇c_j来优化其充电轨迹中的位置。通过最大化Q_A的每个子队列的最小剩余时间。因此，根据上述的目标，M_A(Π)的值等于min(T_R(j))。

方法是将队列中有着最小的剩余时间的簇c_j向前放置，以此来延长整个队列的最小剩余时间。为了找到簇c_j的最佳位置，根据插入簇c_j之后增加的时间T_C(j)寻找合适的插入位置。增加的时间T_C(j)是

其中簇c_x和c_y的位置在簇c_j的前面，v是无人机飞行的速度。

当寻找簇c_j合适的插入位置时，目标是使T_C(j)最小化。如果目前的充电队列具有最大剩余时间M_A(Q_A)，则无需执行插入操作。从中可以看出，使用最小化现有队列的行进距离的方法来实现最小化T_C(j)的目标，根据等式(13)，任何其他插入位置都会导致更多的能量消耗。因此，通过尽可能缩短飞行路径使得公式(4)中的推进能耗最小化，从而实现公式(7)中最大化能效的目标。

具体方案是，首先选择一个簇c_c，它在队列Q_B(j)中具有的最小剩余时间。然后我们尝试找到c_c插入的合适位置。我们记录插入c_c后增加的时间，最后选择最小的增加时间作为我们的最佳位置。根据等式(13)，新的充电队列具有最小的增加时间T_C(c_c)。如果新的最小剩余时间长于原来轨迹Q_B(j)的最小剩余时间，则Q_B(j)将被更新为新的充电队列。在确定最佳插入位置之后，将在该队列的其余部分中递归地执行该优化过程，直到具有最小剩余时间的簇存在于最后的子队列中。

总结上述方法，如图3所示，制定无人机合理的充电顺序的步骤如下：

(1)给每个簇设定优先级，剩余时间较少的簇有着更高的优先级。将每个簇根据优先级从高到低排列，形成初始的充电队列；

(2)选择队列中无人机到达时簇的剩余时间T_R(j)最少的簇，将该簇向前插入充电队列，插入位置使得T_C(j)最小化，若新的队列的最少剩余时间小于原来的队列，则改变插入位置适当增大T_C(j)，直到新的队列的最少剩余时间不小于原来的队列；

(3)如果新的队列的最少剩余时间没有发生变化，则该队列就是最终的充电队列；如果新的队列的最少剩余时间大于原来的队列，重复步骤(2)直到最少剩余时间不再变化。

基于相同的发明构思，本发明实施例提供一种无人机辅助的无线传感器网络充电装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的无人机辅助的无线传感器网络充电方法。

Claims (7)

1.一种无人机辅助的无线传感器网络充电方法，其特征在于，包括以下步骤：

(1)根据无线传感器网络中传感器节点的分布情况，用K均值聚类算法将传感器节点分成若干区域，每个区域设置簇的质心为无人机悬停点，无人机可以在此悬停点为该区域内的传感器节点充电，一个区域内的传感器节点充满电后，无人机再飞往下一个悬停点为对应区域内的传感器节点充电；

(2)以区域为单位，选出每个区域中剩余存活时间最短的传感器节点，将该节点的剩余存活时间作为该区域的剩余存活时间，以此确定无人机到达该区域的最晚截止时间；

(3)优化无人机为每个区域的充电顺序，使得无人机在每个区域截止时间之前到达该区域的前提下，最短化无人机的飞行路径。

2.根据权利要求1所述的无人机辅助的无线传感器网络充电方法，其特征在于，所述步骤(1)中用K均值聚类算法将传感器节点分成若干区域时，用最少数量的固定大小的圆覆盖所有的节点，圆的半径大小为其中D为无人机充电范围，H为无人机飞行高度。

3.根据权利要求1所述的无人机辅助的无线传感器网络充电方法，其特征在于，无人机每次悬停时依次为充电范围内的节点充电，剩余电量少的节点优先充电，充电模型如下：

其中，P是无人机充电的发射功率，p_i是节点s_i的接收功率，d_i是无人机与节点s_i的距离，a和b是有关环境和硬件的常量。

4.根据权利要求1所述的无人机辅助的无线传感器网络充电方法，其特征在于，所述步骤(1)中，用K均值聚类算法将节点分簇，每个簇对应一个充电区域，其中节点分簇的步骤包括：

(11)随机选取K个节点作为质心；

(12)遍历所有节点，将每个节点划分到最近的中心点中，形成K个簇；

(13)重新计算每个簇的质心，作为新的中心点；

(14)重复步骤(12)-(13)，直到这K个簇的质心不再变化；

(15)如果最后生成的簇的半径大于无人机的充电范围d，增大K，重复步骤(11)-(14)。

5.根据权利要求1所述的无人机辅助的无线传感器网络充电方法，其特征在于，所述步骤(3)中无人机充电顺序的优化目标为最大化无人机能耗消耗中为传感器节点充电的能量比重，即尽可能减少推动无人机飞行的能量消耗；限制条件为无人机尽可能地在传感器节点能量耗尽前到达指定位置为其充电。

6.根据权利要求1所述的无人机辅助的无线传感器网络充电方法，其特征在于，所述步骤(3)中，根据无人机悬停点位置和飞行速度以及每个区域的剩余时间，优化无人机的充电顺序，具体包括：

(31)给每个簇设定优先级，剩余时间较少的簇有着更高的优先级，将每个簇根据优先级从高到低排列，形成初始的充电队列；

(32)选择队列中无人机到达时簇的剩余时间最少的簇c_j，将该簇向前插入充电队列，假设插入位置为簇c_x和c_y之间，目标的插入位置是使得无人机增加的飞行时间T_C(j)最小化，

若新的队列的最少剩余时间小于原来的队列，则改变插入位置适当增大T_C(j)，直到新的队列的最少剩余时间不小于原来的队列；其中，簇c_x和c_y的位置在簇c_j的前面，v是无人机飞行的速度，D_x,j，D_j,y，D_x,y分别是簇c_x和c_j、c_j和c_y、c_x和c_y之间的距离；

(33)如果新的队列的最少剩余时间没有发生变化，则该队列就是最终的充电队列；如果新的队列的最少剩余时间大于原来的队列，重复步骤(32)直到最少剩余时间不再变化。

7.一种无人机辅助的无线传感器网络充电装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的无人机辅助的无线传感器网络充电方法。