CN114217630A - 一种基于注意力机制的动态时空无人机充电方法 - Google Patents

一种基于注意力机制的动态时空无人机充电方法 Download PDF

Info

Publication number
CN114217630A
CN114217630A CN202111288495.9A CN202111288495A CN114217630A CN 114217630 A CN114217630 A CN 114217630A CN 202111288495 A CN202111288495 A CN 202111288495A CN 114217630 A CN114217630 A CN 114217630A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
node
nodes
charging
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.)
Granted
Application number
CN202111288495.9A
Other languages
English (en)
Other versions
CN114217630B (zh
Inventor
蔡波
于耀翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202111288495.9A priority Critical patent/CN114217630B/zh
Publication of CN114217630A publication Critical patent/CN114217630A/zh
Application granted granted Critical
Publication of CN114217630B publication Critical patent/CN114217630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于注意力机制的动态时空无人机充电方法,包括如下步骤，获得无线传感器节点集群的电量和位置信息；获得充电无人机当前的信息建立能耗模型；预估当前充电任务周期内被充电节点的数量；将传感器节点划分为待充电集合与备选集合；计算传感范围内待充电聚类的重要性程度；计算无人机对待充电目标的空间悬停位置。本发明充分考虑传感器节点和无人机的实时电量以及无线充电效率，通过聚类算法和基于注意力机制的在线路径规划算法使无人机能够对关键目标进行充电，节省了无人机和充电和飞行能耗，在与不同算法进行对比后，证明了本方法所体现优势，保证无线传感器网络拥有更稳定的生命周期与鲁棒性。

Description

一种基于注意力机制的动态时空无人机充电方法
技术领域
本发明涉及无线传感技术领域，具体涉及一种基于注意力机制的动态时空无人机充电方法。
背景技术
近些年来，无线传感器网络在国防军事、智能交通、环境监测等领域具有广泛的应用，无线传感器在感知区域内的部署规模成数倍增长。随着无线充电技术的成熟，无线可充电传感器网络已逐步取代原始网络结构，针对复杂的地理环境和无线传感器自身电量受限等因素，通过引入充电设备和设计充电策略以延长网络寿命。因此，对该网络设计出合理的充电策略以及有效利用充电设备能量成为了当前的研究热点。现有工作大多采用移动充电设备对网络内的无线传感器进行充电，但所提出的充电方法往往没有考虑因能量异构所导致的网络无线传感器节点实时能耗问题，从而无法满足部分传感器的充电请求，这将严重影响传感器网络的生命周期和移动充电设备的能量利用率。
对于充电方式而言，截至目前，大多数研究依靠无线充电技术作为对无线传感器节点进行能量补充的主要形式，并分为固定无线充电和移动无线充电两种充电方式。对于固定充电方式，即将单台或多台无线充电源以固定位置部署在网络中的指定区域，但远离无线充电源的传感器节点会因为无线电波随距离衰减的特性而无法得到良好的充电效果。因此考虑在充电任务中以无人机为载体使用单一源多接收单源的充电模式是一种能解决上述问题的有效手段。然而，以往工作没有考虑无人机立体空间高度与传感器的充电效率之间的关系，并且在先验知识中固定了无人机充电时的悬停高度，即假定充电场景为二维平面，此时无人机与传统的地面移动充电设备在移动充电任务中没有明显区别，以往研究未能设计立体空间场景以进一步体现无人机相较于传统移动充电设备的优势，因此其所提算法大多没有完全发挥出充电无人机的机动性能。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于注意力机制的动态时空无人机充电方法，考虑到无人机和传感器的能耗限制以及网络的生命周期，对网络内的传感器节点进行高效的集合划分，并计算出无人机对目标充电时的最佳悬停高度，保证了无人机范围充电的效率并且使得无人机对传感器节点的无线充电损失最小，同时本发明提供的基于注意力机制的充电目标选择方法能节省无人机在每轮充电周期中的能耗，在提高对无线传感器的充电效率的同时减少了网络内部电量耗尽的传感器数量，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于注意力机制的动态时空无人机充电方法，包括如下步骤：
S1、传感器节点通过单跳通信的方式向中心基站节点发送充电请求和基本信息；
S2、充电无人机向基站节点提交当前时刻的基本信息，建立传感器与无人机相应的能耗模型；
S3、根据传感器节点在工作状态能耗
Figure BDA0003334093750000021
和睡眠状态的单位时间能耗
Figure BDA0003334093750000022
得到所有传感器节点的失效时限
Figure BDA0003334093750000023
和无人机到达该节点所需时间
Figure BDA0003334093750000024
S4、根据当前时刻网络中已失效节点和不可达节点的总量D0，各节点的剩余电量Ei(t)，各节点与无人机的欧式距离di,cur(t)，得到各传感器节点的重要性程度I(si)，根据Euav(t)得到当前无人机可充电的最大节点个数K；
S5、将传感器节点按重要性程度大小正向排序生成待充电队列Q，取Q中前K个无线传感器节点为聚簇集合的初始中心点，通过邻接矩阵中各节点与前K个节点之间的距离和自身电量构成特征组，使用基于K-Medoids的聚类算法对节点进行聚类划分，分别生成聚簇集合Ci，1≤i≤K，以及由非聚簇节点组成的备选集合
Figure BDA0003334093750000031
S6、使用注意力机制计算当前时刻下每个聚簇Ci的重要性程度并进行排序，选择重要性程度最高的集合Cuav作为无人机的下一充电目标；
S7、交替迭代运用最小节点集合覆盖和最小圆覆盖算法将集合Cuav划分为多个子集，然后通过基于距离远近的排序算法确定无人机对Cuav中所有子集Bi充电的先后顺序，计算无人机在立体空间中对各子集充电时的悬停位置。
优选的，步骤S1中所述的基本信息包括各传感器的地面坐标
Figure BDA0003334093750000032
当前时刻剩余电量Ei(t)和与最近邻节点sj。
优选的，所述步骤S2中的基本信息包括无人机当前所在位置
Figure BDA0003334093750000033
当前剩余电量Euav(t)和飞行高度hcur。
优选的，所述步骤S2中建立无线传感器与无人机相应的能耗模型具体包括：
对于无线传感器的能耗模型，包括传感器工作状态的能耗与低电量时睡眠状态的能耗，对任意传感器节点si，其工作状态能耗表达为：
Figure BDA0003334093750000034
Figure BDA0003334093750000035
无人机的移动能耗分为飞行能耗与悬停能耗，其中单位时间飞行能耗表达为：
Figure BDA0003334093750000036
无人机单位时间的悬停能耗为：ph＝p0+p1；
无人机的充电能耗表达为：
Figure BDA0003334093750000037
优选的，所述步骤S4中传感器的重要性程度表达为：
Figure BDA0003334093750000041
优选的，所述步骤S5中基于K-Medoids的聚类算法，具体流程如下：
S51、将待充电队列Q中前K个无线传感器节点作为初始中心节点；
S52：计算每个节点与各初始中心节点之间的相似度，通过下式选择出节点si作为新的中心节点：
Figure BDA0003334093750000042
其中
Figure BDA0003334093750000043
μ为参数权重，lmax为无人机进行无线充电的最大有效距离；
S53、重复上述步骤至中心节点的位置不再改变；
S54、计算初始中心节点所属的聚类个数M，若有N个初始中心节点被划分到同一聚类则有K←K-N+1；若M＜K，从Q中按顺序继续抽取M-K个节点，重复S52与S53步骤直至M＝K。
优选的，所述步骤S6中选取重要性程度最高的聚簇Ci通过下式进行表达：
Figure BDA0003334093750000044
优选的，所述步骤S7中交替迭代运用最小节点集合覆盖和最小圆覆盖算法的具体流程如下：
S71、筛选有效集合：对步骤S6中选出的目标充电聚簇Cuav使用最小集合覆盖算法生成子集解Bi，Cuav中保留有效集合，将被剔除的集合存入备选子集解
Figure BDA0003334093750000045
中；
S72、生成最小覆盖圆：遍历子集解Bi中所有集合节，生成Bi的最小圆，即求出可以覆盖Bi中所有节点且半径最小的圆型充电投影，无人机可下降一定的悬停高度，整体降低对Bi各节点的充电能耗损失；
S73、适应性调整高度：依次遍历Bi中所有集合，并执行如下操作：分别计算各节点的功率以及节点到圆心的距离并进行排序，判断距离最远的节点sj是否满足下式：
Figure BDA0003334093750000051
若满足,则遍历Bi中的下一集合；若不满足,则降低无人机的悬停高度，从而减少最大覆盖半径为rmax＝Hmaxtanθ，其中θ为磁谐振单元可容忍的最大收发线圈偏转角度；
交替迭代使用最小集合覆盖和最小圆算法不断确定出包含Cuav中所有节点的最小子集解Bi；计算处于圆边界的传感器节点的单位时间能耗，判断其是否满足上式中的约束条件，若所有节点的功率均满足约束，则固定无人机的悬停高度，此时其高度为hi＝duav, jcotθ，其中,duav,j为Bi中距离无人机所处位置最远处的节点sj到无人机之间的距离。
本发明的有益效果是：
(1)本发明可对网络节点划分出更细粒度的聚类，使用基于注意力机制的算法获得节点和集合的重要性程度确定充电目标，可以有效降低网络中的节点死亡率，延长网络的工作周期；
(2)本发明可根据网络实时状态动态调整无人机充电时的空间位置，降低无人机飞行与悬停能耗，提高无人机充电效率，同时也进一步增强了网络的鲁棒性。
附图说明
图1为本发明实施例提供的无人机充电网络结构示意图；
图2为本发明提供的基于注意力机制的动态时空无人机充电方法流程示意图；
图3为本发明实施例与其他算法的充电效率随节点规模的变化对比示意图；
图4为本发明实施例与其他算法的传感器死亡比例随节点规模的变化对比示意图；
图5为本发明实施例与其他算法的节点平均电量随节点规模的变化对比示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图5，本发明提供一种技术方案：一种基于注意力机制的动态时空无人机充电方法，网络结构如图1所示，方法大概步骤流程如图2所示，其步骤具体包括：
S1：传感器节点通过单跳通信的方式向中心基站节点发送充电请求和基本信息，所述的基本信息包括各传感器的地面坐标
Figure BDA0003334093750000061
当前时刻剩余电量Ei(t)及与最近邻节点sj；
S2：充电无人机向基站节点提交当前时刻的基本信息，所述基本信息包括无人机当前所在位置
Figure BDA0003334093750000062
当前剩余电量Euav(t)和飞行高度hcur，建立传感器与无人机相应的能耗模型；
S3：根据传感器节点在工作状态能耗
Figure BDA0003334093750000063
和睡眠状态的单位时间能耗
Figure BDA0003334093750000064
根据当前传感器的状态和剩余电量与对应的能耗相除得到所有传感器节点的失效时限
Figure BDA0003334093750000065
和无人机到达该节点所需时间
Figure BDA0003334093750000066
S4：根据当前时刻网络中已失效节点和不可达节点的总量D0，各节点的剩余电量Ei(t)，各节点与无人机的欧式距离di,cur(r)，得到各传感器节点的重要性程度I(si)。根据各节点剩余电量得到各节点待充电所需电量，根据Euav(t)与从大到小排序后的待充电所需电量得到当前无人机可充电的最大节点个数K；
S5：将传感器节点按重要性程度大小正向排序生成待充电队列Q，取Q中前K个无线传感器节点为聚簇集合的初始中心点，通过邻接矩阵中各节点与前K个节点之间的距离和自身电量构成特征组，使用基于K-Medoides的聚类算法对节点进行聚类划分，分别生成聚簇集合Ci，1≤i≤K，以及由非聚簇节点组成的备选集合
Figure BDA0003334093750000071
S6：使用注意力机制公式
Figure BDA0003334093750000072
计算当前时刻下每个聚簇Ci的重要性程度并进行排序，选择重要性程度最高的集合Cuav作为无人机的下一充电目标；
S7：交替迭代运用最小节点集合覆盖和最小圆覆盖算法将集合Cuav划分为多个子集，最后通过基于距离远近的排序算法确定无人机对Cuav中所有子集Bi充电的先后顺序，并使用最小圆算法来确定无人机的二维坐标，通过最大收发线圈偏转角度使用余切函数进一步计算无人机在立体空间中对各子集充电时的悬停位置。
需要说明的是，步骤S2中无人机和传感器能耗模型的构建方法包括以下内容：对于无线传感器的能耗模型，包括传感器工作状态的能耗与低电量时睡眠状态的能耗，对任意传感器节点si，其工作状态能耗通过下式进行表达：
Figure BDA0003334093750000073
其中，所述的N为网络中传感器的个数，L为si在单位时间内产生的感知数据，Rki为传感器节点si从节点sk接收到的数据量大小，θi,j为传感器节点si向最近邻节点sj发送单位比特数据的功率，δi,k为传感器节点si接收单位比特的功率，
Figure BDA0003334093750000081
为传感器节点si的空闲侦听功率。传感器的睡眠状态的能耗通过下式进行表达：
Figure BDA0003334093750000082
其中G为节点si单位时间发送的充电请求数据，di,j为节点si与最近邻节点sj之间的距离，且di,j不超过si的最大传输距离。无人机的移动能耗分为飞行能耗与悬停能耗，其中单位时间飞行能耗通过下式进行表达：
Figure BDA0003334093750000083
其中常数p0代表无人机螺旋桨叶剖面(螺旋桨桨叶的扁平部分)输出功率，p1代表无人机的诱导功率，Vtip表示螺旋桨叶梢(螺旋桨叶距轴线最远处)速度，v0是旋翼螺旋桨的平均诱导速度(旋翼产生拉力的同时，空气因受旋翼作用而加速向下流动,随之产生诱导速度)，r0代表机身阻力比(通常情况下，固定高度飞行时机身的阻力占全机阻力的1/3至1/2)，s为旋翼实度(指旋翼全部桨叶实占面积与整个桨盘面积的比值)，ρ和A则分别表示当前区域的平均空气密度和旋翼桨盘的面积(旋翼半径在旋翼构造平面内所形成的圆盘面积)。无人机单位时间的悬停能耗为ph＝p0+p1。
无人机的充电能耗由下式表达：
Figure BDA0003334093750000084
其中ps为磁耦合谐振天线的发射功率，Gs与Gr分别代表无线充电模块中的发射天线增益和接收天线增益。Lp与σ分别是极化损耗和整流器效率。λ表示电磁波长，β为在短距无线传输场景中的距离调节参数，dm,i是无人机与无线传感器节点si之间的欧式距离。
需要说明的是，步骤S4中传感器的重要性程度通过下式进行表达：
Figure BDA0003334093750000091
其中di,j为当前
Figure BDA0003334093750000092
时刻传感器节点si与无人机的欧式距离di,cur(t)，
Figure BDA0003334093750000093
表示传感器sj在
Figure BDA0003334093750000094
时刻的剩余电量，D0为失效传感器成本，
Figure BDA0003334093750000095
为当前时刻网络中传感器节点的失效数量，dmax为网络中最远间隔的两传感器节点之间的距离，Emax为传感器节点的最大保有电量。
需要说明的是，步骤S5中基于K-Medoids的聚类算法，其具体流程如下：
步骤1：确定待充电队列Q中前K个无线传感器节点作为初始中心节点；
步骤2：计算每个节点与各初始中心节点之间的相似度，通过下式选择出节点si做新的中心节点：
Figure BDA0003334093750000096
其中
Figure BDA0003334093750000097
μ为参数权重，lmax为无人机进行无线充电的最大有效距离；
步骤3：重复上述步骤至中心节点的位置不再改变；
步骤4：计算初始中心节点所属的聚类个数M，若有N个初始中心节点被划分到同一聚类则有K←K-N+1。若M＜K，从Q中按顺序继续抽取M-K个节点，重复步骤2与步骤3直至M＝K。
在一种优选的方案中，所述的骤S6中选取重要性程度最高的聚簇Ci通过下式进行表达：
Figure BDA0003334093750000098
其中M为P*中集合Ci中的节点个数，
Figure BDA0003334093750000101
为Ci中所有节点的剩余电量之和，因此当网络中节点死亡比例增大时，无人机会优先选择网络中平均电量最低的节点集合进行充电，以此来保证整体网络的工作寿命。
需要说明的是，步骤S7中对交替迭代运用最小节点集合覆盖和最小圆覆盖算法其具体流程如下：
步骤1)：筛选有效集合。对步骤S6中选出的目标充电聚簇Cuav使用最小集合覆盖算法生成子集解Bi，Cuav中保留有效集合，将被剔除的集合存入备选子集解
Figure BDA0003334093750000102
中；
步骤2)：生成最小覆盖圆。遍历子集解Bi中所有集合节，生成Bi的最小圆，即求出可以覆盖Bi中所有节点且半径最小的圆型充电投影，因此无人机可下降一定的悬停高度，从而整体降低对Bi各节点的充电能耗损失；
步骤3)：适应性调整高度。该步骤将依次遍历Bi中所有集合，并执行如下操作：分别计算各节点的功率以及节点到圆心的距离并进行排序，判断距离最远的节点sj是否满足下式：
Figure BDA0003334093750000103
若满足则遍历Bi中的下一集合，若不满足则降低无人机的悬停高度，从而减少最大覆盖半径为rmax＝Hmaxtanθ，其中θ为磁谐振单元可容忍的最大收发线圈偏转角度。交替迭代使用最小集合覆盖和最小圆算法不断确定出包含Cuav中所有节点的最小子集解Bi。计算处于圆边界的传感器节点的单位时间能耗，判断其是否满足上式中的约束条件，若所有节点的功率均满足约束，则固定无人机的悬停高度，此时其高度为hi＝duav,jcotθ，其中duav,j为Bi中距离无人机所处位置最远处的节点sj到无人机之间的距离。
仿真实验
本发明设计了无线传感器网络仿真实验，该实验的主要参数如表1所示：
表1实验主要参数设置
Figure BDA0003334093750000111
实验平台可选择PYTHON3.7，操作系统可选择Ubuntu18.04，处理器可选择Intel(R)Core(TM)i7-10750H CPU@4.00GHz，内存可选择16.0GB。
在本发明之前，最新的算法有基于六边形网格的充电调度方法HSA以及充电效用最大化算法CUM。本发明的算法与上述两种算法进行对比，其中CUM算法是一种多节点充电启发式算法，CUM通过对传感器充电获得的效用量与传感器获得的能量进行比较从而得到效用函数，并在一个充电周期内以效用函数最大化为目标进行路径优化。本实施例中的实验构造HSA中的六边形，并设置正六边形网格的外接圆半径与本实例定义的最长充电距离lmax相同，并将该算法对集合的充电位置设定在网格中心点处。为了加强实验真实性，本实验在CUM算法与HSA算法基础上额外增加了无人机的能量约束以及节点的死亡条件。对比实验在其他参数条件不变的情况下将最大充电任务时间从5000秒提高到10000秒，通过不断提高网络中传感器节点个数使无人机进行范围充电。
本发明实施例与其他算法的性能对比结果：如图3所示，本发明提出的算法(英文简称DSSRP)在充电效率上均优于以上两种算法，相对HSA算法充电效率平均提升4.43％，这是由于本发明所提算法在一定程度上减少了对集合节点的充电时间，从而节省了大量的悬停能耗，另外，由于无人机的空间位置不断被调整，因此在无人机充电过程中始终对集合内所有节点拥有近似最小的充电功率损失。另外由于节点的随机部署的特性，且传感器的功率与其中心度数有关，因此将导致正六边形网格中大部分节点的单位时间能耗差异较大，当CUAV航行至网格中心并以固定高度充电时，HSA算法效果较差。本发明所提算法相对于CUM算法充电效率平均提升了21.97％，这是由于CUM算法始终需要确保其效用函数最大化，因此该算法在每轮充电周期开始时始终趋向于从基站出发向区域内节点部署最密集的区域移动，若考虑立体空间距离所带来的充电功率损耗，则该算法并不能完全为部署密集区域的所有节点充电，因此在每轮周期中都会有多次从较远位置重新返回已充电区域的情况发生，从而产生了多余的移动能耗。
从图4可知，本发明所提出的算法相较于其他两种算法能显著降低网络中的传感器节点的死亡率，由于本发明所提算法根据节点能耗特性进行了集合划分，并以最低的能耗损失为多个节点进行充电，同时该算法内部的注意力机制可以动态改变传感器电量属性对于充电优先级的权重大小，因此对于充电任务中后期的每轮充电路径规划而言，无人机可以始终优先为电量较低且距自身位置较近的节点集合进行高效充电，从而拥有较强的鲁棒性。相对于HSA算法节点死亡比例平均降低了5.47％，由于对比算法中使用了相同的路径规划算法以确定移动路径，因此可以看出本发明所提算法在节点集合选择上要优于HSA算法中基于六边形网格的节点集合选择机制。本发明所提算法相较CUM算法其节点死亡比例指标平均降低了10.91％，通过观察发现CUM算法会在充电任务前期持续为网络中节点剩余电量最低的区域充电，而在前期任务中网络的节点平均剩余电量较高，因此会额外延长了每一轮的充电时间，因此相对于同一充电轮次开始时刻的节点状态，CUM算法下的节点死亡比例要小于另外两种算法。
如图5所示，可以看到所提算法相对于HSA与CUM算法相比在平均剩余电量上分别提高9.63％和15.5％，由于HSA算法中无人机始终停在固定位置为网格区域内的节点充电，因此其充电功率损耗大于本发明所提算法，传感器的充电时间会随着无线传输距离的提升而增加，从而延长了对该区域节点的充电时间。CUM算法同样存在以上问题，通过多次充电周期循环后，平均每轮的充电周期时长相对更久，导致已被充电的节点会在该轮周期中损失更多电量，在经过多周期的时间递增后，导致无人机对节点的充电总能耗增加，所以当充电周期轮数增加时，无人机的充电频率也会降低。由于无人机携带的最大能量有限，因此当网络节点规模增大时也将严重影响节点的平均剩余电量。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于注意力机制的动态时空无人机充电方法，其特征在于，包括如下步骤：
S1、传感器节点通过单跳通信的方式向中心基站节点发送充电请求和基本信息；
S2、充电无人机向基站节点提交当前时刻的基本信息，建立传感器与无人机相应的能耗模型；
S3、根据传感器节点在工作状态能耗
Figure FDA0003334093740000011
和睡眠状态的单位时间能耗
Figure FDA0003334093740000012
得到所有传感器节点的失效时限
Figure FDA0003334093740000013
和无人机到达该节点所需时间
Figure FDA0003334093740000014
S4、根据当前时刻网络中已失效节点和不可达节点的总量D0，各节点的剩余电量Ei(t)，各节点与无人机的欧式距离di，cur(t)，得到各传感器节点的重要性程度I(si)，根据Euav(t)得到当前无人机可充电的最大节点个数K；
S5、将传感器节点按重要性程度大小正向排序生成待充电队列Q，取Q中前K个无线传感器节点为聚簇集合的初始中心点，通过邻接矩阵中各节点与前K个节点之间的距离和自身电量构成特征组，使用基于K-Medoids的聚类算法对节点进行聚类划分，分别生成聚簇集合Ci，1≤i≤K，以及由非聚簇节点组成的备选集合
Figure FDA0003334093740000015
S6、使用注意力机制计算当前时刻下每个聚簇Ci的重要性程度并进行排序，选择重要性程度最高的集合Cuav作为无人机的下一充电目标；
S7、交替迭代运用最小节点集合覆盖和最小圆覆盖算法将集合Cuav划分为多个子集，然后通过基于距离远近的排序算法确定无人机对Cuav中所有子集Bi充电的先后顺序，计算无人机在立体空间中对各子集充电时的悬停位置。
2.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：步骤S1中所述的基本信息包括各传感器的地面坐标
Figure FDA0003334093740000016
当前时刻剩余电量Ei(t)和与最近邻节点sj。
3.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S2中的基本信息包括无人机当前所在位置
Figure FDA0003334093740000021
当前剩余电量Euav(t)和飞行高度hcur。
4.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S2中建立无线传感器与无人机相应的能耗模型具体包括：
对于无线传感器的能耗模型，包括传感器工作状态的能耗与低电量时睡眠状态的能耗，对任意传感器节点si，其工作状态能耗表达为：
Figure FDA0003334093740000022
Figure FDA0003334093740000023
无人机的移动能耗分为飞行能耗与悬停能耗，其中单位时间飞行能耗表达为：
Figure FDA0003334093740000024
无人机单位时间的悬停能耗为：ph＝p0+p1；
无人机的充电能耗表达为：
Figure FDA0003334093740000025
5.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S4中传感器的重要性程度表达为：
Figure FDA0003334093740000026
6.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S5中基于K-Medoids的聚类算法，具体流程如下：
S51、将待充电队列Q中前K个无线传感器节点作为初始中心节点；
S52：计算每个节点与各初始中心节点之间的相似度，通过下式选择出节点si作为新的中心节点：
Figure FDA0003334093740000031
其中
Figure FDA0003334093740000032
μ为参数权重，lmax为无人机进行无线充电的最大有效距离；
S53、重复上述步骤至中心节点的位置不再改变；
S54、计算初始中心节点所属的聚类个数M，若有N个初始中心节点被划分到同一聚类则有K←K-N+1；若M＜K，从Q中按顺序继续抽取M-K个节点，重复S52与S53步骤直至M＝K。
7.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S6中选取重要性程度最高的聚簇Ci通过下式进行表达：
Figure FDA0003334093740000033
8.根据权利要求1所述的基于注意力机制的动态时空无人机充电方法，其特征在于：所述步骤S7中交替迭代运用最小节点集合覆盖和最小圆覆盖算法的具体流程如下：
S71、筛选有效集合：对步骤S6中选出的目标充电聚簇Cuav使用最小集合覆盖算法生成子集解Bi，Cuav中保留有效集合，将被剔除的集合存入备选子集解
Figure FDA0003334093740000034
中；
S72、生成最小覆盖圆：遍历子集解Bi中所有集合节，生成Bi的最小圆，即求出可以覆盖Bi中所有节点且半径最小的圆型充电投影，无人机可下降一定的悬停高度，整体降低对Bi各节点的充电能耗损失；
S73、适应性调整高度：依次遍历Bi中所有集合，并执行如下操作：分别计算各节点的功率以及节点到圆心的距离并进行排序，判断距离最远的节点sj是否满足下式：
Figure FDA0003334093740000041
若满足，则遍历Bi中的下一集合；若不满足，则降低无人机的悬停高度，从而减少最大覆盖半径为rmax＝Hmaxtanθ，其中θ为磁谐振单元可容忍的最大收发线圈偏转角度；
交替迭代使用最小集合覆盖和最小圆算法不断确定出包含Cuav中所有节点的最小子集解Bi；计算处于圆边界的传感器节点的单位时间能耗，判断其是否满足上式中的约束条件，若所有节点的功率均满足约束，则固定无人机的悬停高度，此时其高度为hi＝duav，jcotθ，其中，duav，j为Bi中距离无人机所处位置最远处的节点sj到无人机之间的距离。
CN202111288495.9A 2021-11-02 2021-11-02 一种基于注意力机制的动态时空无人机充电方法 Active CN114217630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111288495.9A CN114217630B (zh) 2021-11-02 2021-11-02 一种基于注意力机制的动态时空无人机充电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111288495.9A CN114217630B (zh) 2021-11-02 2021-11-02 一种基于注意力机制的动态时空无人机充电方法

Publications (2)

Publication Number Publication Date
CN114217630A true CN114217630A (zh) 2022-03-22
CN114217630B CN114217630B (zh) 2023-08-11

Family

ID=80696400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111288495.9A Active CN114217630B (zh) 2021-11-02 2021-11-02 一种基于注意力机制的动态时空无人机充电方法

Country Status (1)

Country Link
CN (1) CN114217630B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713222A (zh) * 2023-01-09 2023-02-24 南京邮电大学 一种效用驱动的无人机感知网络充电调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110069264A (ko) * 2009-12-17 2011-06-23 한국전자통신연구원 무선 센서 네트워크에서의 전력 충전장치 및 방법
CN108649286A (zh) * 2018-05-03 2018-10-12 南京大学 一种基于Powercast模型的WSNs充电方法
CN109583665A (zh) * 2018-12-26 2019-04-05 武汉烽火凯卓科技有限公司 一种无线传感器网络中的无人机充电任务调度方法
CN110362105A (zh) * 2019-06-17 2019-10-22 广州大学 基于多uav的传感器网络无线充电方法
CN110418434A (zh) * 2019-07-08 2019-11-05 东南大学 一种无人机辅助的无线传感器网络充电方法与装置
CN112861424A (zh) * 2021-01-11 2021-05-28 中山大学 一种基于博弈论的在线协同无线充电方法
CN113433967A (zh) * 2021-06-07 2021-09-24 北京邮电大学 一种可充电无人机路径规划方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110069264A (ko) * 2009-12-17 2011-06-23 한국전자통신연구원 무선 센서 네트워크에서의 전력 충전장치 및 방법
CN108649286A (zh) * 2018-05-03 2018-10-12 南京大学 一种基于Powercast模型的WSNs充电方法
CN109583665A (zh) * 2018-12-26 2019-04-05 武汉烽火凯卓科技有限公司 一种无线传感器网络中的无人机充电任务调度方法
CN110362105A (zh) * 2019-06-17 2019-10-22 广州大学 基于多uav的传感器网络无线充电方法
CN110418434A (zh) * 2019-07-08 2019-11-05 东南大学 一种无人机辅助的无线传感器网络充电方法与装置
CN112861424A (zh) * 2021-01-11 2021-05-28 中山大学 一种基于博弈论的在线协同无线充电方法
CN113433967A (zh) * 2021-06-07 2021-09-24 北京邮电大学 一种可充电无人机路径规划方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHI LIN: "Clustering and splitting charging algorithms for large scaled wireless rechargeable sensor networks", JOURNAL OF SYSTEMS AND SOFTWARE, vol. 113 *
CHUANXIN ZHAO: "Spatiotemporal charging scheduling in wireless rechargeable sensor networks", COMPUTER COMMUNICATIONS, vol. 152 *
胡诚: "无线可充电传感器网络中充电规划研究进展", 软件学报, vol. 27, no. 1 *
陈辉: "无线传感器网络的注意力机制充电策略", 华中科技大学学报, vol. 49, no. 2, pages 102 - 107 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713222A (zh) * 2023-01-09 2023-02-24 南京邮电大学 一种效用驱动的无人机感知网络充电调度方法

Also Published As

Publication number Publication date
CN114217630B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
US11169544B2 (en) Method for designing three-dimensional trajectory of unmanned aerial vehicle based on wireless power transfer network
Nazib et al. Energy-efficient and fast data collection in UAV-aided wireless sensor networks for hilly terrains
Ma et al. UAV-aided cooperative data collection scheme for ocean monitoring networks
CN108616302A (zh) 一种功率控制下的无人机多重覆盖模型及部署方法
CN111050286A (zh) 一种无人机辅助传感器网络中的轨迹和资源优化方法
Pan et al. Joint power and 3D trajectory optimization for UAV-enabled wireless powered communication networks with obstacles
CN112822752A (zh) 一种无人机自组织网络的路由建立方法及系统
CN111970709A (zh) 一种基于粒子群优化算法的无人机中继部署方法及系统
Yao et al. Energy efficiency characterization in heterogeneous IoT system with UAV swarms based on wireless power transfer
CN114142908B (zh) 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN114217630B (zh) 一种基于注意力机制的动态时空无人机充电方法
Al-Habob et al. Energy-efficient spatially-correlated data aggregation using unmanned aerial vehicles
Lee et al. Multi-Agent Reinforcement Learning in Controlling Offloading Ratio and Trajectory for Multi-UAV Mobile Edge Computing
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks
CN114885379A (zh) 一种大规模无人机集群自适应分簇组网方法
Zhang et al. QoS maximization scheduling of multiple UAV base stations in 3D environment
Fu et al. AoI-energy-aware collaborative data collection in UAV-enabled wireless powered sensor networks
Shi et al. Air to air communications based on UAV-enabled virtual antenna arrays: A multi-objective optimization approach
Duan et al. Energy efficient data collection and directional wireless power transfer in rechargeable sensor networks
Li et al. Improving charging performance for wireless rechargeable sensor networks based on charging uavs: a joint optimization approach
He et al. Resource allocation strategy for UAV-assisted non-linear energy harvesting MEC system
Wang et al. Uplink data transmission based on collaborative beamforming in UAV-assisted MWSNs
CN116390129A (zh) 一种基于无人机辅助的无线传感网络能量效率优化方法
Liu et al. A joint optimization approach for uav-enabled collaborative beamforming
CN113468819B (zh) 基于遗传算法的无人机辅助边缘计算的能耗优化方法

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