CN115209425B - 一种基于无线传感器分布的无人机部署方法 - Google Patents

Abstract

本发明公开了一种基于无线传感器分布的无人机部署方法，根据单跳路由协议和多跳路由协议的特点，分别建立了一套分析模型来估计无线传感器网络中节点的流量负载的大小。利用分析模型，在采用单跳路由的网络中，通过计算无人机与网络边缘之间的距离来确定无人机的位置，从而延长网络的生存时间。在使用多跳路由的网络中本文根据路由协议的分层策略来估计网络内传感器节点的流量负载。并通过计算能够最小化网络中最大流量负载的方法来求解无人机的位置。在不同网络条件下的实验结果证明了发明的分析和部署方案的有效性。

Description

一种基于无线传感器分布的无人机部署方法

技术领域

本发明公开涉及新能源航空电动力技术领域，尤其涉及一种基于无线传感器分布的无人机部署方法。

背景技术

未来6G网络意在满足人们日益增长的网络生活需求。作为实现全球网络无缝覆盖的重要手段，空天地一体化网络是未来6G网络发展和应用的重要趋势之一。得益于无人机自身的灵活性，机动性和易于部署的特点，无人机在空天地一体化的网络架构中发挥重要作用。无人机可以搭载小型基站为地面设备提供临时的通讯服务或者作为汇聚节点控制地面设备并收集地面信息。为了更好地执行相关的任务，研究如何部署无人机来最大限度地发挥网络的性能是非常必要的。

在过去的几年里，无人机及相关网络的部署得到了广泛地研究。在使用直接通信模式的网络中对于无人机进行部署的研究非常广泛，包括无人机在悬停状态时的覆盖问题，移动时的路径规划和信息采集速率等问题。对于无人机的覆盖问题，一些研究人员利用概率函数分析方法来优化无人机的高度，根据国际电信联盟定义的最大允许路径损耗和城市环境统计参数的函数来计算地面上的最大无线电覆盖范围。还有一些研究人员利用一个具有连续无人机放置的多项式时间算法，其中无人机沿着朝向中心的螺旋路径从未覆盖地面设备的区域沿周长开始顺序放置，直到所有地面设备都被覆盖为止，这种方法最小化了为地面设备提供无线覆盖所需的无人机数量，并确保每个地面设备在至少一个无人机的通信范围内。此外，还有两种算法用来解决部署多个无人机进行按需覆盖时保持无人机之间的连通性的问题，即集中式部署算法和分布式运动控制算法。第一种算法要求地面设备固定的情况下在全局计算后提供最优部署结果(即无人机的最小数量及其各自的位置)。第二种算法不需要提前得知全局信息或计算，而是使每个无人机能够自主地控制其运动，找到地面设备并收敛到按需覆盖。在实验中使用真实的无人机和地面设备成本过高，因此现在的研究中大多采用模拟仿真的方法。在模拟仿真中，需要构建无线通信模型、环境模型、能量消耗模型，以及需要路由协议，即单跳路由协议和多跳路由协议。在单跳路由协议中，低能耗自适应聚类分层协议(Low-Energy Adaptive Clustering Hierarchy,LEACH)是一种广泛应用于无线传感器网络中的路由协议，可以有效延长网络的生存时间。该协议主要的思想是通过聚类的方法来减少传感器节点发送数据时的能量消耗，同时平衡节点之间的能量消耗。此外，还有一种单跳路由协议R-LEACH，该协议是在LEACH的基础上改进的。在多跳路由协议中，基于不相等簇的多级异构路由方案(unequal cluster-based routingscheme for multi-level heterogeneous，UCR-H)将传感器网络的分布区域划分为若干个大小相等的矩形单元。

虽然现有研究已对无人机的部署进行了广泛地研究和分析，但是缺乏对更贴近真实世界环境的考虑。随着个人设备和传感器的发展，在收集和发送信息时会使用很多种不同的路由协议进行消息的传递。此时对无人机进行部署时需要注意的问题就产生了变化。

例如当一些偏远地区(如山区、海洋和森林)发生自然灾害时，非常有必要通过现有传感器来收集地面信息。然而，灾区不能及时重新部署连接无线传感器网络和传统汇聚节点的基础设施，特别是考虑到一些偏远地区原本就缺乏网络基础设施的情况。在执行任务时存在传感器无法及时替换且传感器的能量是有限的，如何快速搭建无线传感器网络并延长无线传感器网络的生存时间，成为救援和救灾提供信息是一个非常重要的问题。

无线传感器网络中的传感器节点数量可能较少且分布不均匀。传统的无线传感器网络部署方案仅应用一些聚类路由来延长网络的生存时间。忽略了汇聚节点位置对网络生存时间的影响，不能最大化的发挥网络的最大效能。一些研究应用移动汇聚节点按照一定的轨迹进行信息的收集，但这不适合时间敏感的任务。同时传统的移动汇聚节点在地面进行移动，速度慢且受限比较多。

使用无人机作为汇聚节点不仅能够快速部署无线传感器网络的的优点，而且可以灵活地部署在任何位置。为了在目标区域快速、尽可能多地收集信息，有必要在使用路由算法延长网络寿命的同时来优化无人机的位置。这与在一组节点内选择最优节点作为汇聚节点的组合优化问题不同，除了不同节点的分布需要不同的路由算法外，所需要的无人机部署策略也是不同的。

发明内容

鉴于此，本发明公开提供了一种基于无线传感器分布的无人机部署方法，以解决在现有技术中，存在的无线传感器网络部署忽略汇聚节点位置对网络生存周期的影响来进行改进的问题，并且针对不同的节点分布类型和路由协议方案来优化无人机的部署。

本发明提供的技术方案，具体为，一种基于无线传感器分布的无人机部署方法，包括：

步骤1、根据单跳路由协议和多跳路由协议的特点，分别建立一套分析模型来估计无线传感器网络中节点的流量负载的大小；

步骤2：在采用单跳路由协议的网络中，通过计算无人机与网络边缘之间的距离来确定无人机的位置；

步骤3：在采用多跳路由协议的网络中，根据路由协议的分层策略来估计网络内传感器节点的流量负载，并通过计算能够最小化网络中最大流量负载的方法来求解无人机的位置。

进一步地，所述步骤2包括：将单跳路由协议分为两类：不考虑传感器的剩余能量和考虑传感器的剩余能量；

对于使用不考虑电池剩余能量的路由协议，采用无人机部署方案为：通过最小化无人机与最外层设备之间的半径来优化网络寿命；对于考虑电池剩余能量的路由协议，采用最小平均距离部署方案来优化无人机的部署。

进一步地，当不考虑传感器的剩余能量时，将网络中的汇聚部署问题归结为最小包围圈问题；

所述最小包围圈部署的表达式：

其中(2)表示网络中的所有节点应位于以无人机为中心，R_c为半径的圆圈内；U_x，U_y表示无人机的坐标，(x_g，y_g)g∈{1，2，3...G}表示地面传感器节点的位置。

进一步地，当考虑传感器的剩余能量时，定义无人机和网络边缘传感器节点之间的距离为：以网络边缘的传感器节点为圆心，以为半径，计算圆内节点与无人机之间的平均距离/>将圆圈内的传感器节点作为一个整体，通过重新计算出的无人机与传感器节点之间的距离作为衡量网络边缘传感器节点能耗速度的指标，具体计算公式如下：

其中式(5)表示在四个平均值中取最大值，d_e表示与边缘节点之间距离小于的节点与无人机之间的距离，E表示边缘节点/>范围内的传感器数量；

确定无人机与网络边缘传感器节点之间的距离为：以无人机和最远的传感器节点为x轴的正方向，分别在x轴和y轴的正方向和负方向上计算与无人机最远传感器节点的距离。

进一步地，当考虑传感器的剩余能量时，簇头选择功能基于以下阈值公式：

Tr(g)kopt(g)E_f(g) (7)

其中kopt(g)表示簇的优化函数，E_f(g)表示根据节点电池的剩余能量的优化函数。

进一步地，所述步骤3采用一维流量部署方案，将网络中的节点流量负载预测分为A₁-A_N和A₀两部分；

多跳路由协议的网络中根据相应路由算法的分层策略和网络中传感器的分布情况，估计网络中的流量，找到无人机的最佳部署位置；其中AD_i表示采用协议后网络中每层的宽度，AD_i的宽度通常小于d_i，使用作为A_i层中节点的平均下一跳传输距离；

使用以下等式重新定义第i层中节点的平均数据传输距离：

在无线传感器网络的某些层中会存在没有传感器节点的情况下，通过以下公式计算第c层中节点的平均传输距离：

A₀内传感器向无人机发送数据时情况会发生改变，A₀层的长度不能直接计算A₀中节点的平均数据传输距离时，使用以下公式计算传感器节点到无人机的平均传输距离；

其中d_m表示A₀内第m个传感器节点与无人机之间的距离；d^*＝87m，T_m是传感器节点能量消耗指数，M是A₀内传感器节点的总数；

用每轮内每层节点负责转发的数据包的数量乘以平均传输距离来估计节点的流量负载表示为Tra_i

其中Tra_max表示Tra_i中的最大值。

本发明提供了一种基于无线传感器分布的无人机部署方法，根据单跳路由协议和多跳路由协议的特点，分别建立了一套分析模型来估计无线传感器网络中节点的流量负载的大小。

具体地，本发明的方法基于在不同无线传感器分布的情况下，采用不同的路由协议时，网络内传感器的流量负载情况。在使用不考虑剩余能量的单跳路由协议的无线传感器网络中将无人机部署归结为最小包围圈问题。在使用考虑剩余能量的单跳路由协议的无线传感器网络中将无人机部署考虑为最小平均距离部署方案。使用多跳路由的无线传感器网络中本发明根据路由协议的分层策略来估计网络内传感器节点的流量负载，通过最小化网络中最大流量负载的方法来求解无人机的位置。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明公开实施例提供的100个传感器节点随机分布在100m*100m的区域示意图；

图2为本发明公开实施例提供的网络边缘传感器与无人机之间的平均距离示意图；

图3为本发明公开实施例提供的以无人机为中心的坐标系；

图4为本发明公开实施例提供的使用UCR-H的网络模型的示意图；

图5为本发明公开实施例提供的3D城市模型示意图；

图6为本发明公开实施例提供的在100m*100m的区域内使用LEACH协议向无人机发送数据网络的生存时间示意图；

图7为本发明公开实施例提供的在100m*100m的区域内使用R-LEACH协议向无人机发送数据网络的生存时间示意图；

图8为本发明公开实施例提供的在500m*100m的区域内使用UCR-H协议向无人机发送数据网络的生存时间示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。

为解决，传统的无线传感器网络部署方案仅应用一些聚类路由来延长网络的生存时间，忽略了汇聚节点位置对网络生存时间的影响，不能最大化的发挥网络的最大效能。同时传统的移动汇聚节点在地面进行移动，速度慢且受限比较多等问题，本实施方案提供了一种基于无线传感器分布的无人机部署方法，使用无人机作为汇聚节点不仅能够快速部署无线传感器网络的的优点，而且可以灵活地部署在任何位置。为了在目标区域快速、尽可能多地收集信息，有必要在使用路由算法延长网络寿命的同时来优化无人机的位置。这与在一组节点内选择最优节点作为汇聚节点的组合优化问题不同，除了不同节点的分布需要不同的路由算法外，所需要的无人机部署策略也是不同的。

为了更具体地描述无人机的部署以及网络流量的分析和预测，本发明分别进行了单跳路由协议分析和多跳路由协议分析，并分别提出了在采用两种路由协议情况下的无人机部署方案，如下：

单跳路由协议分析及无人机部署方案

本发明根据网络规模和各种路由协议的特点，详细阐述了汇聚节点的部署和网络中节点的流量负载。由于传感器节点的通信距离与能量消耗率之间的关系，单跳路由通常应用于小型无线传感器网络。在众多的单跳路由协议中，LEACH是应用和研究最广泛的单跳路由方案。因此，对于单跳路由，本发明主要关注LEACH及其改进的协议。本发明将单跳路由分为两类：不考虑传感器的剩余能量的单跳路由协议和考虑传感器的剩余能量的单跳路由协议。

在图1中，无线传感器网络中使用的LEACH等单跳路由协议主要基于概率函数选择簇头，以降低传感器在数据传输时的能耗。一些改进方案在LEACH的基础上通过优化簇头选择和簇大小来优化路由算法，以进一步降低网络中传感器的能耗。然而，在小型无线传感器网络中使用LEACH协议时，在设置阶段选择簇头时，所有的传感器节点都是相同的概率。在图1中假设无人机部署在区域的中心收集网络内的数据，这将导致位于网络边缘的传感器节点首先死亡，因为它们传输距离长从而会快速消耗电池能量。因此，无人机和网络边缘传感器节点之间的最大距离将直接影响无线传感器网络的最大生存期。根据这种路由协议和无线传感器网络的特点，本发明将网络中的汇聚节点部署问题归结为最小包围圈问题。为解决以上问题，将其表达为如下公式：

其中(2)表示网络中的所有节点应位于以无人机为中心，R_c为半径的圆圈内；公式(1)表示要使R_c最小。本发明称这种部署策略为最小包围圈部署方案(Smallest EnclosingCircle Deployment Scheme，SECDS)。SECDS可以确保在传感器分布不是非常特殊的情况下有效延长网络的生存时间。

在使用考虑传感器剩余能量的路由协议的情况下，在传感器网络中部署无人机进行数据收集。考虑无线传感器网络中传感器节点剩余能量的路由协议具有更好的平衡网络中传感器节点能量的性能。簇头选择功能主要基于以下阈值公式：

Tr(g)kopt(g)E_f(g) (3)

其中kopt(g)表示簇的优化函数，E_f(g)表示根据节点电池的剩余能量的优化函数。在无线传感器网络中，当采用这种路由算法时，网络边缘的传感器节点与汇聚节点之间的距离仍然是影响网络寿命的重要原因之一。与不考虑传感器剩余能量的方法相比，在使用这种路由时，无人机的部署在作为最小包围圈的问题依然可以增加网络的生存时间，但不是最好的选择。在使用考虑传感器剩余能量的路由协议网络中，当算法选择簇头时，剩余电池能量较多的节点具有较大的概率阈值。从长期的数学期望来看，与网络的边缘节点相比，靠近无人机的节点通常被选为簇头。因此，网络边缘节点周围的节点可以进一步降低网络边缘传感器节点的能耗。根据这一特点，在部署无人机时，本发明不再考虑无人机与单个传感器节点之间的距离。

如图2所示，本发明重新定义了无人机和网络边缘传感器节点之间的距离。以网络边缘的传感器节点为圆心，以为半径，计算圆内节点与无人机之间的平均距离/>本发明将圆圈内的传感器节点作为一个整体，通过重新计算出的无人机与传感器节点之间的平均距离作为衡量网络边缘传感器节点能耗速度的指标。具体计算公式如下：

其中(5)表示在四个平均值中取最大值，d_e表示与边缘节点之间距离小于的节点与无人机之间的距离，E表示边缘节点/>范围内的传感器数量。

为了更好地确定无人机与最外层网络之间的距离，本发明重新定义了需要判断的集合。如图3所示以无人机和最远的传感器节点为x轴的正方向，本发明分别在x轴和y轴的正方向和负方向上计算与无人机最远传感器节点的距离，这样做的好处是避免在计算时，尽可能避免重复选择同一个边缘节点作为圆心，从而保证计算结果的可靠性。具体的实现部署过程如表1所示，其中Ni表示网络最大迭代次数。本发明称这种方法为最小平均距离部署方案(Minimum Average Distance Deployment Scheme，MADDS)。具体实现过程如表1中所示。然而，随着网络分布的扩大，MADDS部署方案延迟网络的效果会逐渐下降。部署方案效果降低的主要原因是，随着网络分布区域的扩大，网络边缘节点的能耗率增加，这使得靠近无人机的传感器节点更多的被选为簇头。同时，网络边缘节点向网络中的内部节点发送数据所需的能量增加了从而消耗降低了路由协议平衡能量消耗的能力。这两个原因共同导致在使用单跳路由协议时部署无人机以延长网络生存时间的效果降低。传感器的传输距离受到限制，随着无人机服务范围的扩大，需要使用多跳路由协议来收集网络中的信息。

表1最小平均距离部署方案伪代码

本发明中非均匀分布的传感器网络中使用多跳路由协议时网络中节点的流量负载分析方法以及相关的无人机部署问题。

多跳路由协议分析及无人机部署方案

本发明分析非均匀分布的传感器网络中使用多跳路由协议时网络中节点的流量负载分析方法以及相关的无人机部署问题。UCR-H所应用场景如图4所示，主要应用于宽度较小的矩形区域。与单跳路由对应的网络结构不同，多跳路由协议除了在每一层选择簇头外，还需要选择簇头节点的下一跳节点。数据从外层传感器节点发送到下一层节点。因此，除了网络最外层的节点外，每层节点除了需要发送自己的数据外还需要转发从上层接收到的数据。通常，A₀中的节点首先会耗尽电池电量，因为它们需要将整个网络的数据发送给无人机。同时，A₀内的传感器节点太少或距离无人机太远都可能导致节点加速死亡。另外，在传感器节点分布不均匀的网络中，某一层节点的流量负载过大会导致其电池消耗速度大于A₀内节点的能耗。因此，可以通过优化无人机的位置来优化每层中的节点数量，以尽可能避免网络内快速出现能量空洞。

在同一传感器分布下，不同的路由协议导致不同的电池能量消耗率，并且协议本身可能也包含随机性，因此很难直接估计网络寿命。本发明将网络寿命的估计问题转化为节点流量负载的计算问题。多跳路由协议通常通过优化网络的层数、每层簇头的选择和层间路由路径来延长网络的生存期。本发明考虑节点流量负载的保守估计。针对多跳路由的特点，本发明将网络中的节点流量负载预测分为A₁-A_N和A₀两部分。不同的路由协议在网络部署上存在一些差异。因此，本发明根据不同协议的分层逻辑部署无人机，具体主要根据相应路由算法的分层策略和网络中传感器的分布情况，估计网络中的流量同时找到无人机的最佳部署位置。其中AD_i表示采用协议后网络中每层的宽度。AD_i的宽度通常小于d_i。同时，一般的多跳路由协议将在网络的每一层中在设置阶段的每一圈中生成多个CHs，并且在选择节点的下一跳节点时将考虑诸如发送距离和节点的剩余能量等因素。因此，本发明使用作为Ai层中节点的平均下一跳传输距离。因为在某些情况下，网络中每一层的长度是不同的，通常使用以下等式重新定义第i层中节点的平均数据传输距离：

在无线传感器网络的某些层中会存在没有传感器节点的情况下，本发明通过以下公式计算第c层中节点的平均传输距离：

A₀向传感器向无人机发送数据时情况会发生改变，A₀是一个矩形区域而无人机只有一个，因此A₀层的长度不能直接计算A₀中节点的平均数据传输距离。为了更准确地计算区域节点的流量负载，本发明使用以下公式计算传感器节点到无人机的平均传输距离。

其中d_m表示A₀内第m个传感器节点与无人机之间的距离。接下来本发明用每轮内每层节点负责转发的数据包的数量乘以平均传输距离来估计节点的流量负载表示为Tra_i。

其中Tra_max表示Tra_i中的最大值。本发明称这种部署方案为一维流量部署方案(One-dimensional Traffic Deployment Scheme，OTDS)具体实现过程如表2所示。OTDS可以尽可能避免在使用多跳路由的无线传感器网络中某一层内节点流量负载过大，从而导致网络的快速死亡。

表2一维流量部署方案伪代码

下面结合具体的实施例对本发明进行更近一步的解释说明，但是并不用于限制本发明的保护范围。

该方案利用IUT-R给出的环境参数使用Python语言建立了虚拟的3D城市模型，如图5。具体来说是在二维平面上在给定区域大小和环境类型的条件下计算区域内建筑物所占的总面积和数量。然后根据建筑物的数量使用瑞利函数生成每个建筑物的高度。并根据建筑物总的二维面积和数量计算每个建筑物的边长和坐标。最后根据计算后的结果按照曼哈顿网格的形式将建筑物排列起来，并记录建筑物四个顶点的坐标和高度来表示每个建筑物。

实验参数的设置为：En_ele＝50nJ/bit，En_f＝10pJ/bit，En_m＝0.0013pJ/bit，En_D＝5nJ/bit，d^*＝87m传感器设备的初始能量是0.5J。单跳路由协议的实验环境是在100m*100m的区域内随机部署20个节点、40个节点、60个节点、80个节点和100个节点分别进行测试。多跳路由协议的实验环境是在500m*100m范围内随机部署100个节点、200个节点、300个节点、400个节点和500个节点进行测试。由于本发明的重点在于网络的生存时间，所以我们假设所有消息的发送和接收都是成功的。传感器的能量消耗模型由以下公式表示：

其中En_t(d，s)和En_r(s)分别表示，s代表传输或接收的比特数，En_ele为设备接收或发送每比特数据所消耗的能量，En_f是自由空间的传播参数，En_m是多径衰落的传播参数，En_D是聚合1比特数据所花费的能量。

无线传感器网络的生存时间是网络部署最重要的评估标准，本发明定义为从初始时刻到网络中首先出现消耗完电池能量的传感器节点的时刻作为网络的生存时间。

在本发明中，网络部署主要分为两部分：路由协议的使用和相应的无人机部署方案。为了证明本发明对节点流量负载和无人机部署方案分析的有效性，将无人机分别放置在区域中心和通过部署方案选择后的位置。然后，在相同的环境条件和相同的路由协议下进行100次仿真，分别记录网络的平均生存时间和最大生存时间。

在进行对比实验时，本发明分别使用经典的单跳路由协议LEACH和R-LEACH来验证部署方案的有效性，采用多跳路由协议UCR-H协议来验证部署方案的有效性。对于无人机的部署分别采用了传统部署方案(Traditional Deployment Scheme，TDS)和本发明的提出的部署方案进行测试。在不同网络条件下的实验结果证明了本发明的传感器流量负载分析和无人机部署方案的有效性。

图6中的(a)和图6中的(b)中分别显示了在网络中使用LEACH协议时，本发明的无人机部署方案与无人机部署在区域中心的方案的网络的生存时间平均值和最大值。在分布区域相同但节点密度不同的无线传感器网络中，与传统方案相比，该方法可以进一步延长网络的生存时间。在选择簇头时，LEACH不考虑电池的剩余能量。传感器的分布将影响无人机的位置选择。理论上，当区域中的节点数量达到一定密度时，节点分布对网络生存时间的影响将减小。从实验结果中也可以发现，网络寿命的提高并不稳定。当该区域有20个节点、40个节点、60个节点、80个节点和100个节点时，本发明的方案将网络寿命延长7.55％、6.65％、1.41％、3.6％和3.51％。由于本发明的部署方案缩短了无人机与网络边缘传感器节点之间的传输距离，因此网络生存时间将延长到更多轮数。

图7展示了当所有节点具有相同初始能量时，使用基于能量的LEACH改进协议的实验结果。LEACH和R-LEACH实验中使用的节点分布是相同的。当该区域有20个节点、40个节点、60个节点、80个节点和100个节点时，本发明的方案将网络寿命延长了3.72％、4.7％、0.1％、1.83％和1.26％。与LEACH的实验类似，当节点密度较低时，本发明的方案更有效。当网络中的节点密度相对较低时，传感器节点的密度会对网络的生存期产生很大的影响。本发明的部署方案可以更好地平衡区域内节点的能量消耗。反之，当区域内节点密度变大时，局部节点的分布差异也会变小。同时，在考虑能量变化的路由协议中，节点在CHs变化过程中的能量消耗将更加均衡，因此所能提升的空间降低。而在部署网络时，仅改变无人机位置的成本非常低。因此，通过部署无人机来延长网络的生存时间是非常有意义的。

在采用多跳路由协议的无线传感器网络中，节点的分布区域变宽，导致网络生存时间缩短。图8比较了不同无人机部署方案下不同节点密度的网络生存期。当区域内节点越来越多时，本发明的方案将网络寿命分别延长1.36％、16.53％、0.09％、5.49％和10.11％。从实验结果可以看出，我们的方案可以在传感器节点分布更广的网络中带来更大的效益。主要原因之一是虽然节点数量增加，但节点分布范围更广，导致分布差异更为明显。其次，传感器节点本身的传输距离有限，网络边缘的传感器设备需要通过中继将数据发送给无人机。靠近无人机的节点需要中继外围节点发送的数据，这加剧了能量消耗，因而通过调整无人机的位置来平衡传感器的流量负载可以得到更明显的收益。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (1)

1.一种基于无线传感器分布的无人机部署方法，其特征在于，包括：

步骤1、根据单跳路由协议和多跳路由协议的特点，分别建立一套分析模型来估计无线传感器网络中节点的流量负载的大小；

步骤2：在采用单跳路由协议的网络中，通过计算无人机与网络边缘之间的距离来确定无人机的位置；

步骤3：在采用多跳路由协议的网络中，根据路由协议的分层策略来估计网络内传感器节点的流量负载，并通过计算能够最小化网络中最大流量负载的方法来求解无人机的位置；

所述步骤2包括：将单跳路由协议分为两类：不考虑传感器的剩余能量和考虑传感器的剩余能量；

当使用不考虑电池剩余能量的路由协议时，采用无人机部署方案为：通过最小化无人机与最外层设备之间的半径来优化网络寿命；对于考虑电池剩余能量的路由协议，采用最小平均距离部署方案来优化无人机的部署；

当不考虑传感器的剩余能量时，将网络中的汇聚部署问题归结为最小包围圈问题；

所述最小包围圈部署的表达式：

其中(2)表示网络中的所有节点应位于以无人机为中心，R_c为半径的圆圈内；U_x,U_y表示无人机的坐标，(x_g,y_g)g∈{1,2,3…G}表示地面传感器节点的位置；

当考虑传感器的剩余能量时，定义无人机和网络边缘传感器节点之间的距离为：以网络边缘的传感器节点为圆心，以为半径，计算圆内节点与无人机之间的平均距离/>将圆圈内的传感器节点作为一个整体，通过重新计算出的无人机与传感器节点之间的距离作为衡量网络边缘传感器节点能耗速度的指标，具体计算公式如下：

其中式(5)表示在四个平均值中取最大值，d_e表示与边缘节点之间距离小于的节点与无人机之间的距离，E表示边缘节点/>范围内的传感器数量；

确定无人机与网络边缘传感器节点之间的距离为：以无人机和最远的传感器节点为x轴的正方向，分别在x轴和y轴的正方向和负方向上计算与无人机最远传感器节点的距离；

当考虑传感器的剩余能量时，簇头选择功能基于以下阈值公式：

Tr(g)kopt(g)E_f(g) (7)

其中kopt(g)表示簇的优化函数，E_f(g)表示根据节点电池的剩余能量的优化函数；

所述步骤3采用一维流量部署方案，将网络中的节点流量负载预测分为A₁-A_N和A₀两部分；

多跳路由协议的网络中根据相应路由算法的分层策略和网络中传感器的分布情况，估计网络中的流量，找到无人机的最佳部署位置；其中AD_i表示采用协议后网络中每层的宽度，AD_i的宽度通常小于d_i，使用作为A_i层中节点的平均下一跳传输距离；

使用以下等式重新定义第i层中节点的平均数据传输距离：

在无线传感器网络的某些层中会存在没有传感器节点的情况下，通过以下公式计算第c层中节点的平均传输距离：

A₀层的长度不能直接计算A₀中节点的平均数据传输距离时，使用以下公式计算传感器节点到无人机的平均传输距离；

其中d_m表示A₀内第m个传感器节点与无人机之间的距离；d^*＝87m,T_m是传感器节点能量消耗指数，M是A₀内传感器节点的总数；

用每轮内每层节点负责转发的数据包的数量乘以平均传输距离来估计节点的流量负载表示为Tra_i

其中Tra_max表示Tra_i中的最大值。