CN115545106A - 一种多无人机中的AoI敏感的数据收集方法及系统 - Google Patents

一种多无人机中的AoI敏感的数据收集方法及系统 Download PDF

Info

Publication number
CN115545106A
CN115545106A CN202211222924.7A CN202211222924A CN115545106A CN 115545106 A CN115545106 A CN 115545106A CN 202211222924 A CN202211222924 A CN 202211222924A CN 115545106 A CN115545106 A CN 115545106A
Authority
CN
China
Prior art keywords
data acquisition
aoi
data
unmanned aerial
association
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.)
Pending
Application number
CN202211222924.7A
Other languages
English (en)
Inventor
翟临博
高星霞
邓晓珂
贾钰鹃
杨峰
赵景梅
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202211222924.7A priority Critical patent/CN115545106A/zh
Publication of CN115545106A publication Critical patent/CN115545106A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Abstract

本发明提供了一种多无人机中的AoI敏感的数据收集方法及系统，涉及移动通信技术领域，包括采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；确定数据采集点的数量以及各个数据采集点的位置坐标，建立SN‑CP关联；根据数据采集点的位置坐标和SN‑CP关联，对数据采集点进行聚类，再建立CP‑UAV关联；根据数据采集点的坐标和CP‑UAV关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集；在保证传感器信息新鲜度的同时完成了数据收集任务。

Description

一种多无人机中的AoI敏感的数据收集方法及系统
技术领域
本发明涉及移动通信技术领域，具体涉及一种多无人机中的AoI敏感的数据收集方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着人工智能、大数据、云计算和移动边缘计算的发展，当今的移动应用对时延变得更加敏感。无人机在军事、救灾、医疗等领域发挥着越来越重要的作用。
近年来，随着全球无线通信网络覆盖需求的增加，无人机(UAV)与移动网络相结合，可以以低成本、高机动性的方式支持无人机通信，也为建立新的专用空对地通信链路提供可能，当发生流行病、洪水和地震等自然灾害时，可以将无人机部署到数据收集场景中，以提高信息的新鲜度，减少灾害损失。
无人机作为移动通信基站，部署在无线通信网络中，由于低成本、灵活度高、部署灵活等优点，被广泛应用于军事、救灾、医疗和其他领域。例如，灾区的地面基站经常被摧毁无法提供及时的通信服务，这不利于救援工作的开展。由于晚会、音乐会等城市交通热点密集，传统地面基站的覆盖往往无法满足需求，用户设备往往没有信号。鉴于上述问题，无线传感器网络中无人机辅助数据采集引起了广泛关注。无人机比地面基站更灵活、更机动为小型且能源有限的地面用户设备提供可靠的通信，并为地面传感器节点(SNs)提供更及时的数据收集，以确保数据的新鲜度。
无人机在移动通信中有着广泛的应用和许多优势。然而，由于无人机的体积小、承载能力和能量存储能力，它无法长时间收集数据，传感器数据的上传顺序和无人机在数据采集点(CP)之间的路径繁琐，使得数据的新鲜度不高；并且在某些对信息时效性要求较高的场景中，然而，由于无人机续航能力有限，在面积较大、传感器较为密集的场景中，一个无人机很难在保证传感器信息新鲜度的同时完成数据收集任务。
发明内容
本发明为了解决上述问题，提出了一种多无人机中的AoI敏感的数据收集方法及系统，使用AoI来衡量数据的新鲜度，最小化传感器中数据的最大AoI和平均AoI，引入一个从开始到结束的关联和规划策略，通过迭代的三步过程来优化传感器中数据的两个AoI。
根据一些实施例，本发明采用如下技术方案：
一种多无人机中的AoI敏感的数据收集方法，包括：
采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；
根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联；
根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
根据一些实施例，本发明采用如下技术方案：
一种多无人机中的AoI敏感的数据收集系统，包括：
数据采集模块，用于采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
数据关联模块，用于确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联。
优化模块，用于根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
根据一些实施例，本发明采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种多无人机中的AoI敏感的数据收集方法。
根据一些实施例，本发明采用如下技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种多无人机中的AoI敏感的数据收集方法。
与现有技术相比，本发明的有益效果为：
本发明利用多个无人机合作参与数据收集，提高数据的新鲜度，使用AoI来衡量数据的新鲜度，主要包括传感器中数据的上传时间、无人机的飞行时间和数据卸载时间。在多无人机辅助的无线传感器网络中建立了AoI敏感的数据收集问题，以同时最小化传感器中数据的最大AoI和平均AoI。并引入了一个从开始到结束的关联和规划策略，通过一个迭代的三步过程来优化传感器中数据的两个AoI，在有限的续航能力下，采用改进的蚁群算法对无人机的飞行轨迹进行优化，该策略可以优化SNs的最大AoI和平均AoI，提高了数据的新鲜度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中无人机数据收集场景的示意图；
图2为本发明实施例中方法实施的流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
AOI：AoI是衡量数据新鲜度的重要指标，反映信息的时效性。本发明中对AoI的定义是数据从传感器中产生到数据中心的时间。
实施例1
本发明的一种实施例中提供了一种多无人机中的AoI敏感的数据收集方法，包括：
步骤1：采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
步骤2：确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；
步骤3：根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联；
步骤4：根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
作为一种实施例，具体的方法实现流程为：
S10：初始化地面传感器的数量、位置；
地面传感器的位置会随着时间而变化，建立三维坐标系，以原点为数据中心，初始时无人机的数量为1，引入AoI来评估数据收集的效果。提出了无线传感器网络中多无人机辅助的数据收集问题，以最小化传感器中数据的最大AoI和平均AoI。设
Figure BDA0003878560810000051
wl＝(xl,yl,h)分别表示无人机的数量、传感器的数量、CP的数量以及各CP的位置。
如图1所示，无人机从数据中心v0出发，经过CPcl。cl中被调度传感器的数据信息产生并上传。无人机a1从CP c1飞到C4直到经过轨迹内的所有CP，完成数据收集任务，并且返回数据中心进行数据卸载。因此，无人机的轨迹中只有CP和数据中心。无人机ak的飞行轨迹表示为
Figure BDA0003878560810000062
Figure BDA0003878560810000061
表示轨迹中的第j个CP。数据中心是无人机的起点和终点。
S11：考虑在时间维度上的聚类，提出结合密度聚类的SCADC算法确定CP的位置并建立SN-CP关联；
根据实际情况，传感器节点的位置往往会随着时间变化，考虑在时间维度上的聚类，提出结合密度聚类的提出结合密度聚类的SCADC算法确定CP的位置并建立SN-CP关联，每个传感器仅仅属于一个CP，提出一个SN-CP关联结合密度聚类的SCADC算法，为了提高无人机对传感器进行数据收集的效率，无人机需要选定最佳的数据收集点，表示为CP，将M个传感器划分在L个CP的范围内。无人机信号半径内的CP，密度聚类得到的CP的范围不重叠，可以避免无人机数据收集过程中发生碰撞。密度聚类可以聚成任意形状的簇，可以处理比较大的数据集，聚类过程中加入阈值限制，使得聚类效果更好，根据地面用户实际情况，地面用户密集的地方物理设备数量多，即传感器数量多，采用结合密度聚类的传感器分簇，找到CP的位置，并建立传感器与CP的关联。
假设在传感器分布较为均匀的无线通信网络中，设传感器位置的经度为xt,纬度为yt,传感器停留时刻zt，则传感器的时空坐标为(xt,yt,zt),设一个长度为t(zt∈t)的持续时间，让传感器的时变密度为λα(t)。
S110：传感器之间的时空距离
传感器vm的位置可以用时空坐标表示，表示为向量Vm＝(xm,ym,zm),传感器vk的位置表示为向量Vk＝(xk,yk,zk),则向量Vm与向量Vk的之间的距离为
Figure BDA0003878560810000071
传感器vm时空领域内传感器数量可以看成以vm为中心，以ε为半径的区域内的传感器数量，传感器vm与传感器vk之间的时空距离d(Vm,Vk)小于等于ε，表示为：
Nε(vm)＝{vk|d(Vm,Vk)≤ε,Vk≠Vm,vk∈M} (2)
其中，M是传感器的数量，ρ(vm)＝|Nε(vm)|是传感器vm邻域内传感器的数量。
核心对象：在传感器vm的ε邻域内，若传感器的数量大于等于MinPts，则传感器vm核心对象表示为ρ(vm)≥MinPts。
通过密度聚类算法找到CP的集合，优化无人机的飞行时间，并建立传感器与CP的关联。CP的数量越少，无人机的飞行时间越短，但是传感器数据上传时间变长，相反地，CP点的数量越多，传感器数据上传时间越长，但是无人机的飞行时间变长，所以需要找到合适的CP点的数量，最小化传感器上传时间的同时最小化CP点的数量，进而统一优化传感器数据的上传时间和无人机的飞行时间，λm,k＝1表示传感器vm选择传感器vk作为簇头,ζm,k(m,k＝1,...,M)，是传感器vm的上传时间。进一步简化ρ(m)是传感器vm的邻近节点集合，它们之间的距离小于等于无人机的信号覆盖范围，ρ+(m)表示传感器vm和它的邻近节点，即ρ+(m)＝m∪ρ(m)。优化密度聚类形成传感器集合即CP点数量问题。
Figure BDA0003878560810000081
Figure BDA0003878560810000082
其中θ是正权重因子,表示传感器节点成为簇心，即CP点的能力。第一个约束确保每个传感器集合有一个簇头，第二个约束确保每个传感器集合中的一些传感器可以作为簇头，第三个约束确保核心对象尽可能地准确，第四个约束确保传感器与CP点关联参数只有两种取值0和1，即是否关联。
ζ′m,k是关于优化传感器数据上传时间问题的参数,表示如下：
Figure BDA0003878560810000083
在密度聚类算法中，相邻传感器之间传递两种消息：(1)αm,k，由vm发送给它的邻近节点vk,表示vk有多大能力成为它的簇头；(2)γm,k，由vk发送给它的邻近节点vm，表示自己有多大能力成为vm的簇头。迭代消息更新为：
Figure BDA0003878560810000084
Figure BDA0003878560810000091
当达到收敛时，若γk,k+αk,k大于0，则传感器vk成为簇头。所以簇头集合表示为：
L＝{l|γk,k+αk,k>0} (7)
有|L|个簇头，每个传感器vm和它的簇头vk在一个簇内，且满足k＝argmink∈Lζm,k′，M个传感器被分为L个簇，l成为簇头索引。聚类得到CPs的集合{cl}和它们的位置{wl}，
Figure BDA0003878560810000092
步骤S12：根据CP的位置坐标和SN-CP关联，设计结合K-means的CUKK-means算法对CP进行聚类，形成包含若干个CP的CP簇，建立CP-UAV关联。
每个CP仅与一个UAV关联，每个UAV仅访问一个CP集合中的CP。CUKK-means算法在本文中的主要思想如下。首先，通过非线性映射将空间中的CP映射到高维核空间，突出了CP之间的特征差异。然后在这个核空间中进行聚类。在这里，为算法聚类提出了一个新的核函数，以提高算法的性能。CUKK-means的核函数是：
Figure BDA0003878560810000093
其中，ok代表第k个簇中心，||Φ(wl)-ok||是CP点cl和簇中心ok之间的距离，||Φ(w0)-ok||是数据中心v0和簇中心ok之间的距离。根据核函数公式，CP点cl与簇中心ok之间距离的平方可以表示为
Figure BDA0003878560810000094
Figure BDA0003878560810000095
w＝[w1,w2,...,wL]表示CP点的位置向量,
Figure BDA0003878560810000096
是CP点的水平位置，则簇中心ok可以表示为：
Figure BDA0003878560810000101
其中i代表迭代索引，
Figure BDA0003878560810000102
CUKK-means的优化目标是获得CP-UAV关联，同时获得聚类中心的位置。根据邻近原则，每个CP被划分为一个簇：
Figure BDA0003878560810000103
初始时K＝1，迭代过程中，聚类中心点ok(i)不断更新，迭代结束时，得到CP与UAV之间的关联，同时得到聚类中心的位置ok(i)和各个簇内CP的集合。
设无人机电量能供应的最长续航时间Tmax,初始时K＝1，第一次迭代过程中i＝0，所有CP在一个簇内，基于启发式算法找到一条包含所有CP的哈密顿路径uk,hp，计算完成该路径上所有传感器数据收集和卸载所需的时间Tk(uk,hp)，若无人机的最长工作时间不能完成该簇内所有传感器数据的收集和卸载，则进行第二次迭代i＝1，K＝K+1,将所有的CP点分在两个簇内，这两个簇收集传感器数据的时间加上无人机返回数据中心进行数据卸载的时间的最大值与Tmax进行比较，如果前者大于后者，则迭代继续，否则继续分簇，无人机数量加一。
S13：根据CP集合中CP的坐标和CP-UAV关联，并基于改进的蚁群优化算法(AOTPACO),建立了一种优化每个CP集合中无人机轨迹的策略；
首先初始化无人机的续航能力和速度，利用层次分析法初始化无人机每条子路径上的信息素浓度,确定系统的适应度函数。基于改进的蚁群优化算法(AOTPACO),建立了一种优化每个CP集合中无人机轨迹的策略。各个簇中的CP表示为
Figure BDA0003878560810000111
为了解决每架无人机的轨迹优化问题，设计了AOTPACO算法。由于之前的CP聚类决定了CP-UAV关联，在AOTPACO的迭代过程中，每个CP的权重由UAV选择。每个无人机到下一个CP的迁移概率为
Figure BDA0003878560810000112
其中，i、j分别为起点和终点,τij表示在一段时间t内，CP点i和CP点j之间信息素的浓度，Φij表示启发式函数，表示CP点cl被无人机选择成为下一个数据收集点的期望，a和b分别是用来调节信息素浓度和启发式函数所起作用大小的参数。
本发明以最小化每个传感器数据的平均AoI和最大AoI为目标，第一个目标是最小化传感器中数据的平均AoI。
Figure BDA0003878560810000113
其中，
Figure BDA0003878560810000114
表示传感器中数据上传到无人机的总时间，
Figure BDA0003878560810000115
表示上无人机总的飞行时间，
Figure BDA0003878560810000116
表示传感器中数据卸载到数据中心的总时间。注意：传感器中数据的AoI从该传感器被调度的那一刻算起。
第二个目标是最小化传感器中数据的最大AoI。
Figure BDA0003878560810000121
其中，
Figure BDA0003878560810000122
表示被调度的传感器中数据上传到无人机的总时间。所以，优化目标成为多目标优化问题，即最小化传感器中数据的平均AoI同时最小化传感器中数据的最大AoI。
Figure BDA0003878560810000123
Figure BDA0003878560810000124
Figure BDA0003878560810000125
其中，约束(a)是每个无人机往返数据中心的轨迹中消耗的时间小于或等于无人机的最长续航时间，约束(b)表示一个传感器只与一个CP点关联，约束(c)表示一个CP点只与一个无人机关联，约束(d)表示所有无人机访问的CP点内的传感器的数量，约束(e)表示关联参数λ，η的取值只有0和1两种情况。
由于本发明的目标是最小化每个传感器数据的平均AoI和最大AoI,即无人机用最少的时间经过最多的CP点，完成最大的数据收集量，所以启发式函数表示为：
Figure BDA0003878560810000131
其中，参数k用于调整启发式函数的值。rt(uk,tsp)是无人机在当前路径中的剩余续航时间，dis(i,j)表示CP点i到CP点j的路径，
Figure BDA0003878560810000132
表示无人机经过该路径时传感器数据的平均AoI。
由上面的式子知，转移概率由信息素浓度和启发式函数决定，为了使第一次迭代时的效果更好，进行信息素浓度初始化。其中两个决定因素分别是：CP点间的距离和CP簇内传感器平均数据量的大小
Figure BDA0003878560810000133
用层次分析法初始化信息素矩阵。设计的层次分析模型包括三层，第一层是目标层，选择一个合适的CP点。第二层是准则层，CP点的选择基于与上一个CP点与该CP点的距离和CP点的平均数据量。第三层是方案层，从CPc1到CPcL中进行选择。对于每一个无人机，将轨迹中的决定因素两两比较得到的判断矩阵表示为
Figure BDA0003878560810000134
其中a是无人机在选择下一个CP点时，距离相对于该CP点内平均数据量的重要程度。方案层中，每个方案都需要设计一个对应的准则层矩阵。因为准则层有两个因素，所有需要定义两个矩阵B1和B2，每个矩阵的大小是L×L。对于距离矩阵B1,B1(v,w)表示CP点w相对于CP点v在距离方面的重要程度。计算当前CP点i与CP点v和CP点w之间的距离，得到B1(v,w)为
Figure BDA0003878560810000141
然后根据CP点v和CP点w内的平均数据量，得到B2(v,w)为
Figure BDA0003878560810000142
检查矩阵C，B1和B2的一致性。CI用于判断矩阵的偏离度。CI的值越小，判断矩阵就越接近一致。
Figure BDA0003878560810000143
其中，λmax是各个矩阵的最大特征值，dim是矩阵的维度。然后，为衡量CI的大小，引入随机一致性指标RI，基于RI和CI计算CR
Figure BDA0003878560810000144
通常，如果CR<0.1，则认为该判断矩阵通过一致性检验，否则就不具有满意一致性。计算准则层中所有因素对于目标层相对重要性的权值，分别得到矩阵A,B1和B2的权值矩阵，矩阵w1,w2,w3的大小分别为2×1，m×1和m×1，每个CP点的权值大小，即初始信息素浓度为：
τ(i,j)＝w1(1)w2(j)+w1(2)w3(j) (23)
每条子路径上的信息素浓度是个常数，但是不相等，使得第一次迭代得到的可行解更接近最优解。
当所有的无人机选择下一个CP点cl或者数据中心v0时，局部信息素浓度更新为τij＝(1-ρ)τij，其中ρ是信息素蒸发系数。所有的无人机完成路径搜索后的信息素浓度更新为：
Figure BDA0003878560810000151
其中，
Figure BDA0003878560810000152
是根据反馈获得的信息素更新值。
Figure BDA0003878560810000153
是第k个无人机在路径i到j所留下来的信息素,表示为
Figure BDA0003878560810000154
其中λ1和λ2分别代表在第t+1次迭代过程中当前解集和非支配解集对信息素强度增加的影响。另外，w1和w2分别表示传感器中数据的平均AoI和最大AoI的重要程度，设置w1,w2∈[0,1]并且w1+w2＝1。使用μ1和μ2调整传感器中数据的平均和最大AoI，这对信息素强度有不同的影响。
S14：如果一个无人机无法完成数据收集任务，则重复Step S12和Step S13，记录每次迭代过程中的最高适应度值。如果达到迭代次数或者一段时间最优解没有发生变化，则迭代终止；
S15：根据Step S14中得到的两个优化目标的适应度值对应的局部最优解存入帕累托最优解集中；设置帕累托最优解集的最大容量，若迭代之后得到的最优解的个数超过帕累托最优解集的最大容量，则利用适应度偏差比淘汰帕累托最优解集中的当前支配解。当前解也是局部最优解。让χ(t)表示受传感器中数据的平均AoI和最大AoI影响的最优解集。
Figure BDA0003878560810000155
Figure BDA0003878560810000161
全局最优解包含在帕累托最优解集中。让δ(t)表示全局最优解集。如果当前解集也属于全局最优解集，它被加到帕累托最优解集中。
Figure BDA0003878560810000162
Figure BDA0003878560810000163
其中sn代表非支配解集中解的数量，path(i,j)表示两相邻CP之间的路径。
为了得到最小化传感器平均AoI和传感器最大AoI这两个目标,对于每个目标的可行解分别设计适应度函数，根据适应度评价函数淘汰支配解，并在外部集中保留非支配解，用路径损耗估计优化平均AoI和优化最大化AoI情况的适应度函数，分别表示为：
Figure BDA0003878560810000164
Figure BDA0003878560810000165
其中，
Figure BDA0003878560810000166
代表第l个CP点中所有传感器数据的上传时间，
Figure BDA0003878560810000167
对于一个解u，
Figure BDA0003878560810000168
是关于传感器中数据的平均AoI的适应度评价函数，
Figure BDA0003878560810000169
是关于传感器中数据的最大AoI的适应度评价函数。例如，给定两个解ui和uj，如果ui＜uj，则ui支配uj，否则，uj支配ui。如果ui和uj不互相支配，则它们被加入到帕累托解集中。定义ui＜uj如下：
Figure BDA0003878560810000171
多目标优化使用帕累托最优解集来存储全局最优解，并协调不同的目标优化。每次迭代后，根据公式(32)中比较解的评价值函数，选择局部最优解。如果存在多个局部最优解，则在该迭代中随机选择一个作为当前解，并将其添加到帕累托最优解集中。然后在帕累托最优解集中比较新添加的解和现有解，淘汰受添加解影响的支配解。
随着迭代次数的增加，帕累托解集中解的数量也增加，算法的收敛速度会减慢，并且计算效率将会降低。因此，设置帕累托解集Pos的最大容量NumPos。如果解的数量超过了NumPos，一些解将会被淘汰。所有的解按照定义的适应度偏差比(FDR)排序，如下：
Figure BDA0003878560810000172
Figure BDA0003878560810000173
Figure BDA0003878560810000174
Figure BDA0003878560810000175
Figure BDA0003878560810000181
对于一个解u，
Figure BDA0003878560810000182
和
Figure BDA0003878560810000183
分别用于表示平均AoI偏差比和最大AoI的偏差比。
Figure BDA0003878560810000184
和
Figure BDA0003878560810000185
分别用于表示解u的评价值相对于Pos中所有非支配解的平均适应度评价值的偏差。使用
Figure BDA0003878560810000186
和
Figure BDA0003878560810000187
分别表示Pos中所有非支配解的
Figure BDA0003878560810000188
和
Figure BDA0003878560810000189
的平均值。为了同时减少传感器中数据的平均AoI和最大AoI，应当同时控制y(u)和z(u)尽可能地小。因此，当解的数量超过NumPos时，算法将淘汰掉具有最大FDR值的解，直到解的数量不超过NumPos。
实施例2
本发明的一种实施例中提供了一种多无人机中的AoI敏感的数据收集系统，包括：
数据采集模块，用于采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
数据关联模块，用于确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联。
优化模块，用于根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
实施例3
本发明的一种实施例中提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种多无人机中的AoI敏感的数据收集方法中的步骤。
实施例4
本发明的一种实施例中提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种多无人机中的AoI敏感的数据收集方法的步骤。
以上实施例2、3、4的具体实施实施例1中的方法中的各个步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种多无人机中的AoI敏感的数据收集方法，其特征在于，包括：
采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；
根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联；
根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
2.如权利要求1所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，初始化地面传感器的数量和位置的具体步骤为：建立三维坐标系，以原点为中心对地面传感器的位置坐标进行采集，初始化地面传感器的数量、位置，且地面传感器的位置会随时间变化，数据中心位于原点，初始时无人机的数量为1。
3.如权利要求1所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联的过程为：考虑时间维度，采用密度聚类的SCADC算法确定数据采集点的位置并建立建立传感器与数据采集点之间的关联，每个传感器仅对应一个数据采集点。
4.如权利要求1所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，建立数据采集点与无人机之间的关联的具体步骤为：采用结合K-means的CUKK-means算法对数据采集点进行聚类，形成包含多个数据采集点的数据采集点簇，建立数据采集点与无人机之间的关联，每个数据采集点仅与一个无人机关联，每个无人机仅仅访问一个数据采集点。
5.如权利要求4所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，所述CUKK-means算法具体为：通过非线性映射将空间中的数据采集点映射到高维核空间，然后在这个核空间中进行聚类。
6.如权利要求5所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，所述在核空间中进行聚类时，具体提出一个新的核函数，所述核函数为：
Figure FDA0003878560800000021
其中，ok代表第k个簇中心，||Φ(wl)-ok||是CP点cl和簇中心ok之间的距离，||Φ(w0)-ok||是数据中心v0和簇中心ok之间的距离。
7.如权利要求1所述的一种多无人机中的AoI敏感的数据收集方法，其特征在于，根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化的过程为：首先初始化无人机的续航能力和速度，利用层次分析法初始化无人机每条子路径上的信息素浓度，确定适应度函数，对无人机的轨迹进行优化。
8.一种多无人机中的AoI敏感的数据收集系统，其特征在于，包括：
数据采集模块，用于采集地面传感器的数量和位置信息，并初始化地面传感器的数量和位置；
数据关联模块，用于确定数据采集点的数量以及各个数据采集点的位置坐标，建立传感器与数据采集点之间的关联；根据数据采集点的位置坐标和传感器与数据采集点之间的关联，对数据采集点进行聚类，再建立数据采集点与无人机之间的关联。
优化模块，用于根据数据采集点的坐标和数据采集点与无人机之间的关联，以最小化每个传感器数据的平均AoI和最大AoI对每个数据采集点下的无人机轨迹进行优化，完成数据收集。
9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种多无人机中的AoI敏感的数据收集方法。
10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的一种多无人机中的AoI敏感的数据收集方法。
CN202211222924.7A 2022-10-08 2022-10-08 一种多无人机中的AoI敏感的数据收集方法及系统 Pending CN115545106A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211222924.7A CN115545106A (zh) 2022-10-08 2022-10-08 一种多无人机中的AoI敏感的数据收集方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211222924.7A CN115545106A (zh) 2022-10-08 2022-10-08 一种多无人机中的AoI敏感的数据收集方法及系统

Publications (1)

Publication Number Publication Date
CN115545106A true CN115545106A (zh) 2022-12-30

Family

ID=84731869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211222924.7A Pending CN115545106A (zh) 2022-10-08 2022-10-08 一种多无人机中的AoI敏感的数据收集方法及系统

Country Status (1)

Country Link
CN (1) CN115545106A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055621A (zh) * 2023-09-08 2023-11-14 中国矿业大学 面向数据采集的多无人机路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055621A (zh) * 2023-09-08 2023-11-14 中国矿业大学 面向数据采集的多无人机路径规划方法
CN117055621B (zh) * 2023-09-08 2024-04-16 中国矿业大学 面向数据采集的多无人机路径规划方法

Similar Documents

Publication Publication Date Title
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
CN109547938B (zh) 无线传感器网络中无人机的轨迹规划方法
CN110362380B (zh) 一种面向网络靶场的多目标优化虚拟机部署方法
CN105959987A (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
CN113395654A (zh) 一种边缘计算系统的多无人机任务卸载和资源分配的方法
Wei et al. Computation offloading over multi-UAV MEC network: A distributed deep reinforcement learning approach
CN111381499B (zh) 基于三维空间射频地图学习的网联飞行器自适应控制方法
CN112469047B (zh) 一种天地一体化智能网络卫星节点部署方法
CN115545106A (zh) 一种多无人机中的AoI敏感的数据收集方法及系统
Parvaresh et al. A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities
CN113325875B (zh) 一种实现无人机数目最小化的无人机路径规划方法
Liang et al. Surrogate-assisted Phasmatodea population evolution algorithm applied to wireless sensor networks
CN116781788B (zh) 服务决策方法以及服务决策装置
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN110808911B (zh) 基于蚁群信息素的组网通信路由方法
Ren et al. Energy-efficient sensory data gathering in IoT networks with mobile edge computing
CN116709290A (zh) 一种基于无人机边缘计算的灾害地区应急通信方法及系统
Zhuang et al. GA-MADDPG: A Demand-Aware UAV Network Adaptation Method for Joint Communication and Positioning in Emergency Scenarios
CN114979134A (zh) 边缘计算环境中服务迁移的路径选择方法
CN113507413B (zh) 一种路由优化方法、装置及计算设备
Zhou et al. Age of Information Oriented Data Collection via Energy-Constrained UAVs in Wireless Sensor Networks
Wang Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization
CN106130861B (zh) 一种基于小生境的多目标粒子群优化的虚拟网络映射方法
CN116390165B (zh) 一种数据驱动的蜂窝基站动态管理方法与系统
Liu et al. Node localization algorithm based on improved DV-Hop wireless sensor network

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