CN116614771A - 多无人机辅助的无线传感器网络数据采集方法 - Google Patents

Abstract

本发明涉及一种多无人机辅助的无线传感器网络数据采集方法，属于无线传感器网络技术领域，包括以下步骤：S1：通过二分搜索法求解得到UAV的最大数据采集时间，并给定时间T内利用时间等间隔离散技术将无人轨迹离散为有限个点；S2：根据初始化多UAV轨迹算法求解UAV初始轨迹；S3：通过将二进制变量松弛化，将原混合整数非凸问题转化为连续非凸问题，并基于交替优化算法将原问题分解为两个子问题，通过交替迭代直至收敛得到结果，其中，采用连续凸逼近算法求解子问题，得到UAV轨迹、上行能量传输调度和下行数据传输调度；直至二分搜索法结果收敛，得到UAV数据采集的最大时间。

Description

多无人机辅助的无线传感器网络数据采集方法

技术领域

本发明属于无线传感器网络技术领域，涉及一种多无人机辅助的无线传感器网络数据采集方法。

背景技术

随着第五代移动通信技术、物联网(Internet of Things，IoT)和互联网技术的融合，成千上万的IoT设备应用于工业和社会生活中，无线传感器网络(Wireless SensorNetwork，WSN)信息交换量呈指数级增长，这对无人机(Unmanned Aerial Vehicle，UAV)数据采集提出了巨大挑战。此外，IoT设备的泛在特性和需求多样性也对IoT中数据采集带来诸多技术难题。对于IoT传感器的低功耗和长续航能力要求是保证系统稳定性和可持续性的关键因素之一。IoT中传感器通常用于检测环境的特定变化，然后将采集到的信息传送到数据接收器进一步处理。在WSN中，传感器通过多跳方式上传数据，导致信息传输时延和能耗增加。此外，传感器受电池储能约束，限制了WSN的处理能力和服务质量。虽然更换电池或者充电可延长传感器使用寿命，但当传感器的数量较为庞大时，为传感器充电或者换电池难以实现。因此，提高WSN使用寿命已成为一个重要的研究问题。

发明内容

有鉴于此，本发明的目的在于通过将UAV引入WSN，提供一种多无人机辅助的无线传感器网络数据采集方法。该方法通过为UAV配备无线电能传输(Wireless PowerTransmission，WPT)模块，UAV在采集传感器的数据之前，将能量传输给传感器，传感器利用UAV传输的能量上传数据，并用于后续感知新的数据。UAV不仅完成数据采集任务，而且为WSN中的传感器提供能量供应，进一步延长了WSN的使用寿命。

为达到上述目的，本发明提供如下技术方案：

一种多无人机辅助的无线传感器网络数据采集方法，包括以下步骤：

S1：通过二分搜索法求解得到UAV的最大数据采集时间，并给定时间T内利用时间等间隔离散技术将无人轨迹离散为有限个点；

S2：根据初始化多UAV轨迹算法求解UAV初始轨迹；

S3：通过将二进制变量松弛化，将原混合整数非凸问题转化为连续非凸问题，并基于交替优化算法将原问题分解为两个子问题，通过交替迭代直至收敛得到结果，其中，采用连续凸逼近算法求解子问题，得到UAV轨迹、上行能量传输调度和下行数据传输调度；直至二分搜索法结果收敛，得到UAV数据采集的最大时间。

进一步，所述步骤S1具体包括：在整个方法最外层设置循环求解UAV的最大数据采集时间；初始化T₁＝0和T₂，其中T₂取足够大的值，并在每次循环的开端给定UAV的最大数据采集时间T＝(T₁+T₂)/2。采用时间等间隔离散技术将连续UAV轨迹离散化。

进一步，所述步骤S2具体包括以下步骤：

S21：给定K个传感器的位置，利用MTSP方法得到无人机访问传感器的顺序和时间T_mTSP，并给定任意时间T；

S22：判断T≥T_mTSP，若满足则说明无人机可以飞到每个传感器头顶，通过步骤S23求解得到无人机的初始轨迹，否则进入步骤S24；

S23：UAV的任务完成时间为T，其中UAVu_m花费时间T_mb飞到相关联传感器的上方，剩余时间T-T_mb在G_mb的传感器中平均分配，在此期间内，UAV在传感器上方悬停，其中UAV在悬停位置上的悬停时间

求得T≥T_mb情况的UAV初始轨迹

S24：UAV在规定时间T内无法飞到相关联G_mb中传感器的上方，因此，以每个传感器为中心，确定一个半径为r的圆形区域，通过合理设计UAV轨迹和半径r，最小化UAV的飞行时间；并根据在给定时间范围T内飞过相关联G_mb中传感器的圆形区域，设计UAV的初始轨迹；给定半径r，最小化UAVu_m飞行时间的优化问题表述为：

由上式可知，目标函数值不随r改变；因此，通过固定r求解得到UAVu_m的悬停点并利用二分搜索法求解得到给定时间范围T的最优半径r，求得T≤T_mb情况的UAV初始轨迹

进一步，步骤S3具体包括以下步骤：

S31：利用上述初始化UAV轨迹算法得到并设置算法收敛阈值ε₂；

S32：在给定UAV轨迹{q_m[n]}情况下，并引入松弛变量{γ_m,k[n]}将问题转化为凸问题，通过CVX工具箱求解得到UAV的能量传输调度{α_m,k[n]}和传感器的数据传输调度{β_m,k[n]}；

S33：在给定能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}下优化UAV轨迹{q_m[n]}；通过一阶泰勒展开式将非凸约束转化为凸约束，并利用连续逼近方法求解得到UAV轨迹{q_m[n]}；

S34：判断结果是否收敛，若收敛进入步骤S35，否则返回步骤S32；

S35：得到UAV轨迹、UAV的能量传输调度和传感器的数据传输调度。

本发明的有益效果在于：本发明能显著降低UAV的最大数据采集时间，并且延长WSN的使用寿命。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明的多UAV数据采集系统模型图；

图2为本发明的基于多UAV的轨迹优化算法流程图；

图3为本发明的基于多UAV的WSN数据采集算法流程图；

图4为本发明的单UAV数据采集系统中UAV的飞行轨迹图；

图5为本发明的单UAV数据采集系统中传感器的唤醒时间图；

图6为本发明的多UAV数据采集系统中UAV的飞行轨迹图；

图7为本发明的多UAV数据采集系统中传感器的唤醒时间图；

图8为本发明基于二分法和SCA的算法与GA、NIA、MACO和RSA算法UAV数量对UAV最大任务完成时间影响的对比图；

图9为本发明基于二分法和SCA的算法与GA、NIA、MACO和RSA算法传感器数量对UAV最大任务完成时间影响的对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

针对多UAV辅助的WSN中数据采集问题，在UAV采集传感器数据之前，先将能量传输给传感器，然后，传感器利用接收到的能量将数据上传给UAV，并保证在下一次UAV访问前能量充沛。如图1所示，在WSN中，M个UAV采集地面上的K个传感器的数据。UAV的集合表示为M＝{u_m,1≤m≤M}，传感器的集合表示为K＝{SN_k,1≤k≤K}，其中第k个传感器表示为SN_k，其坐标为w_k＝(x_k,y_k,0)，需要从SN_k中采集的数据大小为S_k。假设所有UAV的飞行高度为H，根据三维欧几里得坐标表示的方法，UAVu_m在t时刻的位置表示为u_m(t)＝(x_m(t),y_m(t),H)，其中0≤t≤T_m。所有UAV完成数据采集任务后均返回起始点，即在实际中，该位置为UAV充电或者卸载UAV采集数据的工作台。

假设UAVu_m完成数据采集任务的时间为T_m，本方法基于TDMA提出UAV数据采集方法，UAV在正交频率通道进行数据采集。由于UAV轨迹是关于时间的连续函数，涉及大量的优化变量，本方法利用时间等间隔离散化方法将时间范围[0,T_m]离散化为N个相等的时隙，即T_m＝Nδ_t，其中δ_t表示时隙长度，且取值足够小以至于在每个时隙内，UAV与传感器之间的距离近似不变。连续时间的UAV轨迹被离散成N个时隙，在第n个时隙UAV的坐标{q_m(n),1≤n≤N}表示为：

q_m[n]＝(x[n],y[n],H),n∈{1,2,…,N}

UAV存在最大飞行速度：

上式中，V_max表示UAV的最大飞行速度。UAV采集完数据后飞回起始点，在实际应用中，UAV完成任务后需要返回UAV工作平台进行充电，为下一次执行任务做准备。定义q_I为UAV的起始位置，则有：

在系统模型中，WSN数据采集系统中每个传感器都经历4个阶段，即充电阶段、数据传输阶段、睡眠阶段和数据感知阶段，下面分别对这四个阶段进行详细叙述。

步骤1：充电阶段，UAVu_m靠近传感器SN_k将其唤醒，并为其供应大小的能量，其中UAVu_m向传感器SN_k传递的能量为：

上式中，为UAV传输能量的时间，表示传感器SN_k端接收到UAV u_m的功率，其中，d_m,k[n]＝(H²+||q_m[n]-w_k ²)¹²表示在n个时隙UAVu_m与传感器SN_k的距离；P_U表示UAV的恒定发射功率；β₀表示距离为1m时的信道功率增益。

在时间T_m内，UAV采用TDMA传输协议。假设WSN为休眠唤醒机制，UAV在第n个时隙靠近传感器时将其唤醒并进行充电，将其定义为二进制变量：

上式中，α_m,k[n]＝1表示传感器SN_k在第n时刻被UAVu_m唤醒，UAV向传感器传送能量，同时确定UAV与传感器之间的关联关系。反之，UAV不向传感器SN_k传输能量，即α_m,k[n]＝0。本方法采用TDMA传输协议，传感器在同一时刻只能接收一个UAV传输的能量，该约束表示为：

步骤2：数据传输阶段，传感器接收到UAV提供的能量，用于后续上传数据和感知新数据。当UAV向传感器传输能量之后，传感器可上传数据，将其定义为二进制变量为：

上式中，β_m,k[n]＝1表示UAVu_m在第n时刻采集传感器SN_k的数据。反之，UAVu_m不采集传感器SN_k的数据，即β_m,k[n]＝0。由于UAV采用TDMA协议采集数据，传感器在同一时刻只能将数据上传到一个UAV表示为：

因此，传感器SN_k传输数据的能耗为：

上式中，P_k和P_c为传感器发送数据时的发射功率和电路功率。

步骤3：睡眠阶段，传感器进入睡眠状态，进而减少能量消耗，此时消耗的能量为E^S。由于E^S相比和较小，不在一个数量级，因此可忽略不计。

步骤4：数据感知阶段，传感器SN_k通过应用程序感知周围环境的数据，所消耗的能量为其中，当UAV再次访问时，将感知到的数据上传给UAV。因此，UAV传输这部分能量所需要消耗的能量为：

综上，传感器的能耗分为两部分：第一部分是上传数据；第二部分是感知数据。UAV需要传输给传感器的总能量：

上式中，表示UAV给传感器的充电时间。

在四个步骤中，步骤2可在步骤1开始后进行，但要保证传感器的能量消耗要小于UAV传输过来的能量，步骤3能够被步骤4中断，步骤4暂停其睡眠阶段感知新的数据。针对步骤2阶段和步骤3，本方法中UAV采用TDMA传输协议，UAV下行能量传输和上行采集数据均在同一频段实现，但时间正交，即在一个时隙内，UAV只能下行传输能量或者上行采集数据，则有：

本方法中数据采集采用旋翼UAV，其能量消耗包括推进能耗通信能耗和WPT模块传输能量所消耗的能量由于UAV进行上行数据采集，UAV的通信能耗可以忽略。因此，UAV能耗包括UAV飞行和WPT模块充电的能耗。通过将UAV飞行时间等间隔离散化，UAVu_m的飞行能耗模型为：

假设UAVu_m服务传感器的集合为G_m，即|G_m|为UAVu_m服务传感器的数量。UAV向传感器传输能量所消耗的能量

假设UAVu_m电池可储存的最大能量为且每个UAV所能储存的能量均相等。每个UAV需要在能量耗尽前飞回起始点：

为保证无线传感器的持续运行，需要考虑每个传感器的能量约束，使得传感器上传输数据的能耗小于UAV传输的能量，并且传感器上传数据需要在接收到能量之后进行。因此，对于第k个传感器接收到的能量和传输数据的能耗存在以下约束为：

假设UAVu_m与传感器SN_k之间信道是LoS链路信道，可得第n时刻UAVu_m与传感器SN_k的信道增益可基于自由空间路径损耗建模为：

因此，在n时刻传感器SN_k向UAVu_m上传数据的传输速率表示为：

上式中，B为信道带宽，σ²表示在UAV接收处的噪声功率。在WSN中，每个传感器需上传大小为S_k的数据量：

本方法的优化问题表述为通过优化UAV飞行轨迹{q_m(n)}、UAV能量传输调度{α_m,k(n)}、传感器数据传输调度{β_m,k(n)}，最小化所有UAV的最大任务完成时间。假设每个传感器上传数据的大小S_k和传感器总能量消耗约束均固定，具体优化问题表述为：

上式中，N＝T_m/δ_t约束C1表示传感器需要上传S_k大小的数据；约束C2表示UAV传输给传感器的能量要大于传感器能耗；约束C3表示传感器传输数据所消耗的能量约束；约束C4表示UAV的总能耗约束；约束C5和约束C6分别表示UAV下行能量传输调度和传感器的数据传输调度；约束C7表示UAV下行传输能量和上行采集数据不能同时进行；约束C8表示传感器同一时刻只能接收一个UAV传过来的能量；C9表示传感器在同一时刻只能向一个UAV传输数据；约束C10表示在某一时刻传感器接收到的能量需大于消耗的能量；约束C11表示UAV的最大飞行速度约束；约束C12表示UAV完成任务后需要返回初始位置。

问题P1通过优化UAV轨迹{q_m[n]}、UAV能量传输调度{α_m,k[n]}和传感器数据传输调度{β_m,k[n]}，最小化所有UAV的最大任务完成时间。其中，UAV飞行轨迹{q_m[n]}是关于时隙n的函数，UAV能量传输调度{α_m,k[n]}和传感器数据传输调度{β_m,k[n]}均为二进制变量。此外，约束C1和约束C2为非凸约束。因此，问题P1是一个混合整数非凸问题，该问题难以直接求解，需要通过以下步骤进行求解：

步骤1：由于问题P1中UAV能量传输调度和传感器数据传输调度是整数约束，可将约束C5和约束C6中二进制变量松弛为连续变量，并代入问题P1得到连续非凸优化问题P2：

s.t.C1-C4,C7-C12

步骤2：引入松弛变量η，给定任意时间长度T，满足T_m≤T，并将松弛变量η代入问题P2得到问题P3：

s.t.C3,C4,C7-C14

C17:T_m≤T

步骤3：在问题P3中，对于任意给定UAV任务完成时间T，定义问题P3的最优值为η^*(T)，其中η^*(T)是关于时间T的函数。由其可见，对于任意给定UAV任务完成时间T，当且仅当η^*(T)≥1，UAV不仅向传感器传输的能量，而且能够完成数据采集任务。因此问题P2等价于问题P4：

s.t.C18:η^*(T)≥1

步骤4：由于问题P3是一个非递减函数，问题P4可利用二分搜索法求解时间T，直到约束C18等式成立，从而有效解决。因此，求解问题P1的难点在于给定时间T情况下，找到问题P3的最优解。由于问题P3总存在一个最优解满足约束条件C18，问题P3可改写为问题P5：

s.t.C3,C4,C7-C14

上式中，N＝T/N，虽然问题P5中时间T固定，但约束C15仍然存在高度耦合的变量{α_m,k[n]}和{q_m[n]}，约束C16中{β_m,k[n]}和{q_m[n]}高度耦合，且约束C10是一个因果非凸约束。因此，将原问题分解为两个子问题进行交替优化，即固定UAV飞行轨迹{q_m[n]}优化能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}，然后，固定能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}优化飞行轨迹{q_m[n]}。

步骤5：提出一种交替优化算法，将问题P5分解为两个子问题进行求解，分别步骤6和步骤7。

步骤6：在给定UAV轨迹{q_m[n]}情况下，优化UAV的能量传输调度{α_m,k[n]}和传感器的数据传输调度{β_m,k[n]}。通过引入松弛变量{γ_m,k[n]}将问题P5等价转化为问题P6：

s.t.C3,C4,C7-C9,C11-C14

由上式可知，在问题P6的最优解中，需严格满足约束C20不等式，可通过降低能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}使得约束C20不等式成立。在满足约束C20不等式约束的情况下，问题P6存在一个最优解。因此，在给定UAV轨迹{q_m[n]}的问题P6等价于问题P5。此时，可验证问题P6的所有约束均为凸约束，且问题P6是一个凸优化问题，可通过CVX工具箱求解得到能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}。

步骤7：在给定能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}优化UAV轨迹{q_m[n]}。此时，约束C15和约束C16均为非凸约束。在第l次迭代中，给定局部点约束C15和约束C16的一阶泰勒展开式分别为：

上式中，A_k,r[n]和分别表示为：

上式中，表示为：

对于给定任意局部点以及上述下界表达式，原问题可转化为问题P7：

s.t.C3,C4,C7-C9,C11-C16

步骤8：由于问题P7是凸问题，可使用CVX等标准凸优化工具进行求解。将求解第二个子问题得到UAV轨迹，并将其作为定值返回求解第一个子问题P6，交替迭代优化直至收敛到一定精度。具体交替优化算法如算法1所示。

步骤9：对于给定任意时间T，为算法1设计UAV初始轨迹，通过最小最大多旅行商问题(Multiple Traveling Salesman Problem，MTSP)求得UAVu_m飞行时间为T_mb和UAVu_m访问传感器数量集G_mb。对于给定任意时间T，而T是否大于T_mb存在两种不同的情况，因此，提出两种情况求解最小最大MTSP问题，求解初始轨迹：

(1)对于T≥T_mb的情况，UAV的任务完成时间为T，其中UAVu_m花费时间T_mb飞到相关联传感器的上方，剩余时间T-T_mb在G_mb的传感器中平均分配，在此期间内，UAV在传感器上方悬停，其中UAV在悬停位置上的悬停时间

根据UAV访问顺序G_mb和悬停时间分配可求得T≥T_mb情况的UAV初始轨迹

(2)对于T＜T_mb的情况，UAV在规定时间T内无法飞到相关联G_mb中传感器的上方，因此，以每个传感器为中心，确定一个半径为r的圆形区域，通过合理设计UAV轨迹和半径r，最小化UAV的飞行时间。并根据在给定时间范围T内飞过相关联G_mb中传感器的圆形区域，设计UAV的初始轨迹。给定半径r，最小化UAVu_m飞行时间的优化问题可表述为：

由上式可知，问题P8的目标函数值不随r改变。因此，可通过固定r求解问题P8得到UAVu_m的悬停点并利用二分搜索法求解得到给定时间范围T的最优半径r，求解出UAV初始轨迹初始化UAV轨迹算法具体流程总结在算法2中。

至此，完成UAV轨迹的初始化。总体算法总结如下：首先，通过二分搜索求解时间T；其次，利用算法2求解给定时间T下的UAV初始轨迹；最后，采用算法1交替优化UAV飞行轨迹{q_m[n]}、传感器数据传输调度{β_m,k[n]}和UAV能量传输调度{α_m,k[n]}求解问题P5，并循环迭代直至结果收敛。总体算法具体流程归纳在算法3中。

仿真考虑多UAV采集一片区域内K＝20个传感器的数据。假设所有传感器的发射功率相等，且每个UAV配备的WPT模块的传输功率相同。此外，假设所有传感器需要上传相同大小的数据，且传输数据所消耗的能量固定。每个UAV的电池在执行任务前均充满电，且储能一致。

如图4所示为在图4中传感器的唤醒时间，其包括UAV下行传输能量和UAV上行采集数据的时间。从图5可看出，每个传感器大部分时间都处于睡眠状态，UAV靠近传感器才能将其唤醒。进一步验证了TDMA数据采集方法，UAV在同一时刻只能服务一个传感器。此外，信道质量是系统性能的重要因素之一，当UAV距离传感器较近的位置执行任务时，UAV与传感器之间的信道较好，由于UAV能量传输功率和传感器数据传输功率均固定，传感器的唤醒时间较小，即UAV下行传输能量和传感器传输数据的时间较少；反之，当UAV在距离传感器较远的地方执行任务时，信道质量较差，导致UAV传输能量的时间和传感器传输数据的时间均增大，导致传感器和UAV的能耗升高。

进一步研究多UAV辅助的WSN数据采集场景，如图6所示，WSN与图4的场景相同，研究UAV数量M＝3的数据采集系统，每个传感器都需要上传相同大小的数据。仿真结果表明，多UAV数据采集系统较单UAV场景，降低了UAV的飞行距离和时间。如图7所示，由于每个UAV使用的频段正交，在同一时刻最多三个传感器被唤醒。与单UAV场景相比，所提方法中多UAV系统的最大UAV任务完成时间降低57.4％，达到预期目标。与图5相似，当UAV距离传感器较近可获得更好的通信信道，降低传感器的唤醒时间。反之，UAV距离传感器较远将导致传感器的唤醒时间增大。

为进一步展示所提方法的性能增益，对于传感器数量K＝20的WSN数据采集场景，研究UAV最大任务完成时间与派出UAV数量的关系。将4个不同的方法与所提方法对比，分别为：贪婪算法(Greedy Algorithm，GA)、最近邻插入算法(Nearest Insertion Algorithm，NIA)、改进蚁群算法(Modified Ant Colony Optimization Algorithm，MACO)算法以及随机服务算法(Random Service Algorithm，RSA)。如图8所示，UAV的最大任务完成时间随着UAV数量M增加而减小，验证了多个UAV可在较短的时间内完成数据采集任务。可以看到，GA算法、NIA算法和MACO算法都优于RSA算法，但都略差于所提方法。在MACO算法方法中UAV为悬停采集模式，并且UAV的飞行速度固定，导致浪费大量时间。此外，由第二章所述的UAV能耗模型可知，UAV悬停模式并不是能耗最低的时候，因此MACO算法消耗UAV能量更高。所提方法中，UAV飞行轨迹是一条平滑的曲线，可在飞行的过程中采集数据，进而减少UAV数据采集的时间。因此，随着UAV数量增加，所提方法可更大程度地降低了UAV的最大任务完成时间。

如图9所示，在给定UAV数量M＝3的情况下，进一步研究WSN中传感器数量对UAV的最大任务完成时间的影响，UAV的最大任务完成时间随传感器数量增加而增大。同样对比GA和NIA、MACO以及RSA算法，当传感器数量小于20个时，GA和NIA以及MACO算法得到的结果与所提方法接近。但是，当WSN规模较大时，算法明显优于GA、NIA、RSA和MACO算法，所提方法可更大程度降低所有UAV的最大任务完成时间。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种多无人机辅助的无线传感器网络数据采集方法，其特征在于：包括以下步骤：

S1：通过二分搜索法求解得到UAV的最大数据采集时间，并给定时间T内利用时间等间隔离散技术将无人轨迹离散为有限个点；

S2：根据初始化多UAV轨迹算法求解UAV初始轨迹；

S3：通过将二进制变量松弛化，将原混合整数非凸问题转化为连续非凸问题，并基于交替优化算法将原问题分解为两个子问题，通过交替迭代直至收敛得到结果，其中，采用连续凸逼近算法求解子问题，得到UAV轨迹、上行能量传输调度和下行数据传输调度；直至二分搜索法结果收敛，得到UAV数据采集的最大时间。

2.根据权利要求1所述的多无人机辅助的无线传感器网络数据采集方法，其特征在于：所述步骤S1具体包括：在整个方法最外层设置循环求解UAV的最大数据采集时间；初始化T₁＝0和T₂，其中T₂取足够大的值，并在每次循环的开端给定UAV的最大数据采集时间T＝(T₁+T₂)/2。采用时间等间隔离散技术将连续UAV轨迹离散化。

3.根据权利要求1所述的多无人机辅助的无线传感器网络数据采集方法，其特征在于：所述步骤S2具体包括以下步骤：

S21：给定K个传感器的位置，利用MTSP方法得到无人机访问传感器的顺序和时间T_mTSP，并给定任意时间T；

S22：判断T≥T_mTSP，若满足则说明无人机可以飞到每个传感器头顶，通过步骤S23求解得到无人机的初始轨迹，否则进入步骤S24；

S23：UAV的任务完成时间为T，其中UAVu_m花费时间T_mb飞到相关联传感器的上方，剩余时间T-T_mb在G_mb的传感器中平均分配，在此期间内，UAV在传感器上方悬停，其中UAV在悬停位置上的悬停时间

求得T≥T_mb情况的UAV初始轨迹

S24：UAV在规定时间T内无法飞到相关联G_mb中传感器的上方，因此，以每个传感器为中心，确定一个半径为r的圆形区域，通过合理设计UAV轨迹和半径r，最小化UAV的飞行时间；并根据在给定时间范围T内飞过相关联G_mb中传感器的圆形区域，设计UAV的初始轨迹；给定半径r，最小化UAVu_m飞行时间的优化问题表述为：

由上式可知，目标函数值不随r改变；因此，通过固定r求解得到UAVu_m的悬停点并利用二分搜索法求解得到给定时间范围T的最优半径r，求得T≤T_mb情况的UAV初始轨迹

4.根据权利要求1所述的多无人机辅助的无线传感器网络数据采集方法，其特征在于：步骤S3具体包括以下步骤：

S31：利用上述初始化UAV轨迹算法得到并设置算法收敛阈值ε₂；

S32：在给定UAV轨迹{q_m[n]}情况下，并引入松弛变量{γ_m,k[n]}将问题转化为凸问题，通过CVX工具箱求解得到UAV的能量传输调度{α_m,k[n]}和传感器的数据传输调度{β_m,k[n]}；

S33：在给定能量传输调度{α_m,k[n]}和数据传输调度{β_m,k[n]}下优化UAV轨迹{q_m[n]}；通过一阶泰勒展开式将非凸约束转化为凸约束，并利用连续逼近方法求解得到UAV轨迹{q_m[n]}；

S34：判断结果是否收敛，若收敛进入步骤S35，否则返回步骤S32；

S35：得到UAV轨迹、UAV的能量传输调度和传感器的数据传输调度。