CN117055621B - 面向数据采集的多无人机路径规划方法 - Google Patents

Abstract

本发明公开了一种面向数据采集的多无人机路径规划方法，包括：将无人机传感器节点分为若干个簇，通过所述若干个簇进行数据采集，获取簇组数据采集的过程和无人机路径；对所述簇组数据采集的过程进行相关性优化，获得分簇问题的解；对无人机路径进行优化，获得无人机路径优化解；基于所述分簇问题的解和所述无人机路径优化解对多无人机的路径进行规划。本发明在多无人机辅助无线传感器网络的数据采集场景下，构建关于多无人机路径规划的层次化联盟图博弈模型，实现最小化采集信息的最小化信息年龄。

Description

面向数据采集的多无人机路径规划方法

技术领域

本发明属于路径规划领域，特别是涉及一种面向数据采集的多无人机路径规划方法。

背景技术

中国联通网络技术研究院发布的《空天地一体化通信系统白皮书》中提出要构建天地一体的通信网络和全域覆盖的感知网络，实现对突发事件和自然灾害进行系统化、立体化、智能化动态监测。无线传感器网络(Wireless Sensor Networks,WSNs)通过大量经济且易部署的传感器节点(Sensor Node,SN)对环境进行数据采集，并借助通信单元完成数据回传。WSNs的多元化场景应用是物联网技术中的重要技术领域，目前已在数据采集、目标跟踪、应急救援等领域广泛应用。传统WSNs常采用多跳的方式回传数据，多跳传输在规模较大的网络中存在高延迟、网络拥塞等问题，无法满足复杂动态场景中对信息时效性及最小化信息年龄(Age of Information,AoI)的要求。在复杂动态场景中，无人机(UnmannedAerial Vehicle,UAV)因其高移动性、低成本、可集群控制等特点，可以在低空域构建空对地通信链路，为地面设备提供可靠通信和及时空中数据服务，充当WSNs的移动空中基站和数据传输中继。因此，利用多UAV辅助WSNs进行数据采集是解决上述问题的有效办法，可进一步提升数据的时效性。

由于在网络中飞行的UAV具有较强的动态性，其消息的快速回传显得至关重要，使用UAV来辅助WSNs带来了新的挑战。传统基于通信服务质量、延迟等指标的多UAV路径规划算法不在适用于优化AoI的场景。近年来，学者对UAV辅助WSNs数据采集的路径规划问题开展了一系列的研究。文献[9:YANG X,FU S,WU B et al.A survey of key issues in UAVdata collection in the internet of things[C]//IEEE International Conferenceon Dependable,Autonomic and Secure Computing.Calgary:IEEE,2020:410-413.]主要围绕SN和UAV的部署、UAV路径规划和自主避障角度介绍了UAV辅助数据采集的关键技术和挑战。文献[10:CHEN J,YE F,JIANG T,et al.Data collection and energy chargingfor UAV-aided wireless sensor network based on a two-layer task assignmentstrategy[C]//IEEE USNC-CNC-URSI NorthAmerican Radio Science Meeting(JointwithAP-SSymposium).Montreal:IEEE,2020:55-56.]面向大型监控区域，提出一种双层任务分配机制，最小化UAV辅助WSNs场景下飞行路径距离。在该文献中，首先将监控区域划分为不同的子区域，然后根据任务需求派飞各UAV前往各子区域执行任务。文献[11:MAO C,LUI J,XIE L.Multi-UAV aided data collection for age minimization in wirelesssensor networks[C]//International Conference on Wireless Communications andSignal Processing(WCSP).Nanjing:IEEE,2020:80-85.]和文献[12:LIU J,TONG P,WANGX,et al.UAV-aided data collection for information freshness in wirelesssensor networks[J].IEEE Transactions on Wireless Communications,2021,21(4):2368-2382.]研究了多UAV辅助WSNs完成信息采集中最小化AoI的问题。文献[11:MAO C,LUIJ,XIE L.Multi-UAV aided data collection for age minimization in wirelesssensor networks[C]//International Conference on Wireless Communications andSignal Processing(WCSP).Nanjing:IEEE,2020:80-85.]中在利用图论建模的基础上，使用k-means算法实现SNs的聚类，并利用遗传算法优化UAV飞行路径。文献[12:LIU J,TONGP,WANG X,etal.UAV-aided data collection for information freshness in wirelesssensor networks[J].IEEE Transactions on Wireless Communications,2021,21(4):2368-2382.]则是先对SN进行分簇，UAV在固定悬停节点直接采集簇内SN信息，在一定程度上考虑了所采集数据的关联性，但是该文献中每个SN均需要独立发送数据给UAV会降低采集效率，且基于k-means算法的分簇受初始值和异常点影响较大，获得的往往是局部最优解，在一定程度增加了WSNs采集信息的AoI，降低了信息的时效性。对于上述文献UAV悬停的采集策略，在一些较大的数据采集区域中，由于UAV的续航能力有限，需要定时进行充电或者更换电池，这也限制了UAV辅助数据采集的范围和数据采集效率。为此，通过合理分簇，由簇头成员搜集簇内成员信息，多UAV协同采集簇头信息，可进一步降低WSNs采集信息的AoI。文献[13:CHEN M,SAAD W,YIN C,et al.Data correlation-aware resource managementin wireless virtual reality(VR):an echo state transfer learning approach[J].IEEE Transactions on Communications,2019,67(6):4267-4280.14:WANG L,WANG K,PAN C,et al.Deep Q-network based dynamic trajectory design for UAV-aidedemergency communications[J].Journal ofCommunications and InformationNetworks,2020,5(4):343-402.15:ZHOU C,HE H,YANG P,et al.Deep RL-basedtrajectory planning for AoI minimization in UAV-assisted IoT[C]//11thInternational Conference on Wireless Communications and Signal Processing(WCSP).Xi'an:IEEE,2019:1-6.]中则是使用强化学习的方式对UAV路径进行优化，以此来获得更优的系统AoI。该方法虽然可以获得不错的解，但是在求解过程中大量的离线计算会消耗更多的计算资源，需要较长的求解时间，在追求快速求解的动态场景中不适用。

发明内容

本发明的目的是提供一种面向数据采集的多无人机路径规划方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种面向数据采集的多无人机路径规划方法，包括：

将无人机传感器节点分为若干个簇，通过所述若干个簇进行数据采集，获取簇组数据采集的过程和无人机路径；

对所述簇组数据采集的过程进行相关性优化，获得分簇问题的解；

对无人机路径进行优化，获得无人机路径优化解；

基于所述分簇问题的解和所述无人机路径优化解对多无人机的路径进行规划。

优选地，所述获取簇组数据采集的过程的过程包括：

将所述无人机传感器节点分为若干个簇，对所述若干个簇中的节点进行选取，获得若干个簇的簇头；

通过所述若干个簇的簇头采集若干个簇内无人机收集的信息，获得所述簇组数据采集的过程。

优选地，所述获得分簇问题的解的过程包括：

将传感器节点在满足最大簇成员数量约束条件下随机划分为若干个分簇，得到初始化联盟集合；

将所述初始化联盟集合中的无人机和传感器节点进行交换，获得交换操作联盟；

增加空元素，将所述空元素添加至所述初始化联盟集合中的无人机和传感器节点进行交换的过程中继续进行交换，获得所述分簇问题的解。

优选地，对所述簇组数据采集的过程进行相关性优化表示为：

其中，φ_i→j表示为协方差，表示为传感器节点i的跟踪数据，/>表示为节点j的跟踪数据，D_i,j为节点i到节点j之间的距离，δ和κ决定两个传感器节点之间的距离值对数据相关性的影响程度。

优选地，所述获得无人机路径优化解的过程包括：

获取最小化信息年龄，基于所述最小化信息年龄构建改进Ant-Q的CGG算法；

基于所述改进Ant-Q的CGG算法对多无人机的路径进行优化，获得所述无人机路径优化解。

优选地，所述最小化信息年龄的表达式为：

Δi(t)＝T_i,w(t)+n(T_i,p(t)+T_i,f(t))；

其中，Δi(t)表示为节点i的最小化信息年龄，T_i,w(t)表示为节点i数据从产生到被无人机采集前的等待时间，T_i,p(t)表示为为无人机采集节点i所在CH数据包的上传时间，T_i,f(t)表示为节点i所在CH的无人机飞行总时间。

优选地，所述改进Ant-Q的CGG算法中的效用函数的表达式为：

U_K,t(x_K,t(u,i))＝T_w,av+(i-1)·T_f(x_K,t(u,i))；

其中，U_K,t(x_K,t(u,i))表示为t时刻各UAV采集所有CH的效用总和，T_w,av表示为节点i从产生到被采集前的等待时间，固定值，T_f(x_K,t(u,i))表示为节点i所在CH的无人机飞行总时间。

优选地，基于所述分簇问题的解和所述无人机路径优化解对多无人机的路径进行规划的过程包括：

将多无人机路径规划的优化目标转化为传感器节点分簇优化目标和最优最小化信息年龄的无人机路径规划优化目标；

基于所述分簇问题的解将所述传感器节点分簇优化目标进行优化，获得分簇相关度优化解；

基于所述无人机路径优化解对所述最优最小化信息年龄的无人机路径规划优化目标进行优化，获得信息获取的解。

本发明的技术效果为：

在多无人机辅助无线传感器网络的数据采集场景下，构建关于多无人机路径规划的层次化联盟图博弈模型，实现最小化采集信息的最小化信息年龄。

将多无人机辅助无线传感器网络协同数据采集问题分解为节点分簇和无人机s路径规划两个过程，分别采用基于交换的CGG算法和基于改进Ant-Q算法的CGG进行求解。

仿真结果表明，该方法在取得近似最优解的同时具有较快的收敛速度。与蚁群算法、模拟退火算法以及遗传算法对比，验证了该方法的有效性。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明实施例的多无人机辅助无线传感器采集网络模型图；

图2是本发明实施例节点二维位置图；

图3是本发明实施例中节点分簇效果图；

图4是本发明实施例无人机飞行路径效果图；

图5是本发明实施例中系统最小化信息年龄总和与迭代次数之间的变化关系图；

图6是本发明实施例中系统最小化信息年龄随无人机数量变化图；

图7是本发明实施例中系统最小化信息年龄随传感器节点节点数变化图；

图8是本发明实施例中系统最小化信息年龄随簇内成员数变化图；

图9是本发明实施例中所提算法(HCGG-M无人机PP)与遗传算法(GA)、模拟退火算法(SA)、蚁群算法(ACO)的算法收敛性能对比图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1所示，本实施例中提供一种面向数据采集的多无人机路径规划方法，包括：

本实施例考虑区域内多无人机辅助无线传感器网络的数据采集系统，由一个数据中心(Date Center,DC)、N架无人机和M个传感器节点构成。本实施例用集合来表示随机分布的M个传感器节点，其三维位置坐标固定，用矩阵P＝{P₁,P₂,…,P_M}表示。由于该系统考虑为郊区较为平坦地区完成数据采集，所以本实施例假设传感器节点s的高度为0。DC用来汇聚传感器节点s采集的信息，其位置坐标用P₀＝(x₀,y₀,0)表示。在汇聚节点及传输网络故障时，传统无线传感器网络无法将传感器节点s采集的信息有效传输给DC。本实施例考虑借助N架无人机辅助无线传感器网络完成信息的采集任务，无人机集合表示为U＝{u₁,u₂,…,u_N}。无人机以不同的固定高度飞行，表示为H＝{H₁,H₂,…,H_N}，并规定飞行速度固定为v_UAV。无人机从DC出发，依次完成数据采集任务后，再返回至DC。因此，DC也是无人机s充电和起停的地点。

为提升采集数据的有效性，本实施例首先将传感器节点s划分为K个簇，各个簇内选取一个传感器节点节点作为簇头(Cluster Head,CH)，负责采集簇成员(ClusterMember,CM)节点的数据。DC派遣多架无人机飞行，当无人机经过地面CH上空时与CH构建LOS信道连接，接收CH节点发送的数据。无人机在接收到CH发送的数据包时，会立刻根据包内时间戳更新各CM采集数据的最小化信息年龄状态信息，并在完成当前数据采集任务后直线飞往下一个CH上空。

在无线传感器网络的各个簇内，为避免CM之间的干扰，CM采用时分多址(TimeDivision Multiple Access,TDMA)的信道接入技术，轮流在各个时隙内传送数据包到CH。本实施例用P_m＝(x_m,y_m,0)表示为第m个地面传感器节点的三维位置坐标，其中m∈M。矩阵D∈R^m×m记录传感器节点s的距离邻接矩阵，定义其中(x_i,y_i,0)和(x_j,y_j,0)分别为节点i到节点j的三维坐标。

为使网络具有较好的鲁棒性和可靠性，同时保障网络覆盖效果，该区域内传感器节点s密集部署，距离较近的传感器节点采集的数据具有一定的相关性，即空间相似性。本实施例采用幂指数模型对传感器节点数据的相关性进行建模：

其中D_i,j为传感器节点节点i到节点j之间的距离，δ和κ决定两个传感器节点之间的距离值对数据相关性的影响程度。

本实施例用集合表示CH，其位置坐标用矩阵P_CH∈R^K×3表示。定义无人机飞行时间矩阵T_CH∈R^K×K，其中T_CH(i,j)表示无人机从/>飞行至/>所需时间：

其中‖·‖₂为L2范数，v_UAV为无人机飞行速度。在时刻T₀＝0，无人机s从P₀出发，在各自飞行高度飞行。并根据当前状态决策飞往下个指定CH位置上空。无人机飞行路径可视为DC和K个CHs的排列，表示为u＝[u(0),u(1),…,u(K),u(K+1)]，其中u(k)表示轨迹中第k个悬停点，DC为起始点和停止点。

针对CH和无人机之间的通信，不失一般性地，本实施例假设为LoS传输信道，满足自由空间路径损耗模型。无人机作为信道接收端的信噪比为γ_i,j＝P_i(t)g_i,j(t)/σ²，其中σ²为高斯白噪声的方差；表示u_i与/>之间直传链路的信道增益，其中η₀表示为单位距离下LoS信道的功率增益，α表示路径损耗指数。根据文献[11:MAO C,LUI J,XIEL.Multi-UAV aided data collection for age minimization in wireless sensornetworks[C]//International Conference on Wireless Communications and SignalProcessing(WCSP).Nanjing:IEEE,2020:80-85.]，u_i与/>之间的链路传输速率R_i,j(t)＝b_i,j(t)log₂(1+γ_i,j(t))，其中b_i,j(t)为u_i与/>之间的信道带宽。

各传感器节点采集环境数据的数据包中会记录数据与节点相关的时间信息。本实施例用Δi(t)＝T_i,end-T_i,0表示节点i的最小化信息年龄，其中T_i,0为数据产生的时刻，T_i,end为数据传输至DC的时刻。相比于CHs的上传时间及无人机飞行时间，传感器节点的采样时间及通信开销可以忽略不计。则节点i的Δi(t)可进一步表示为：

Δi(t)＝T_i,w(t)+n(T_i,p(t)+T_i,f(t)) (3)

其中，T_i,w(t)为节点i数据从产生到被无人机采集前的等待时间，各传感器节点周期性更新采集的数据；n为节点i位于无人机飞行路径中的次序，T_i,p(t)为无人机采集节点i所在CH数据包的上传时间，本实施例假设数据包长度为F_i(t)^[12]，则T_i,p(t)＝F_i(t)/R_i,j(t)；表示节点i所在CH的无人机飞行总时间，其中t_u→u+1为无人机在给定飞行路径中从/>到/>的飞行时间，表示为t_u→u+1＝T_CH(u,u+1)。

为尽可能保证DC接受到信息的新鲜度、提升数据信息最小化信息年龄，本实施例提出的面向数据采集的多无人机路径规划问题的优化目标可表示为：

该问题为一个NP-hard问题。对于问题P的求解，一方面，传感器节点s采集数据之间具有一定相关性，相互协作形成不同的分簇，可以进一步提升分簇数据的相关度；另一方面，无人机s之间以最小化最小化信息年龄为目标相互协作完成对CHs的有序访问，可以实现信息的高效采集，可以提升数据的时效性。因此，将该问题分解为两个过程进行求解，即传感器节点s分簇问题的求解和最优最小化信息年龄的无人机s路径规划问题的求解。

其中，传感器节点s分簇问题可表示为：

s.t.D_i,j＜D_max (5-2)

上式表示为传感器节点s在满足连通性的前提下，根据节点间距离及数据相关度进行联合优化。其中β₁,β₂为控制变量，且β₁+β₂＝1，用于调节两项指标的优化比重。限制条件式(5-2)表示传输距离的范围，D_max表示为传感器节点之间的最大传输距离。本实施例把问题P1建模为CGG，提出一种基于交换操作的CGG算法，实现对传感器节点s的稳定分簇并确定CH位置。

关于无人机s的飞行路径规划问题的求解，本实施例定义t时刻各无人机飞行路径为矩阵其中N_K,max表示各无人机飞行路径包含的最大节点数，在本实施例中N_K,max＝K+2。矩阵π_K,t中第u行元素π_K,t(u,：)表示t时刻第u架无人机的飞行路径。本实施例用N_K,t(u)表示t时刻第u架无人机飞行路径包含的总节点数。随着无人机飞行路径的调整，矩阵π_K,t对每行超过N_K,t(u)的元素需要进行动态补零。

因此，基于最小最小化信息年龄的多无人机路径规划问题可表示为：

N_K,t(i)＜N_K,max (6-3)

问题P2中，n为CH位于当前无人机飞行路径中的次序，表示每架无人机所服务的CH和DC构成的集合，其中/>联盟K表示K_i的集合；限制条件式(6-2)表示各无人机满足可存储的最大信息总量C_max；式(6-3)表示无人机覆盖CH数量的上界；式(6-4)和式(6-5)表示每一个CH仅可被一架无人机服务，且无人机集群覆盖所有CH。

本实施例对问题P建模为层次化CGG模型，在一层CGG中，设计了一种基于交换的CGG算法来联合优化节点间距离和数据相关度，解决节点分簇问题；在二层CGG中，基于系统总最小化信息年龄最小设计了一个改进Ant-Q的CGG算法，解决多无人机的路径规划问题。

在第一层CGG中，本实施例用G_t＝(V(t),E(t))表示t时刻无线传感器网络的网络拓扑结构图，其中V(t)表示t时刻传感器节点s和DC的集合，E(t)表示传感器节点s之间的数据传输关系，CM在满足最大数据传输距离的约束条件下，将数据信息通过无线的方式传输给CH。在图G_t＝(V(t),E(t))上建立与CH相连通的传感器节点s划分为同一联盟。因此，可将该CGG表示为其中/>表示t时刻CGG的所有参与者，即传感器节点s的集合为传感器节点s的策略集合，集合S＝M×M为所有传感器节点s的策略空间，每一个传感器节点的决策空间为当前时刻除自身外的传感器节点s。定义每个传感器节点的决策为/>其中/>为t时刻节点i的策略空间。x_i(t)是关于二元决策变量x_i,j(t)的一一映射，即x_i,j(t)＝1表示的是x_i(t)＝j。基于本实施例考虑CM-CH的单向数据传输模式，在x_i(t)＝j的前提下，存在/>同时，本实施例定义x_-i(t)＝(x₁(t),…,x_i-1(t),x_i+1(t),…,x_M(t))表示为除x_i(t)外传感器节点s的策略集集合。

为无线传感器网络中传感器节点s的总效用，考虑传感器节点s采集数据的时效性，传感器节点之间相互协作共同提升总效用值/>对于节点i的效用函数应该与问题P1中的优化目标相一致。基于CGG中的效用函数一般是优化目标的最大化，因此，该效用函数可以表示为：

上式表示该CGG中节点i的效用函数是由x_i(t)和x_-i(t)共同决定的。其中，φ(i,x_i(t))可表示节点i向x_i(t)传输数据时的数据相关度，D(i,x_i(t))表示节点i与x_i(t)建立连接后两者之间的距离值，加负号表示最小化该项指标，以此来满足该CGG中最大化效用函数。因此，该层CGG的优化目标可进一步表示为：

在算法1中，首先将集合中的传感器节点s在满足最大簇成员数量约束条件下随机划分为K个分簇，得到初始化联盟集合π_t，集合πt＝{π₁,π₂,…,π_K}来表示所有分簇的集合，即/>且每一个集合π_k均满足/>N_π,t(k)表示t时刻下各分簇集合元素的个数，且各分簇之间通过互换传感器节点的方式实现效用值的最大化。在π_t中存在大量联盟成员v_m和v_n，满足v_m∈π_k且v_n∈{π_t\π_k}，v_m和v_n愿意离开当前联盟前往对方的联盟。本实施例针对v_m和v_n进行交换操作交换/>其中v_m和v_n可能为/>得到新的联盟结构/>如果联盟结构/>的效用值/>大于联盟结构π_t的效用值/>这就构成了一个交换操作联盟{v_m,v_n}，则更新联盟集合。同时考虑交换求解方式存在局部最优解的问题，本实施例定义在每个簇内增加一个空元素参与簇间的交换，记为/>以此来实现节点在各个联盟之间不替换π_m中任何联盟成员，实现单传感器节点节点的交换操作。单传感器节点节点的交换策略同双节点的交换操作联盟形成过程一致。同时，为避免乒乓球效应，每对节点之间最多交换两次。在不间断的交换操作中可以逐步消除交换操作联盟{v_m,v_n}，最终可实现NSE。在获得稳定分簇的基础上，选取簇内到其余节点效用值最小的节点作为CH。在本实施例所研究的无线传感器网络中传感器节点s数量是有限的，所以在该CGG中，经过有限的交换次数可以得到满足NSE的联盟结构π_t。

CGG-SW算法的复杂度取决于以下三部分：初始化联盟集合复杂度为O(M(t))，上界为O(M)；构建传感器节点s之间的距离矩阵和数据相关度矩阵的复杂度均为O(M²(t))，上界之和为O(2M²(t))；完成交换操作的复杂度上界为O(N_ItM³)，其中N_It为有限的最大迭代次数。在传感器节点s数量有限的情况下，能够使算法收敛的迭代次数N_It远小于理论值。

在多无人机协作采集数据的过程中，传感器节点s节点分簇及多无人机路径规划始终是研究者的关注重点。通过算法1，在第一层CGG中已求解出考虑节点距离和数据相关度的稳定分簇和簇头集合本实施例剩余部分将在第二层CGG中解决基于最小化信息年龄最小化的多无人机路径规划问题。

在第二层CGG中，本实施例将基于最小化信息年龄最小化的多无人机路径规划问题表示为其中/>表示t时刻CGG的所有参与者，即集合K。/>为t时刻CHs和P₀的策略集合，特别强调的是P₀仅作为策略集合出发节点和最终到达节点，初始节点的策略空间为集合CH。定义参与CGG的第u架无人机服务的CH或者DC节点i的在时刻t的决策为/>则x_K,t(u,i)是关于二元决策变量x_K,u,i,j(t)的一一映射，即x_K,u,i,j(t)＝1表示的是x_K,u,i(t)＝j。若节点i处于无人机u达到采集上限的最后一点，其策略空间为集合{P₀}；若节点i为最终到达节点P₀，其策略空间为/>表示该无人机返回到DC，终止本次采集任务；若节点i为除上述节点外的剩余节点，代表无人机u此时还没有达到采集信息和可搜集节点信息容量上限，其策略空间为K\{π_K,t(u,1),π_K,t(u,2),…,π_K,t(u,k-1)}，即除当前时刻已飞过节点外的所有CH集合。

为各无人机采集所有CH信息的总效用。对于节点i在时刻t的效用函数，应与问题P2中的优化目标保持一致。为了符合CGG中效用最大化的优化目标，效用函数可表示为：

在实际的飞行过程中，T_w(x_K,t(u,i))对系统最小化信息年龄的影响相比于T_p(x_K,t(u,i))和T_f(x_K,t(u,i))是可以忽略的，同时各CH传输给无人机的Tp(x_K,t(u,i))之间的差别也是可以忽略不计的，所以本实施例中取T_w(x_K,t(u,i))为一固定常数T_w,av，T_p(x_K,t(u,i))为一固定常数T_p,av。本实施例假设在无人机和CH达到可达通信距离时两者可构建通信链路，进行数据传输，所以T_p,av＝0。因此该CGG效用函数可表示为：

综上所述，该CGG的优化目标可进一步表示为：

针对上述优化目标，本实施例基于文献[20:GAMBARDELLA L M,DORIGO M.Ant-Q:Areinforcement learning approach to the traveling salesman problem[C]//MachineLearning Proceedings.San Francisco:Morgan Kaufmann,1995:252-260.]提出了一种基于改进的Ant-Q算法来指导该层CGG。本实施例定义与各蚂蚁相关联CH的待访问列表为J_i(r)＝K，并用Q_AQ(r,s)表示一个与边(r,s)关联的正实数值，记为AQ值，用来表明从节点r移动到节点k的重要程度，对应Q-learning中的Q值。同时定义H_HQ(r,s)＝1/D_i,j表示对连接(r,s)的边进行一个启发式评估，用于表征怎么样移动会更好。

对于所有位于节点r的蚂蚁而言，均按照以下动作选择规则移动到下一节点l^[21]：

其中，Q_AQ(r,l)的更新策略为：

在式(12)中，ω₁和ω₂两个参数用于平衡学习到的AQ值和HQ值的相对重要性，q为一个随机变量，服用[0,1]的均匀分布。rl也是根据Q_AQ(r,u)和H_HQ(r,u)，其中u∈J_k(r)给出概率分布的一个随机变量，服从文献[20:GAMBARDELLA L M,DORIGO M.Ant-Q:Areinforcement learning approach to the traveling salesman problem[C]//MachineLearning Proceedings.San Francisco:Morgan Kaufmann,1995:252-260.]中描述的概率分布。式(13)中的ΔQ_AQ(r,l)可以表示为：

上式中，W在Ant-Q算法为常数^[20]。i^b为当前迭代中实现式(10)中效用函数最大路径的蚂蚁，为该路径的效用函数值。/>

通过上述分析与讨论，基于改进Ant-Q的CGG算法(CGG-AQ)见算法2。在算法2中的初始阶段，任意两点(r,k)之间的AQ值都相同，每只蚂蚁均从P₀出发，按照均匀分布方式选择π_K,t(:,2)点，并更新蚂蚁i当前没有遍历的节点集J_i(r_i)。在Stept2中，当存在J_i(r_i)非空时，若当前u_i可载容量未达到上限，各蚂蚁继续寻找当前无人机的下一个可访问CH；否则令l_j＝P₀，开始进行下一无人机路径集合π_K,t(u+1,:)的求解，直至各无人机均完成闭环路径的求解。特别强调的是，本步骤中延迟强化项ΔQ_AQ(r,l)取0后根据式(13)进行更新AQ值。在Stept3中计算出各蚂蚁当前规划路径的效用函数找出效用函数最大的路径，在Stept4中根据式(14)对每条边计算ΔQ_AQ(r,l)，并根据式(13)更新Q_AQ(r,l)。多次迭代达到最大迭代次数且效用函数/>无变化后算法终止。

算法2的计算复杂度主要与蚂蚁个数N_m、节点集合个数(K+N)以及算法最大迭代次数Num2有关，其上界为O(N_It2·N_m·(N+K)²)。

算法3表示是一个基于层次化CGG的多无人机路径规划算法(HCGG-M无人机PP)，由算法1和算法2衔接组成。其算法复杂度是算法1和算法2的和。

为了验证上述内容关于所提算法理论分析的有效性，本实施例对所提出的算法进行蒙特卡洛仿真实验，并采用与蚁群算法(Ant Colony Optimization,ACO)、遗传算法(Genetic Algorithm,GA)和模拟退火算法(Simulated Annealing,SA)相对比的方式评价本算法的性能。本实施例仿真场景设置长3千米、宽3千米、高0.3千米的区域内，DC的位置坐标为(1500m,1500m)，一定数量且随机分布的传感器节点s以及飞行高度范围设置为[100m,300m]的一组无人机s。本实施例中提到的算法对CH的位置、CH-CMs的关联以及无人机的运动轨迹进行了联合优化。仿真参数设置主要参考文献[11:MAO C,LUI J,XIE L.Multi-UAVaided data collection for age minimization in wireless sensor networks[C]//International Conference on Wireless Communications and Signal Processing(WCSP).Nanjing:IEEE,2020:80-85.]、[12]进行随机环境和无人机模型设置，其中信道带宽为1MHz，高斯白噪声为-100dBm，路径损耗指数为2.3，单位距离信道增益为-60dB；传感器节点数量为[600,1000]，传感器节点数据包大小为1M，无人机数量为[1,10]，无人机飞行速度为20m·s-¹；控制变量β1、β2均为0.5。数据相关度参数设置参考文献[13:CHEN M,SAADW,YIN C,et al.Data correlation-aware resource management in wireless virtualreality(VR):an echo state transfer learning approach[J].IEEE Transactions onCommunications,2019,67(6):4267-4280.]，其中δ、κ分别为2和5。此外，算法2调用的Ant-Q算法参数设置参考文献[20:GAMBARDELLA L M,DORIGO M.Ant-Q:A reinforcementlearning approach to the traveling salesman problem[C]//Machine LearningProceedings.San Francisco:Morgan Kaufmann,1995:252-260.]。

图2-4是在M＝600，N＝6，K＝60情况下，表示HCGG-M无人机PP算法的一次求解效果。图2表示的是经过抽象建模的传感器节点s和DC位置分布图；图3表示的是算法1在图2的基础上经过第一层CGG实现的节点分簇效果图；图4表示的是经算法2对图3中簇头节点的基础上经过第二层CGG实现的无人机飞行路径图。

图5表示的是在M＝600，N＝6，K＝60情况下，系统最小化信息年龄总和与迭代次数之间的变化关系。从图3中可以看出，SA算法具有最优的全局解，原因是SA算法基于Metropolis抽样准则在搜索区间随机游走，通常可以在一个较大求解空间内得到近似最优解，是一种基于概率的进化算法；但是，SA算法收敛速度较慢，在文中对比算法中仅次于GA算法，需要较长的计算时间。GA算法针对本实施例求解问题，在求解质量上优于ACO算法2.3％，原因是GA算法通过选择、交叉和变异三个算子，根据个体适应度高低选择下一代个体，在一定程度上是从全局优化角度出发去跳出局部最优。虽然GA算法求解思路相对简单，但是其随机性以及较慢的收敛速度制约了其多无人机路径规划问题的求解。ACO算法是一种群智协作算法，各个个体根据信息素进行正反馈寻解，虽然相对于GA和SA算法受初始值影响较少，具有较强的全局搜索能力，迭代次数较少。但是，ACO算法很难在有限的迭代次数中达到所有个体都选择同一路线，容易陷入局部最优，且与参与求解的个体数量有关，计算量相对较大。针对ACO算法每一次迭代求解计算量过大问题，本实施例所提的HCGG-M无人机PP算法参考了Q学习(Q-Learning)中有关学习因子Q值的动作选择机制，通过在每次迭代中计算AQ值和HQ值，可以对每次迭代中的选择进行一个启发式评估，使HCGG-M无人机PP算法有更高的概率获得更优解。虽然在每次迭代中增加了一些计算复杂度，但总体上是基于大幅减少算法迭代次数降低了算法总的计算复杂度，且具有更快的收敛速度。在具有相同仿真条件下，HCGG-M无人机PP算法的系统最小化信息年龄低于SA算法8.9％、优于ACO算法14.9％、优于GA算法12.4％。

图6是在M＝600，K＝60情况下，研究了系统最小化信息年龄总和与无人机数量之间的变化关系图。本图对比了HCGG-M无人机PP算法，ACO算法和SA算法；由于GA算法相对于HCGG-M无人机PP算法得到的系统最小化信息年龄较大，且GA算法的收敛速度相比于其他算法最慢，所以针对GA算法不进行下述对比实验。从图4中可以看出，当无人机数量为1到4区间时，各算法得到的系统最小化信息年龄随着无人机数量的增多而大幅度减少，这是因为借助更多数量的无人机辅助采集数据可以提升数据采集效率，则数据最小化信息年龄会相对减少；其中，针对系统最小化信息年龄值SA算法平均减少34.2％，ACO算法平均减少27.7％，HCGG-M无人机PP算法平均减少28.9％。当无人机数量为5和6时，随着无人机数量的继续增加，各算法得到的系统最小化信息年龄减小幅度在变缓，其中，针对系统最小化信息年龄值SA算法平均减少17.3％，ACO算法平均减少21.5％，HCGG-M无人机PP算法平均减少19.7％。这是因为在待采集簇头节点数量固定情况下，过多无人机参与数据采集会导致无人机辅助功能无法发挥最大作用，存在无人机性能过剩现象。参考图7，在图3-6所设条件下，HCGG-M无人机PP算法得到的系统最小化信息年龄高于SA算法14.1％、低于ACO算法24.2％，同时HCGG-M无人机PP算法拥有最快的收敛速度。

图7是在簇内传感器节点数量相差不大(10左右)且无人机采集簇头节点数量无限制的情况下，研究了系统总最小化信息年龄值和与传感器节点s数量之间的变化关系图。从图5中可以看出各算法得到的系统总最小化信息年龄值随着传感器数量的增加而变大。这是因为在无人机数量以及分簇尺寸固定的情况下，增加传感器节点数量则会带来分簇数量的增加，各无人机需要采集更多的簇头节点，导致无人机在空中飞行时间增加，则系统内数据的最小化信息年龄值也会增加。本实施例所提HCGG-M无人机PP算法随着传感器节点s数量的增加，相较于ACO算法系统最小化信息年龄平均提升12.6％，且相比SA虽然在系统最小化信息年龄表现略差，但是在收敛速度上远超SA算法，更适合复杂动态场景中对多无人机的路径规划。

图8是在M＝600，且固定无人机最大可服务CH数量为10情况下，研究了系统最小化信息年龄与分簇成员数之间的关系。从图中可以看出各算法随着分簇可容纳最大成员数的增加，系统最小化信息年龄值均在降低。这是因为分簇成员数的增加，在无人机采集容量固定情况下，则需要采集的簇头节点数量在减少，提升了采集效率。同时，当分簇成员数为5到15区间内，系统最小化信息年龄减少幅度较大，因为此时簇头节点数量大幅减少对系统最小化信息年龄的影响较大；但当分簇成员数为25到30区间内，系统最小化信息年龄减少幅度变缓，此时簇头节点数量减少幅度变缓且簇内信息量较大，导致簇头节点数量变化对系统最小化信息年龄影响程度减少。本实施例所提HCGG-M无人机PP算法在不同簇成员数的系统中，相较于ACO算法系统最小化信息年龄平均提升15.9％，相比于SA算法系统最小化信息年龄有所增加，但在收敛速度上具有明显优势。

图9是在M＝600情况下进一步针对不同无人机数量，对比了本实施例算法与SA算法、ACO算法以及GA算法的算法收敛速度。其中，本实施例所提HCGG-M无人机PP算法在不同无人机数量下可以在100次以内收敛，相较于ACO算法提升43.4％，且大幅优于SA算法和GA算法。具体差异与各算法的原理有关，可参考对图3-5的分析。

仿真中，本实施例通过提出的基于层次化CGG的多无人机路径规划算法(HCGG-M无人机PP)与满足约束条件的遗传算法(GA)、模拟退火算法(SA)、蚁群算法(ACO)进行对比。其中SA算法可以找到该问题的最优解但其计算复杂度过高；GA算法可求解该问题的近似最优解，但其探索周期长、需要计算资源过高；ACO算法采用正反馈机制，在有限的迭代次数可收敛逼近于最优解，但其初期收敛速度还是较慢；而文中所提的HCGG-M无人机PP算法，本实施例所提算法虽然在求解质量上相较于SA差一点，但是其快速收敛的特性非常适合于对数据时效性要求很高的场景。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种面向数据采集的多无人机路径规划方法，其特征在于，包括以下步骤：

将无人机传感器节点分为若干个簇，通过所述若干个簇进行数据采集，获取簇组数据采集的过程和无人机路径；

对所述簇组数据采集的过程进行相关性优化，获得分簇问题的解；

对无人机路径进行优化，获得无人机路径优化解；

基于所述分簇问题的解和所述无人机路径优化解对多无人机的路径进行规划；

所述获取簇组数据采集的过程的过程包括：

将所述无人机传感器节点分为若干个簇，对所述若干个簇中的节点进行选取，获得若干个簇的簇头；

通过所述若干个簇的簇头采集若干个簇内无人机收集的信息，获得所述簇组数据采集的过程；

所述获得分簇问题的解的过程包括：

将传感器节点在满足最大簇成员数量约束条件下随机划分为若干个分簇，得到初始化联盟集合；

将所述初始化联盟集合中的无人机和传感器节点进行交换，获得交换操作联盟；

增加空元素，将所述空元素添加至所述初始化联盟集合中的无人机和传感器节点进行交换的过程中继续进行交换，获得所述分簇问题的解；

对所述簇组数据采集的过程进行相关性优化表示为：

其中，表示为协方差，/>表示为传感器节点i的跟踪数据，/>表示为节点j的跟踪数据，D_i,j为节点i到节点j之间的距离，δ和κ决定两个传感器节点之间的距离值对数据相关性的影响程度；

所述获得无人机路径优化解的过程包括：

获取最小化信息年龄，基于所述最小化信息年龄构建改进Ant-Q的CGG算法；

基于所述改进Ant-Q的CGG算法对多无人机的路径进行优化，获得所述无人机路径优化解；

所述最小化信息年龄的表达式为：

Δi(t)＝T_i,w(t)+n(T_i,p(t)+T_i,f(t))；

其中，Δi(t)表示为节点i的最小化信息年龄，T_i,w(t)表示为节点i数据从产生到被无人机采集前的等待时间，T_i,p(t)表示为为无人机采集节点i所在CH数据包的上传时间，T_i,f(t)表示为节点i所在CH的无人机飞行总时间；

所述改进Ant-Q的CGG算法中的效用函数的表达式为：

U_K,t(x_K,t(u,i))＝T_w,av+(i-1)·T_f(x_K,t(u,i))；

其中，U_K,t(x_K,t(u,i))表示为t时刻各UAV采集所有CH的效用总和，T_w,av表示为节点i从产生到被采集前的等待时间，固定值，T_f(x_K,t(u,i))表示为节点i所在CH的无人机飞行总时间；

基于所述分簇问题的解和所述无人机路径优化解对多无人机的路径进行规划的过程包括：

将多无人机路径规划的优化目标转化为传感器节点分簇优化目标和最优最小化信息年龄的无人机路径规划优化目标；

基于所述分簇问题的解将所述传感器节点分簇优化目标进行优化，获得分簇相关度优化解；

基于所述无人机路径优化解对所述最优最小化信息年龄的无人机路径规划优化目标进行优化，获得信息获取的解。