复杂环境下UAV-WSN 动态协作数据收集

凤继锋，周金强

（四川大学电子信息学院，成都610065）

0 引言

在无线传感器网络中，由于传感器节点能量有限且充电困难，节点能量效率是传感器网络数据收集最主要的问题。最近几年，针对这个问题，利用UAV 去收集节点数据已经引起了广泛的研究[1]。

无人机具有机动性和可控性，以及更大的信号覆盖范围。所以，对于UAV 飞行距离、通信质量等参数的优化可以提高数据收集效率，减少节能能耗。在文献[2]中，UAV 顺序移动到每个节点附近收集数据，以减少了链路距离。同时，作者提出了node-UAV 链路通用衰落信道模型，并优化节点的唤醒时间和UAV 飞行路径，来最大程度的实现节点能耗最小化。HoD T等人[3]提出了一个启发式算法优化节点能耗，具体地，当无人机飞抵传感器工作区域后，不断调整自身的飞行路径去靠近每一个节点收集数据，从而更好的平衡各个节点间的能耗。

上述提出的方法中，UAV 和WSN 在数据收集过程中没有信息交互，两者是独立工作的，UAV 不得不去访问每一个节点来获取数据，这大大消耗了无人机的能量，降低了数据采集效率。针对这个问题，由普通节点、簇头节点、UAV 构成的分层网络被提出。如图1 所示，在分层网络中，WSN 被分成多个簇，每个节点加入到一个簇中，并将数据发送给簇头，UAV 根据簇头位置规划飞行路径来直接从簇头收集整个簇的数据，大大缩短了UAV 的飞行路径和时间，减少了普通节点的能量消耗[4]。然而，由于簇头需要将自己的位置信息发送给基站以便于UAV 路径规划，在分层网络中，簇头节点需要消耗更多的能量，导致簇头节点过早死亡，影响网络的整体连通性。

图1 基于集群的无人机数据收集

针对这个问题，本文设计了一种UAV-WSN 动态协作方案：①提出节点密集区概念，UAV 根据节点密集区规划初始飞行路径；②簇头的选举参考了UAV 初始轨迹；③UAV 根据簇头位置和轮替情况不断调整、更新飞行路径。特别地，在UAV 初始路径规划过程中，簇头不需要将位置信息发给基站，减少了簇头初始阶段的能量消耗。具体的UAV-WSN 动态协作过程如图2所示。

图2 UAV-WSN动态协作框架

1 UAV-WSN动态协作

1.1 节点密集区域和无人机初始路径规划

在无线传感器网络中，传感器节点一般被密集地部署在工作区域，该区域也就是无人机需要访问的区域。因此，我们提出节点密集区域概念，并根据所有节点的已知位置将整个网络划分为多个密集区域，同时参考最小圆覆盖问题获取该区域的中心位置和半径[5]。通过最小圆覆盖算法，在节点密集的区域，寻找到一个覆盖平面上所有节点的最小圆。确定最小覆盖圆后，求出这个圆的半径和圆心作为节点密集区域位置[6]。

UAV 初始路径规划的目的就是遍历这些区域，基站根据这些区域的位置来设计出一条最短路径，从基站出发，遍历所有区域，然后返回基站，这是一个典型的旅行商问题（TSP）[7]。本文中，我们提出一种改进的蚁群算法来解决这个问题。

首先，我们通过K 最邻近算法构造了一条初始路径，并计算信息素增强因子的值。具体地，随机选择一个节点位置Vk，这个节点将根据以下的公式选择下一个节点：

式中，P 是路径选择概率，r 是0 到1 均匀分布的随机数，r0是0 到1 间的恒定值。根据概率P，从随机节点出发，依次遍历所有的节点，生成路径：V1，V2…Vk…Vn。

令L 表示路径的长度，τij(t)是路径（i，j）之间的信息素；在t 时刻，ρ 是信息素挥发因子。因此，信息素更新机制如下：

If L

式中，∆τij(t)是一轮迭代中路径（i，j）上的信息素增量，是一轮迭代中第K 只蚂蚁留在路径上（i，j）上的信息素增量，m 表示蚂蚁数量，Q 是信息素增强因子，Lk第K 只蚂蚁所走过的路径长度。

在普通的蚁群算法中，初始路径搜索阶段，蚂蚁总是选择信息素高路径，这样容易陷入局部最优解[8]。因此，本文提出的算法对路径选择策略做了以下调整：

式中，ps是路径选择策略，ηij是启发函数，表示蚂蚁从当前位置i 到任意位置的可能性，是t 时刻蚂蚁从位置i 移动到j 的概率，α和β是信息素启发因子（权重参数），q 是0 到1 间均匀分布的随机数，q0是0到1 间的恒定常数。

根据以上方法，本文提出的改进的蚁群算法流程如图3 所示。

1.2 簇头选举及数据收集

UAV 初始路径规划好后，基站将路径广播给所有节点，每个节点基于UAV 的飞行路径和节点自身电量来计算一个权衡值用于簇头选举。节点i 的权衡值利用以下公式求得：

假设节点i 的位置是（X0,Y0），AX+BY+C=0 表示离节点i 最近的2 个节点密集区间的飞行航线方程。

其中，Ei是节点i 现存的电量，di是节点i 到航线的距离，α（0≤α≤1）是一个权重值。

每个节点计算的权衡值后，将该值和自身信息（位置及ID）发送给自己所处密集区域的其他节点。每个节点将自己的权衡值与接收到的进行比较，权衡值最大的成为簇头节点，其他节点作为普通节点与簇头通信，这样就实现了分簇。与传统的分簇办法相比，在簇头选举成功后，不需要将信息发送给基站，极大减少了簇头的能耗。

分簇完毕后，每个非簇头节点按照TDMA 时隙发送数据给簇头，簇头节点存储数据并等待无人机的到来。当UAV 按照初始路径飞近节点密集区后，将信标广播到该区域以实现和簇头节点的通信，簇头先将自己的位置信息发送给UAV，以便无人机不断调整飞行轨迹接近簇头。当UAV 与簇头间的距离达到最佳传输距离时，簇头将数据包和该簇节点信息（能量、位置）发送给UAV。最后，数据传输完毕后，无人机回复确认信标，本轮该簇的数据收集结束。

图3 算法流程图

1.3 簇头轮替和无人机路径更新

簇头的能耗比普通节点的大很多，当簇头的能量低于阈值ET时，表示该节点已经不适合担任簇头，需要进行簇头轮替，寻找新的簇头。所有能量高于阈值的节点都是新簇头的候选，根据以下公式进行簇头轮替：

公式中，Ej代表节点j 的剩余能量，ET是簇头节点能量阈值，E0是该节点初始能量，distj表示节点j 与原簇头间的距离，distave表示节点j 与簇头其他节点的平均距离，0≤β1，β2，β3≤1（β1+β2+β3=1）是三个权重值。

每个候选节点将以上公式求得的值发送给原簇头，原簇头选择该值最大的成为新的簇头节点，并将信息发送给每一个节点。接下来，每个节点与新簇头通信，簇头轮替结束。

簇头轮替后，无人机的路径也需要更新。基站根据每一轮每个簇头的能耗和剩余电量，在某个簇头能量即将低于阈值之时，根据上述公式来预测新的簇头位置，并在下一轮数据收集中直接与新簇头通信。

2 能量消耗模型

为了研究节点的能量消耗，本文提出了一种简化的WSN 能耗模型[9]。首先，我们假设节点能耗主要是由发送和接收数据引起的，而节点在非工作模式时消耗能量非常少，可以忽略不计。

传感器节点发送或接收1bit 数据的能耗为Eelec，每发送1bit 数据功率放大器需要消耗的能量为Emp（when d ≥d0）或Efs（when d＜d0）。如图4 所示是一阶RF 能耗模型，每发送L 位数据所消耗的能量为：

每接收L 位数据所消耗的能量为：

图4 一阶RF能耗模型

3 结果

3.1 仿真结果

通过模拟大型复杂环境，我们在500×500 米的网络中部署了120 个节点，基站位于（0，0）点，用X 表示，如图5 所示。在每一轮仿真中，我们假设每个普通节点将10000bit 的数据发送给簇头存储，UAV 从簇头收集这些数据，这个过程将仿真多轮。

图5 仿真环境

图6 节点密集区域

首先，我们使用第1.1 小节中的方法划分节点密集区域，划分结果如图6 所示。同时利用提出的算法规划UAV 初始路径，如图7 所示。接着，应用第1.2 小节中的方法选举簇头（黑点表示簇头），图8 就是第一轮簇头选举结果。最后，如图9 所示，无人机开始收集数据并不断调整飞行路径，第一轮飞行长度为1963 米。

3.2 能耗分析

利用第3 节所描述的能耗模型，模型中具体的参数如表1 所示。在实验中，我们将本文提出的方法（approach 2）与[10]中提出的方法（approach 1）进行比较，通过仿真数据收集过程来检验网络整体寿命。在文献[10]中，簇头的选举是根据节点的ID，ID 值较低的成为簇头的可能性越大，簇头选好后，簇头需要将数据发送给基站。

图7 UAV初始路径

图8 第一轮簇头

图9 不断调整后的UAV飞行路径

表1 仿真参数

首先，比较节点间能耗。图10 显示了相同环境下使用方法1 和方法2 在200 轮数据收集后每个节点剩余的能量。由图可以看出，方法1 的每个节点能量明显低于方法2，这意味着方法1 每轮消耗更多的能量。

图10 200轮后节点剩余能量

其次，比较相同轮数收集的数据量。图11 显示了在所有节点死亡之前，使用两种方法所收集到的数据包数量。从图中可以看出，两种方法在1000 轮之前收集的数据量相差不大，但在1000 轮之后，差距逐渐变大，在所有节点死亡后，使用方法2 收集到的数据大约是方法1 的2 倍。

图11 数据收集总量

最后，比较传感器网络整体寿命。如图13 所示，方法1 在经过500 轮后，存活的节点数逐渐减少，所有节点在2600 轮左右全部死亡。在方法2 中，节点的能量在2000 轮后才逐渐减少，所有节点在3400 轮后死亡。对比发现，方法2 中节点能耗比较平均，不存在大量节点过早死亡的现象，减少了对网络整体性能的影响。

图12 网络整体寿命

4 结语

本文中，我们重点讨论了簇头过早死亡造成的WSN 能耗问题，在传感器能耗与无人机能耗两难选择中，根据UAV-WSN 动态协作，通过协同优化簇头选举，无人机路径规划和簇头轮替，提出了更优的数据采集办法。仿真结果表明，与其他UAV-WSN 数据收集方案相比，该方法减少了节点间能耗差异，极大延长了传感网络寿命。