[发明专利]基于太阳能供电型农业物联网的UAV数据采集轨迹算法

权利要求书

1.一种基于太阳能供电型农业物联网的UAV数据采集轨迹算法，其特征在于，步骤如下：

S1、针对农田UAV-WSN，选取太阳能节点作为簇头，然后采用基于最优簇数的FCM聚类算法确定聚类中心，并结合聚类中心映射簇头节点进行太阳能节点的部署；

S2、提出WSN不成簇、WSN成簇但簇头不融合数据、WSN成簇且簇头融合数据这3种不同的UAV轨迹设计方案，然后根据给定的CRLB，计算3种方案下区域所需的遍历节点数和分簇数；

S3、根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划，得到3种方案所对应的UAV轨迹规划路线；

S4、计算3条路线所对应的节点能耗，通过能耗和UAV飞行路程选择最优方案，最优方案即为UAV最终的数据采集轨迹；

在步骤S1中，采用基于最优簇数的FCM聚类算法确定聚类中心，过程具体如下：

S11、根据最优簇数公式计算得聚类数K：

式中，K等于簇头数目m，且N为普通节点数目；k₁为簇信息数据包长度；k₂为采集数据包长度；C为区域边长，d₂为簇头与UAV之间的距离；E_mp为多路径衰减模型的能耗参数；E_elec为单位长度传输能耗；E_fs为自由空间能耗模型的能耗参数；

S12、初始化隶属度矩阵u_ij：

给定聚类数K，节点总数N，考虑每一个聚类群的群内的目标函数最小，采用模糊集合设定每个节点对于每个群的隶属度集合为U，即第j个节点属于第i个群的隶属度为u_ij，该群的群心为c_i，且第j个节点也即节点x_j；

为了使每个节点与其所属的群的群心距离在确定所属时有效，而与其不所属的群的群心距离在确定所属时无效，所以考虑一个模糊数q控制隶属度的重要性，使得确定x_j所属于第i群的计算值为：

当节点x_j与第i群的隶属度越小，即使其距离较大，但因为模糊数q使得所以该段距离在确定所属时相当于无效；

考虑到初始隶属度u_ij对FCM算法最终聚类效果的影响，引入logistic混沌模型进行隶属度u_ij的初始化，logistic混沌模型的数学模型如下：

a_n+1＝μ*a_n*(1-a_n)

其中，a_n为第n次迭代生成的值，a₁为(0～1)范围内的随机值；a_n+1为第n+1次迭代生成的值；μ∈[0～4]；a_n迭代生成的值处于混沌态，具有遍历性；

S13、采用拉格朗日乘子式并分别对u_ij和c_i求偏导，计算公式如下：

其中，c_l为第l簇的簇心；

S14、对于所有的节点和所有的群数，其目标函数为：

求解满足约束条件时的目标函数J^(t)的最小值，J^(t)代表第t次迭代时的目标函数值；

S15、如果|J^(t)-J^(t-1)|＜ε，其中，ε为最小偏差值，J^(t-1)代表第t-1次迭代时的目标函数值，则算法结束，群心c_i即为聚类中心；否则回到步骤S13；

在步骤S2中，WSN不成簇的UAV轨迹设计方案具体是指：所有的遍历节点均与UAV直接通信，由UAV发送信息给遍历节点，遍历节点再发送数据给UAV；

WSN成簇但簇头不融合数据的UAV轨迹设计方案具体是指：UAV只和簇头通信，由UAV发送簇成员信息给簇头，簇头再广播簇成员信息给簇成员，然后簇成员发送数据给簇头，簇头节点再转发数据给UAV；

WSN成簇且簇头融合数据的UAV轨迹设计方案具体是指：UAV只和簇头通信，由UAV发送簇成员信息给簇头，簇头再广播簇成员信息给簇成员，然后簇成员发送数据给簇头，簇头融合数据，然后再转发数据给UAV；

在步骤S2中，根据给定的CRLB，计算3种方案下区域所需的遍历节点数和分簇数，过程如下：

(1)对于WSN不成簇：

提出无簇自适应量化方案：

通过无簇分布式估计式计算WSN不成簇情况下的CRLB：

其中，N为节点个数；表示传感器用作阈值的规范化频率，P(τ_n-1＝k*Δ)是第n-1个节点的量化阈值τ_n-1为k*Δ时的概率；p_w(x)为w_k的概率密度函数(PDF)；F_w(x)为w_k的互补累积密度函数(CCDF)；θ为物理世界的被估计的环境物理量，即从UAV收到的量化数据中估计的参数；为参数θ的估计值；w_k是区域内第k个节点的观测噪声；Δ表示参数量化步长；k代表区域内第k个节点；τ_k为节点从其他传感器节点累积早期传输数据，并使用累计值作为其1位定量器的阈值；

然后采用二分法计算最接近且小于给定区域CRLB时的区域所需遍历节点数；

(2)对于WSN成簇但不融合数据：局部估计的CRLB、区域所需遍历节点数的计算均与WSN不成簇的计算相同；

(3)对于WSN成簇且簇头融合数据：

提出成簇自适应量化方案：全局估计的CRLB可由局部估计CRLB的加权和表示；通过成簇分布式估计式计算WSN成簇且簇头融合数据情况下的CRLB：

其中，表示局部估计的加权系数；和分别为第i簇和第j簇的分布式估计；

然后计算不同簇数情况下满足给定区域CRLB时的簇内成员数，其中最大成簇数是区域内太阳能节点数，最少成簇数是2；

比较不同簇数下WSN的总能耗，选择能耗最小情况时的簇数和簇内成员数；

对于节点分布均匀度：

通过分布均匀度势函数进行计算节点分布均匀度f_r，其中，第r个节点的分布均匀度势函数计算公式为：

式中，n为区域内节点总数；l表示区域内其他节点延拓数；k代表区域内第k个节点；s代表区域内节点的第s个延拓节点；x_r即代表第r个节点；为针对节点x_r，区域内的第k个节点的第s个延拓节点；

区域内所有节点的均匀度势函数计算公式为：

当区域内节点分布越均匀时，其总的均匀度势函数值越小；

对于节点剩余能量：

通过如下计算公式计算普通节点剩余能量权重：

式中，E_start为节点剩余能量；E_Rest为节点初始能量；

通过如下计算公式计算太阳能节点剩余能量权重：

式中，E_Fore为预测能量采集值，可从下述太阳能能量采集值E_hav估算；

当节点的剩余能量越多时，剩余能量权重越小；

对于太阳能能量采集值：

太阳能能量采集可根据时间、天气和位置这些因素量化成用不同峰值的三角函数表示的太阳能采集能量模型，并通过该模型计算太阳能能量采集值，根据太阳升起和落下情况，选定早上6点开始进行太阳能采集，下午6点后结束；

太阳能采集能量模型为：

E_hav＝z*sin(x)-rand

式中，E_hav为太阳能能量采集值；z为晴天、阴天这些不同情况的太阳能能量采集峰值；x为太阳能采集时间点转换值，time为当前时间距离早上6点的秒数；rand为模拟影响能量采集因素的随机值；

根据节点分布均匀度、节点剩余能量以及太阳能能量采集值进行UAV路径规划的过程如下：

S31、基于最小化代价方程选择UAV的遍历节点，最小化代价方程如下：

式中，N_i为第i簇中选择的节点数；w_ij为第i簇中第j个节点的剩余能量权重；f_ij为第i簇中第j个节点的均匀度势函数值；

S32、考虑到模拟退火算法求得的代价函数最小值所得的遍历节点的UAV路径规划问题可以看作是旅行商问题，即指从初始城市出发，然后遍历访问其余所有的城市最后回到初始城市的最短路径规划问题，旅行商问题的求解是指在连通图中，遍历除起始节点外其余所有的节点一次，规划除最短的Hamilton回路，这里，定义旅行商问题的数学模型如下：

给定一个连通图P＝(C_P,L_P)，其中，C_P为节点编号的集合，L_P为节点之间的边的集合；设节点集合C_P＝{1,2,...,N}，边集合L_P＝{(r,j,w_rj)|r,j∈C_P,w_rj∈R⁺}，w_rj是第r个节点和第j个节点之间的距离，则Hamilton回路为一组包含所有节点的边的集合其中包含起始节点两次，其余节点一次，m_r,m_j∈C_P，且r≠j；

对于边集合L_P中元素的选择表示如下：

则Hamilton回路的目标函数表示如下：

假设系统前一个状态为x(n)，系统根据设定指标，其状态变为x(n)+1，系统的能量相应地由E(n)变为E(n+1)，定义系统由x(n)变为x(n)+1的接受概率P为：

其中的系统根据不同的场景需要不同，这里为全局区域搜索和局部簇内搜索；

S33、采用模拟退火算法求取步骤S31的最小化代价方程的最小值，节点的代价函数f越小，选择该节点的概率越大，以此求出区域内所选择的遍历节点；

S34、然后根据区域内所选择的遍历节点计算出Hamilton回路的目标函数的最小值，得到UAV的最短路径；

步骤S33的过程如下：

S331、为了使降温过程更快，先通过蒙特卡洛算法确定一个较优初始解w，计算适值分f(w)；

S332、考虑到选择节点是离散的，这里选择随机更新解中的任意一个元素来产生新解w'来计算新的适值f(w')；

S333、然后计算适值增量Δf＝f(w')-f(w)，并判断Δf是否大于0，如果Δf≤0，则按照Metropolis准则接受新解，如果Δf＞0，则接受新解w＝w'，f(w)＝f(w')；

S334、缓慢降温，判断是否满足终止条件，若否，则返回重新步骤S332；

若是，则运算结束，最终的解即为最小化代价方程的最小值；

在步骤S4中，3种方案所对应的UAV轨迹规划路线的节点能耗模型分别如下：

(1)基于无簇分布式估计，WSN不成簇的能耗模型：

每个节点能耗：

其中，为节点接收UAV信息的能耗；为节点发送数据给UAV能耗；k₁为簇信息数据包长度；k₂为采集数据包长度；R_c为通信半径，为保证网络全连通，R_c＝2*R_S，R_S为感知半径；

(2)基于无簇分布式估计，WSN成簇但簇头不融合数据的能耗模型：

设第i簇的簇成员数为m_i，簇头节点能耗包括：

(a)接收UAV成簇信息能耗

(b)发送给簇成员成簇信息能耗

(c)接收簇成员数据能耗

(d)发送数据给UAV能耗

簇成员能耗包括：

(e)接收簇头成簇信息能耗

(f)接收其他节点广播量化数据能耗

(g)发送数据给簇头能耗

最终，簇头节点能耗和簇成员能耗分别为：

(3)基于成簇分布式估计，WSN成簇且簇头融合数据的能耗模型：

簇头节点能耗和簇成员能耗分别如下：

其中，m_i*E_da为簇头融合数据能耗；

通过能耗和UAV飞行路程选择最优方案，具体为：

基于上述节点能耗模型，计算出网络的总能耗E_Total；

然后比较3种方案的总能耗E_Total和UAV轨迹规划路线所对应的UAV飞行路程Len来选择最优方案，方案选择函数如下：

minf＝a₁E_Total+a₂Len

式中，a₁为能耗权重；a₂为路径长度权重；其中a₁和a₂根据实际情况设置，如果当网络生存周期比重越大时，则设置a₁越大，同理，在UAV路径长度受限制越大时，设置a₂越大。

2.根据权利要求1所述的基于太阳能供电型农业物联网的UAV数据采集轨迹算法，其特征在于，在步骤S1中，结合聚类中心映射簇头节点进行太阳能节点的部署，具体是：

采用最近邻映射选择节点作为聚类中心，以c_i表示第i簇的聚类中心，x_ij表示第i簇的第j个簇内节点，选择节点的处理过程如下：

min||c_i-x_ij||

完成位置映射后，选择映射节点为太阳能节点进行部署。