【无线可充电传感器网络(WRSN)】公交网络辅助的无人机调度，用于无线可充电传感器网络的可持续充电（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥







🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。



⛳️座右铭：行百里者，半于九十。

💥1 概述

无线可充电传感器网络（WRSN）中公交网络辅助的无人机调度研究

摘要：无线可充电传感器网络（WRSN）被广泛应用于环境和交通监测、视频监控和医疗护理等领域，有助于提高城市生活质量。然而，在建筑物、土壤或其他难以从环境中获取能量的地方部署传感器，为其提供可持续能源是具有挑战性的。为解决这一问题，我们设计了一种新的无线充电系统，利用城市区域的公交网络辅助无人机。我们根据这一新的无线充电系统制定了无人机调度问题，以最小化无人机的总时间成本，同时满足无人机能够在能量约束下为所有传感器充电。然后，我们提出了一种逼近算法DSA来解决能量受限的无人机调度问题。为使WRSN的任务可持续进行，我们进一步制定了带有传感器截止日期的无人机调度问题，并提出了逼近算法DDSA，以找到在截止日期前由无人机充电的传感器数量最大的无人机调度。通过大量模拟，我们证明DSA相对于贪婪补充能量算法可以将总时间成本降低84.83%，并且平均使用的总时间成本最多是最优解的5.98倍。然后，我们还证明DDSA相对于截止日期贪婪补充能量算法可以将传感器的存活率提高51.95%，并且平均可以获得77.54%的最优解存活率。

关键词：无线可充电传感器网络、公交网络、无人机调度、旅行推销员路径问题、子模取向问题

一、研究背景

无线可充电传感器网络（WRSN）作为物联网的重要组成部分，在环境监测、智能农业、智能家居等领域发挥着越来越重要的作用。然而，WRSN的能量供应问题一直是制约其广泛应用的关键瓶颈。传统的一次性电池供电方式不仅成本高昂，维护困难，还会对环境造成污染。因此，无线充电技术应运而生，为WRSN的可持续运行提供了新的可能性。而无人机（UAV）作为灵活的空中平台，被视为WRSN最有前景的能量供应载体之一。然而，如何高效调度无人机，优化充电路径，确保WRSN的可持续运行，仍面临诸多挑战。

二、问题描述

在WRSN中，传感器节点通常部署在难以从环境中获取能量的地方，如建筑物内部、土壤深处等。这些节点依靠电池供电，一旦电量耗尽，将导致数据丢失，网络监测服务质量下降。为了解决这个问题，可以利用无人机携带无线充电器为传感器节点充电。然而，无人机电池容量有限，需要频繁返回地面充电站补充电量，这增加了无人机的飞行能耗，降低了充电效率。此外，对于部署在广阔区域的传感器网络，单架无人机的充电能力可能无法满足需求。

为了解决上述问题，研究人员设计了借助公交车网络的无人机充电系统。公交车按照预设路线和时间表运行，具有高度的可预测性，且公交车通常配备大容量电池，可以为无人机提供能量补给。因此，将无人机调度与公交网络相结合，有望为WRSN的可持续充电提供一种高效、经济、可靠的解决方案。

三、系统模型

1. 传感器节点：部署在目标区域，负责采集数据并感知自身能量状态，将能量信息上报给调度中心。
2. 无人机：搭载无线能量发射器和通信模块，负责执行充电任务。无人机可以携带小容量电池，并通过公交车辆进行能量补充。
3. 公交车辆：作为移动的能量补给站或充电中继站，可以搭载无人机充电设备，在预定站点为无人机提供快速充电服务，或在行驶过程中为无人机提供持续的能量补给。
4. 调度中心：负责收集传感器节点的能量状态信息，预测能量需求，并根据公交网络数据和无人机状态，生成最优的无人机调度和充电计划。

四、算法设计

1. 无人机调度与公交网络（DSB）问题：
   • 目标：在无人机能量约束下，最小化无人机为所有传感器充电的时间成本。
   • 算法：提出了一种逼近算法DSA（Drone Scheduling Algorithm），用于解决能量受限的DSB问题。该算法通过构建有向图，利用动态规划或贪心算法等优化技术，找到满足能量约束的最优充电路径。
2. 带截止时间的无人机调度与公交网络（DDSB）问题：
   • 目标：在无人机能量和传感器截止时间的双重约束下，最大化充电传感器的数量。
   • 算法：提出了一种逼近算法DDSA（Deadline-aware Drone Scheduling Algorithm），用于解决能量受限的DDSB问题。该算法在DSA的基础上，进一步考虑了传感器的截止时间，通过优先级排序或时间窗口分配等技术，确保在截止时间之前为尽可能多的传感器充电。

五、仿真实验

1. 实验设置：
   • 传感器节点数量：根据研究需求设置不同数量的传感器节点。
   • 无人机数量：根据传感器节点数量和充电需求，设置单架或多架无人机。
   • 公交网络数据：利用真实的公交网络数据，包括公交线路、站点位置、发车时间表等。
   • 性能指标：包括总时间成本、传感器存活率、充电效率等。
2. 实验结果：
   • DSA算法性能：与贪婪补充电量算法相比，DSA算法可以将总时间成本降低84.83%，并且平均使用的总时间成本最多是最优解的5.98倍。
   • DDSA算法性能：与截止时间贪婪补充电量算法相比，DDSA算法可以将传感器的存活率提高51.95%，并且平均可以获得77.54%的最优解存活率。

六、结论与展望

1. 研究结论：
   • 公交网络辅助的无人机调度策略可以有效解决WRSN中的能量供应问题，提高充电效率，延长网络寿命。
   • 提出的DSA和DDSA算法在满足无人机能量约束和传感器截止时间约束的条件下，能够显著优化充电路径，提高充电成功率。
2. 未来展望：
   • 总线网络拓扑优化：进一步研究总线网络的拓扑结构，提高信息的传输效率和可靠性。
   • 无人机调度算法优化：结合WRSN的特定应用场景和能量需求，设计更高效的无人机调度算法。
   • 能量感知的总线网络：将能量感知技术集成到总线网络中，为无人机提供更准确的能量信息。
   • 多无人机协同调度：对于大规模的WRSN，研究多无人机协同调度策略，提高充电效率，缩短充电周期。

📚2 运行结果

部分代码：

%主函数
tic
%U=5;%传感器的充电请求wh
distance_sl=10;%统一设置传感器与其最近起落点的距离为20km
dis_G=load('G.txt');%由landing points以及它们的边构成的无向图，权值是距离km
n_lpmax=length(dis_G);%起落点的个数
%fid=fopen('C:\codes\Figure12\b\result\6.txt','a');
fid=fopen('/code/Figure12/b/result/6.txt','a');
%%%%%%%%%%%%%%phase 1, construct undirected graph G
n_lp=n_lpmax-2;%传感器的个数
tao=6;
n_sensor=11;
 G1=zeros(n_sensor,n_sensor);
for U=5:3:20
[Gt,Gc,dis_SL]=construct1(n_sensor,distance_sl,n_lp);
%%%%%%%%%%%%%第二阶段：求解两个传感器之间的满足能量约束的最短路和构造有向图G1
for i=1:n_sensor
    for j=1:n_sensor
        if i==j
             G1(i,j)=0;
        else
             G1(i,j)=energy_sp(i,j,Gt,Gc,dis_SL,U,distance_sl,n_lp);%返回传感器i与传感器j之间路径的时间 
        end
    end
end
%%%%%%%%%%%%%%%第三阶段：求解ATSPP问题
final_srs= allpath(G1,n_sensor,tao);
disp('输出DOPT算法的最终解');
fprintf(fid,'%d %7.4f\r\n ',U,final_srs);
end
fclose(fid);
disp('输出DOPT算法的运行时间');
toc

%U=5;%传感器的充电请求wh
distance_sl=10;%统一设置传感器与其最近起落点的距离为20km
dis_G=load('G.txt');%由landing points以及它们的边构成的无向图，权值是距离km
n_lpmax=length(dis_G);%起落点的个数
%fid=fopen('C:\codes\Figure6\a\result\2.txt','a');
fid=fopen('/code/Figure6/a/result/2.txt','a');

%%%%%%%%%%%%%%phase 1, construct undirected graph G
n_sensor=100;%传感器的个数
n_lp=n_lpmax;
G1=zeros(n_sensor,n_sensor);
for U=5:3:20
[Gt,Gc,dis_SL]=construct1(n_sensor,distance_sl,n_lp);
%%%%%%%%%%%%%第二阶段：求解两个传感器之间的满足能量约束的最短路和构造有向图G1
for i=1:n_sensor
    for j=1:n_sensor
        if i==j
             G1(i,j)=0;
        else
             G1(i,j)=energy_sp(i,j,Gt,Gc,dis_SL,U,distance_sl,n_lp);%返回传感器i与传感器j之间路径的时间 
        end
    end
end
%%%%%%%%%%%%%%%第三阶段：求解ATSPP问题
final_time=zeros(1,n_sensor);
for i=2:n_sensor
    disp('输出第1个传感器到第i个传感器的final solution of ATSPP');
    i
    final_time(i)= ATSPP(G1,1,i,n_sensor);
end
final_time(final_time==0)=[];
disp('输出DSA算法的最终解');
final_solution=min(final_time)
fprintf(fid,'%d %7.4f\r\n ',U,final_solution);
end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章