【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。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。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。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DSADrone 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。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DDSADeadline-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。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。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%U5;%传感器的充电请求whdistance_sl10;%统一设置传感器与其最近起落点的距离为20kmdis_Gload(G.txt);%由landing points以及它们的边构成的无向图权值是距离kmn_lpmaxlength(dis_G);%起落点的个数%fidfopen(C:\codes\Figure12\b\result\6.txt,a);fidfopen(/code/Figure12/b/result/6.txt,a);%%%%%%%%%%%%%%phase 1, construct undirected graph Gn_lpn_lpmax-2;%传感器的个数tao6;n_sensor11;G1zeros(n_sensor,n_sensor);for U5:3:20[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G1for i1:n_sensorfor j1:n_sensorif ijG1(i,j)0;elseG1(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endendend%%%%%%%%%%%%%%%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);endfclose(fid);disp(输出DOPT算法的运行时间);toc%U5;%传感器的充电请求whdistance_sl10;%统一设置传感器与其最近起落点的距离为20kmdis_Gload(G.txt);%由landing points以及它们的边构成的无向图权值是距离kmn_lpmaxlength(dis_G);%起落点的个数%fidfopen(C:\codes\Figure6\a\result\2.txt,a);fidfopen(/code/Figure6/a/result/2.txt,a);%%%%%%%%%%%%%%phase 1, construct undirected graph Gn_sensor100;%传感器的个数n_lpn_lpmax;G1zeros(n_sensor,n_sensor);for U5:3:20[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G1for i1:n_sensorfor j1:n_sensorif ijG1(i,j)0;elseG1(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endendend%%%%%%%%%%%%%%%第三阶段求解ATSPP问题final_timezeros(1,n_sensor);for i2:n_sensordisp(输出第1个传感器到第i个传感器的final solution of ATSPP);ifinal_time(i) ATSPP(G1,1,i,n_sensor);endfinal_time(final_time0)[];disp(输出DSA算法的最终解);final_solutionmin(final_time)fprintf(fid,%d %7.4f\r\n ,U,final_solution);end3参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