摘要
数据收集是无线传感器网络（Wireless Sensor Network，WSN）的重要操作之一。传统的数据收集方式主要以多跳转发为主，容易在汇聚节点（Sink Node）周围出现能量空洞。随后一些研究通过引入移动机器人或小车来进行数据收集，以避免产生能量空洞，但是这些移动机器人或小车移动速度慢且受地形和障碍物的影响较大。近年来，无人机因其具有高机动性、部署灵活以及低成本等特点受到国内外学者的广泛关注，利用无人机进行 WSN 的数据收集也成为研究热点之一。本学位论文引入信息价值（ Value of Information，VoI）的概念并将其作为评价数据收集性能的指标。基于单无人机、多无人机以及大规模场景下的WSN数据收集问题，分别提出最大信息价值优先和连续凸近似（Maximum VoI First and Successive Convex Approximation，MVF-SCA）、均衡分配和K均值（Balanced Allocation and K-Means，BA-KM）和基于直接未来预测（Direct Future Prediction，DFP）模型的航迹规划算法，并通过仿真分析所提算法的性能。论文的主要贡献如下：（1）对于单无人机数据收集场景，提出 MVF-SCA 航迹规划算法，目标是最大化单个无人机收集的VoI。首先，将优化问题建模为一个混合整数非线性规划问题。接着，提出MVF-SCA算法以寻求复杂度低的次优解。最后，将所提出的算法进行仿真。结果显示，MVF-SCA 算法收集的 VoI 比经典的旅行商问题（Traveling Salesman Problem， TSP）算法和贪婪路径规划（Greedy Path Planning，GPP）算法提高约15%-30%。（2）对于多无人机数据收集场景，提出BA-KM算法，目标是最大化所有无人机收集的数据 VoI。该算法将目标区域的节点分为多个无交集的集合，每个节点集合派遣一架无人机并行收集数据。仿真结果表明，对于不同的节点分布，BA-KM 算法比区域等分法和经典的K-Means算法收集性能更稳定。（3）针对大规模WSN场景，提出基于DFP模型的航迹规划算法，目标是最大化收集的总VoI同时保证低电量时无人机及时充电。首先，将大规模WSN以网格分簇，选举簇头节点并确定簇内节点转发策略。接着，提出了一种基于DFP模型的无人机航迹规划方法，其中无人机仅收集簇头节点数据。最后，将所提算法与Q学习（Q-Learning）算法和深度Q网络（Deep Q-Network，DQN）算法进行对比，仿真结果显示，所提算法收集性能优于Q-Learning和DQN算法。
NETL