Подпишитесь на DeepL Pro для редактирования данного документа.

Дополнительную информацию можно найти на странице www.DeepL.com/pro.

Издательская корпорация Hindawi

Международный журнал распределенных
сенсорных сетей Том 2015, Article ID 286080, 19
страниц http://dx.doi.org/10.1155/2015/286080

Исследовательская статья
Эффективный сбор данных с помощью БПЛА в
крупномасштабных беспроводных сенсорных сетях

Чэньлян Ван,1,2 Фэй Ма,2 Чжунхуэй Янь,2 Дебрай Де,3 и Саджал К. Дас3
1Ключевая
лаборатория надежных сервисных вычислений в киберфизическом обществе, Министерство образования,
Чунцинский университет, Чунцин 400044, Китай
2Колледж компьютерных наук, Чунцинский университет, Чунцин 400044, Китай
3D Факультет компьютерных наук, Миссурийский университет науки и технологии, Ролла, МО 65409, США

Корреспонденцию следует направлять по адресу: Chengliang Wang;

wangcl@cqu.edu.cn Получено 17 августа 2015 г.; Пересмотрено 17 октября 2015 г.;

Принято 19 октября 2015 г. Академический редактор: Лоренцо Мукки

Copyright © 2015 Chengliang Wang et al. Это статья с открытым доступом, распространяемая по лицензии Creative
Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение в
любых средствах массовой информации при условии надлежащего цитирования оригинальной работы.
Сбор данных из развернутых сетей датчиков может осуществляться с помощью статического поглотителя, наземного
мобильного поглотителя или мобильного воздушного сборщика данных на базе беспилотного летательного аппарата
(БПЛА). Учитывая масштабные сенсорные сети и особенности развернутых сред, сбор данных с воздуха на основе
управляемого БПЛА имеет больше преимуществ. В данной работе мы разработали базовую схему сбора данных с
воздуха, которая включает следующие пять компонентов: развертывание сетей, позиционирование узлов, поиск
опорных точек, быстрое планирование пути для БПЛА и сбор данных из сети. Мы определили ключевые проблемы в
каждом из них и предложили эффективные решения. В частности, мы предложили алгоритм быстрого планирования
пути с правилами (FPPWR), основанный на разделении сетки, для повышения эффективности планирования пути,
гарантируя при этом относительно небольшую длину пути. Мы разработали и реализовали платформу для
моделирования сбора данных с воздуха из сенсорных сетей и проверили эффективность предложенной схемы на основе
следующих параметров: время сбора данных с воздуха, расстояние до траектории полета и объем собранных данных.

1. Введение таком способе сбора данных удаленные узлы должны

передавать данные по многохоповым маршрутам.
Сбор данных является основной функцией WSN, а Релейные узлы потребляют больше энергии, чем
также важной темой исследований. Основные обычные узлы, что приводит к сокращению
исследовательские работы, касающиеся метода сбора жизненного цикла релейных узлов и возможному
данных на основе WSN, можно разделить на три отключению сегментов сети. Поэтому статический
категории. сбор данных не всегда является адекватным способом.
Первая категория - статический сбор данных.
Статический сбор данных - это вид сбора данных, при
котором стоковый узел фиксирован, а обычные узлы
загружают данные, используя сети с помощью
однохоповой или многохоповой маршрутизации. Этот
вид сбора данных прост и легко реализуем, учитывая
обширные исследования, проведенные в литературе.
Пока сеть развернута, этот вид сбора данных может
быть немедленно введен в эксплуатацию. Однако при
сбора данных в крупномасштабных WSN, особенно в
конкретных сценариях применения.
Второй метод - сбор данных с помощью наземного
мобильного коллектора. Такой мобильный сборщик
данных, обычно представляющий собой транспортное
средство, устанавливается на узле поглотителя для
посещения сети с помощью наземного транспорта и
собирает данные всех узлов в сети. Например, в
городских WSN в качестве мобильного сборщика данных
используется общественный транспорт, такой как
автобусы и такси. В подводных WSN в качестве
мобильного сборщика данных используется автономный
подводный робот, который собирает данные с WSN,
развернутой под водой. Наземный сбор данных может
решить проблему дисбаланса в потреблении энергии и
собирает данные датчиков, даже когда сегменты сети
отсоединяются. Решение проблемы дисбаланса энергии
продлевает срок службы сети и может быть применено в
крупномасштабных WSN. Однако такой способ сбора
данных сильно ограничен наземным транспортом, и его
функции будут ограничены, если наземный транспорт
неудобен. Это может произойти в таких практических
сценариях, как болото, густой
2 Международный журнал распределенных
сенсорных сетей
первобытные леса, или территории, покрытые характерных для сбора данных с воздуха.
радиационным покровом.
Третий метод - сбор данных с помощью воздушных (2) Требуется более надежное определение
мобильных сенсорных узлов. Он использует местоположения узлов. Если WSN развертывается
воздушные транспортные средства для сбора данных с путем распространения датчиков, информация о
WSN, развернутых на земле. Этот вид сбора данных не географическом положении этих сенсорных узлов
только обладает гибкостью мобильного сбора данных, будет неизвестна. Одним из общих решений является
подходящего для крупномасштабных WSN, но и имеет установка GPS-модуля на каждый из сенсорных
следующие преимущества: узлов, и все сенсорные узлы могут осуществлять
самопозиционирование через свой собственный GPS-
(i) Во-первых, среда развертывания может быть модуль и загружать информацию о своем
разной. Для сбора данных с воздуха местоположении через сеть в центр обработки
используется беспилотный летательный аппарат данных перед сбором данных. Это решение может
(БПЛА), который может перемещаться преодолеть недостаток неизвестного местоположения
автоматически в качестве мобильного сборщика сенсорных узлов, но оно требует больших затрат. Во-
данных. Он свободен от ограничений первых, установка большого количества GPS-
мобильности наземного транспорта и может модулей увеличит стоимость сенсорного узла.
быть использован в определенных
контролируемых регионах, куда человек не
может приблизиться.
(ii) Во-вторых, при сборе данных с воздуха данные
собираются гораздо быстрее. По сравнению с
наземным сбором данных, при сборе данных с
воздуха используется управляемый летательный
аппарат, который имеет более высокую скорость
передвижения. Это может увеличить скорость
поиска и посещения узлов и сократить
жизненный цикл сбора данных, если WSN
является крупномасштабной.
(iii) В-третьих, он имеет меньшую задержку и
большую пропускную способность. По
сравнению со сбором данных с воздуха на
поверхность, при сборе данных с воздуха часто
меньше препятствий и большее покрытие
беспроводного сигнала, что может снизить
задержку связи и увеличить пропускную
способность.
Сбор данных с воздуха может быть применен для
сбора данных крупномасштабной WSN и преодолеть
ограничения наземного сбора данных. Тем не менее, он
все еще имеет ключевые проблемы, которые
необходимо решить, например, следующие.

(1) При развертывании сетей отсутствуют

необходимые ограничения, поэтому эффективность
сбора данных с воздуха будет ограничена.
Традиционные WSN включают в себя
мелкомасштабные и крупномасштабные сети. Если
наземный транспорт удобен, при развертывании сети
принято размещать сенсорные узлы вручную.
Расположение этих сенсорных узлов можно
контролировать, а сбор данных на этих сенсорных
узлах является гибким. Для мониторинга районов, где
транспортировка неудобна, наиболее прямым и
эффективным способом развертывания
крупномасштабной сети является использование
воздушных транспортных средств для случайного
размещения или дистанционной съемки сенсорных
узлов. Однако один из важных вопросов, требующих
изучения, заключается в том, как развернуть
крупномасштабную сеть WSN в суровых условиях,
 Международный журнал распределенных 3
сенсорных GPS-позиционирование
Во-вторых, сетей требует много быстрое планирование траектории БПЛА в
энергии, а это нежелательно для сенсорного узла с крупномасштабной сети WSN. Раздел 5 посвящен
ограниченной энергией. Другим общим решением разработке и реализации платформы моделирования
является вычисление местоположения сенсорных узлов с для сбора данных с воздуха. Наконец, мы завершаем
помощью алгоритма локализации RSSI. Хотя это данную работу и указываем несколько направлений для
решение может гарантировать точность наших будущих исследований в разделе 6.
позиционирования, ошибка позиционирования
значительно возрастает при наличии препятствий между 2. Связанные работы
соответствующими узлами.
Исследования WSN были применены в различных
(3) Необходимо эффективное планирование траектории областях. В [2, 3] авторы в целом обобщили
движения летательного аппарата. В настоящее время применение
относительно влиятельные летательные аппараты,
например, управляемый четырехосевой БПЛА [1], не
только устанавливают множество видов датчиков, но и
обладают определенной грузоподъемностью. Кроме того,
управляемые БПЛА с GPS могут посещать цель с
помощью навигационной системы, что обеспечивает
основу для сбора данных в WSN на базе БПЛА.
В данной статье процесс построения воздушного
сбора данных разделен на пять этапов для решения
вышеуказанных проблем и обеспечения сбора данных в
крупномасштабной WSN. Этими пятью этапами
являются (i) развертывание сетей, (ii) позиционирование
узлов, (iii) поиск опорных точек, (iv) быстрое
планирование пути и (v) сбор данных. В данной работе
указываются ключевые проблемы на каждом этапе и
предлагаются решения каждой проблемы. В заключение,
для моделирования сбора данных с воздуха и оценки
параметров производительности, в данной работе была
разработана платформа для моделирования сбора данных
с воздуха и доказана эффективность платформы путем
проведения экспериментов по оценке
производительности.
Основной вклад данной работы заключается в
следующем:
(1) В ней изучаются методы сбора данных при
развертывании крупномасштабной WSN в
районах, где затруднена наземная
транспортировка, а также объясняется порядок
работы по сбору данных с воздуха и основные
проблемы, требующие решения.
(2) В нем представлен алгоритм FPPWR (Fast Path
Planning with Rule), предназначенный для
крупномасштабных WSN. Этот алгоритм
обеспечивает относительно высокую точность и
эффективно повышает эффективность
планирования траектории движения летательных
аппаратов.
(3) В нем разработана и реализована платформа
моделирования для сбора данных с воздуха. Эта
платформа может моделировать сбор данных с
воздуха в крупномасштабных WSN на основе
различных входных параметров и конфигураций
системы и обеспечивает оценку параметров и
информационную обратную связь для сетей в
реальной среде на основе результатов
моделирования.
Остальная часть статьи организована следующим
образом. В разделе 2 мы обсуждаем соответствующие
работы в литературе. Затем в разделе 3 мы предлагаем
схему сбора данных с воздуха. В разделе 4 представлено
WSN в военной области, мониторинге окружающей основе ограничений, таких как энергия узлов и
среды, управлении складами, медицинском объемы данных.
обслуживании и т.д. В соответствии с масштабом В крупномасштабных сетях датчиков некоторые
сенсорных сетей, применяемых в различных областях, из них охватывают специальные регионы
сенсорные сети можно разделить на мониторинга, где условия для наземного транспорта
крупномасштабные сенсорные сети и являются суровыми, например, болота, густые
мелкомасштабные сенсорные сети. Малогабаритные девственные леса и районы, покрытые радиацией. В
сенсорные сети - это WSN, которые развертываются в таких условиях наземный мобильный сборщик
домах [4], офисах [5] и больницах [6] и занимают данных не может следовать запланированному
меньшую площадь. Они используются для обеспечения маршруту, поэтому сбор данных на земле затруднен.
интеллектуальной среды, ориентированной на Для сбора данных разработанный управляемый БПЛА
человека, известной как "умная среда". Например, в [7] может быть использован в качестве мобильного
авторы предложили модель сбора и обработки данных сборщика данных, а данные наземных датчиков могут
на основе паттерна активности, построенного на быть собраны с помощью воздушного движения.
данных датчиков, и применили модель в
идентификации активности и прогнозировании
поведения датчиков для улучшения качества их жизни.
В этой модели дном является WSN, которая отвечает за
сбор данных. Данные датчиков в этой WSN собираются
на сервере через однохоповую или многохоповую сеть
сбора данных. Для определения активности датчиков и
анализа их поведения в реальном времени авторы
построили системное программное обеспечение на
верхней части модели с помощью механизмов
интеллектуального вывода, извлекали и анализировали
данные датчиков при различной точности данных.
Вообще говоря, маломасштабная WSN имеет меньше
узлов, и ее развертывание является гибким. Поэтому
для сбора данных может быть использован
относительно простой статический сбор данных.
По сравнению с мелкомасштабными сетями,
крупномасштабные сети - это WSN, развернутые в
городе [8], среде обитания диких животных [9] или
водоеме [10], которые покрывают большую площадь.
Сбор данных в такой сенсорной сети может
осуществляться с помощью наземного сбора данных
[11]. В качестве примера в [11] автор предложил MULE
- трехслойный сбор данных с помощью мобильного
коллектора. Он может быть применен для сбора
данных в крупномасштабной WSN низкой плотности.
Когда мобильный сборщик данных приближается к
сенсорным узлам, он начинает собирать данные с
датчиков при определенном уровне сигнала и временно
сохраняет данные в устройстве хранения данных,
которое он несет на борту. В [12] авторы представили
эвристический алгоритм поиска для планирования пути
к опорным точкам мобильного сборщика данных в
сети. Кроме того, в [13] те же авторы использовали
смешанное целочисленное линейное
программирование (MILP) в качестве основы и
предложили алгоритм планирования пути,
специфичный для однохопового сбора данных. В работе
[14] исследован маршрут между мобильным
устройством сбора данных и наземными сетевыми
узлами и предложен оптимизированный протокол связи
для сбора данных, что позволило увеличить
энергоэффективность и срок службы. Для дальнейшего
повышения эффективности сбора данных в работе [15]
использовались SenCar с несколькими антеннами,
которые могли принимать данные одновременно в
сети, и оптимизировали процесс сбора данных на
 Исследовательская работа по управляемому сбору аэрофотосъемки
данных с воздуха на основе БПЛА из WSN привлекает
внимание в последнее время. В [16] авторы провели Согласно исследованию сбора данных с воздуха,
эксперименты и доказали, что когда скорость проведенному в данной работе, весь процесс сбора
летательного аппарата ограничена определенным данных с воздуха можно разделить на пять этапов. Это
диапазоном, сен-сорные узлы, находящиеся на этом (i) развертывание сетей, (ii) позиционирование узлов,
летательном аппарате, осуществляющие беспроводную (iii) поиск опорных точек, (iv) быстрое планирование
связь и взаимодействие данных с WSN, аналогичны пути и (v) сбор данных. На всех пяти этапах,
статическим узлам, осуществляющим беспроводную
связь и взаимодействие с WSN. Эта теория заложила
основу для последующих исследовательских работ по
сбору данных с воздуха. В [17] авторы предложили
протокол маршрутизации MAC-уровня для сбора данных
на основе воздушного транспортного средства. В этом
протоколе данные передаются через воздушную
маршрутную платформу, что позволяет избежать
энергопотребления, вызванного обычной многохоповой
маршрутизацией, и повысить энергоэффективность. В
[18] авторы установили сотрудничество между БПЛА и
WSN, использовали БПЛА для сбора данных WSN и
обновляли траекторию полета БПЛА в соответствии с
данными обратной связи WSN для достижения более
эффективного сбора данных WSN. В [19] авторы
предложили применить структуру и протокол связи к
воздушной WSN БПЛА. Воздушный сбор данных на
основе БПЛА не только собирает данные в
крупномасштабной WSN, но и решает проблему
ограничения сбора данных на земле, когда наземный
транспорт неудобен. Эти исследовательские работы в
основном сосредоточены на решении практической
проблемы с БПЛА при сборе данных с воздуха. Однако
базовые основы для сбора данных с воздуха в основном
исследуют развертывание сети и расположение
сенсорных узлов, а также метод оценки параметров сбора
данных с воздуха. В [18] автор использовал воздушный
сбор данных на основе кластера. Сеть, состоящая из
сенсорных узлов, развернутых в контролируемой среде,
была разделена на различные кластерные регионы. Когда
летательный аппарат приближается к кластерному
региону, ему необходимо установить связь только с
головным кластером в регионе сбора данных, чтобы
выполнить сбор данных в кластерном регионе. Однако
другие узлы-участники должны передавать данные по
крайней мере через один ретрансляционный узел, чтобы
загрузить данные на воздушное транспортное средство.
Учитывая, что беспроводной сигнал покрывает
определенную область, летательному аппарату нужно
остановиться только один раз, чтобы собрать данные с
датчиков посредством одноцепочечной маршрутизации в
том же беспроводном сигнале. Для получения
минимального покрытия сети в работе [20] предложен
один из видов метода генерации сетки, который может
получить минимальное количество кругов в глобальной
зоне с помощью схем аппроксимации с полиномиальным
временем. Сбор данных с воздуха требует от сенсорных
узлов точной информации о местоположении, чтобы
навигация БПЛА была точной. В [21] авторы
предложили алгоритм распределенного определения
местоположения узлов на основе вероятности, который
может обеспечить точное определение местоположения
узлов в наружной среде с шумовыми помехами.

3. Общая схема сбора данных с помощью

быстрое планирование пути БПЛА является ключевым
в данной работе. Позиционирование узлов и поиск
опорных точек являются ключевыми алгоритмами,
которые будут подробно рассмотрены в этой главе. В
этой главе также будут даны решения по
развертыванию сетей и сбору данных. Процесс показан
на рисунке 1.
3.1. Развертывание сети. Крупномасштабные WSN,
среда развертывания которых является враждебной,
часто развертываются с помощью воздушных
транспортных средств, распространяющих узлы, или
узлов, снимаемых дистанционно. В таких условиях
узлы будут беспорядочно разбросаны
контролируемой области. Если распределение узлов не
имеет правил, то в некоторых областях сети узлы будут
плотными, в то время как в других областях сети узлы
будут редкими или их вообще не будет. Это приведет к
тому, что приложение мониторинга будет уязвимо к
пропущенному зондированию или обнаружению.
Таким образом, при развертывании сенсорной сети
развертывание узлов должно быть быстрым и
эффективным, а также узлы в контролируемом регионе
должны быть относительно хорошо распределены.
Кроме того, позиционирование узлов для сбора данных
с воздуха должно основываться на распределенной
сети. В сети существует две категории узлов: узлы-
маяки и неизвестные узлы [20]. Маячковые узлы - это
узлы, географическое положение которых известно, что
обычно реализуется путем установки GPS-модуля, а
неизвестные узлы - это узлы, географическое
положение которых ожидает позиционирования. Для
того чтобы получить информацию о положении всех
узлов, узлы-маяки и неизвестные узлы должны быть
однородно перемешаны в соответствующем
соотношении. 𝑆 обозначает совокупность сенсорных
узлов. Таким образом, 𝑆 = {𝑠1, 𝑠2, 𝑠3, ...} - это множество
узлов, развернутых в контролируемой среде. На
рисунке 1(a) показаны блок-схема и схема
развертывания воздушного сбора данных. На рисунке
𝑠1 и 𝑠3 - узлы-маяки, несущие GPS-модуль, а 𝑠2 и 𝑠4 -
обычные развернутые узлы.
3.2.Позиционирование узлов. После развертывания всех
узлов следующим шагом будет позиционирование
WSN. Информация о местоположении узлов-маяков
может быть получена с помощью модуля GPS. Таким
образом, основная проблема заключается в том, как
использовать известную информацию о которые должны быть позиционированы. Если среда, в
местоположении узлов-маяков для позиционирования
других неизвестных обычных узлов, чтобы
подготовиться к навигации воздушного транспортного
средства и сбору данных. 𝑠𝑝 представляет собой
местоположение 𝑠. Таким образом, местоположение
множества узлов в сети имеет вид
𝑆𝑝
= {𝑠𝑝, 𝑠𝑝, 𝑠 𝑝 ,...}.
1 2 3
При исследовании позиционирования узлов
алгоритм позиционирования основан на измерении
расстояния. Этот алгоритм обеспечивает относительно
Алгоритм распределенного размещения узлов на
основе вероятности является важной функцией и будет
реализован в платформе моделирования для сбора
данных с воздуха и обеспечит позиционирование узлов
для системы моделирования. Процесс распределенного
размещения узлов на основе вероятности будет
изложен в разделах 3.2.1 и 3.2.2. Более подробная
информация об алгоритме приведена в [22].
3.2.1. Распределенное местоположение узла на основе
вероятности. Алгоритм, описанный ниже, основан на
RSSI. Благодаря многочисленным тестам и
в статическому анализу, когда уровень беспроводного
сигнала фиксирован, относительное расстояние между
неизвестными узлами и узлами маяка соответствует
нормальному распределению [20]. На рисунке 2(a)
показано распределение вероятности относительного
расстояния между неизвестными узлами и узлами-
маяками при уровне сигнала 70 (это относительная
величина без единиц измерения). После подгонки под
функцию нормального распределения среднее значение
кривой нормального распределения составляет 25
метров, как показано на рисунке. Это означает, что при
уровне сигнала 70 относительное расстояние 25 метров
является более надежным. При различном уровне
сигнала результаты подгонки относительных
расстояний отличаются. На рисунке 2(b) [22] показано
распределение вероятностей при различном уровне
сигнала, который варьируется от 66 до 90.
Исходя из вышеупомянутого распределения
вероятности, для позиционирования неизвестных узлов
можно использовать два узла-маяка одновременно,
чтобы повысить точность позиционирования. На
рисунке 3(a) показан процесс позиционирования одного
неизвестного узла двумя узлами-маяками. 𝑆1 и 𝑆2 - это
узлы-маяки.
𝑆3 - неизвестный узел, который необходимо
позиционировать. Информация о местоположении 𝑆1 и
𝑆2, которую получает 𝑆3, соответствует гауссовскому
распределению. Поэтому 𝑆3, скорее всего, будет
находиться в среднем значении гауссова
распределения. Таким образом, информация о
местоположении
𝑆3 идентифицируется, как показано на рисунке 3(b).
Когда среда одинакова, нормальное распределение
силы сигнала и относительного расстояния
фиксировано, что может быть измерено средним
значением и дисперсией, а затем сохранено в узлах,
которой были развернуты узлы, изменилась, узлы могут
изменить соответствующее среднее значение и
дисперсию, чтобы адаптироваться к новой среде и
точно позиционироваться.
3.2.2. Описание алгоритма. 𝑃 - это информация о
местоположении узлов, а 𝐶 представляет собой
ограничение на то, что расстояние rel- ative меняется с
изменением уровня сигнала.описание процесса
Алгоритм 1 дает подробное
точное позиционирование, но имеет высокое
энергопотребление и ограниченные требования к
аппаратному обеспечению, например, измерение
расстояния по времени прибытия (ToA), измерение
расстояния по разности времени прибытия (TDoA),
измерение расстояния по углу прибытия (AoA) и
измерение расстояния по индикатору уровня
принимаемого сигнала (RSSI).
В результате исследования и сравнения, в данной
работе принят алгоритм распределенного определения
местоположения узла на основе вероятности,
поскольку этот алгоритм может обеспечить
относительно точное позиционирование при наличии
препятствий и электромагнитных помех и подходит для
сбора данных с воздуха.
позиционирование узлов.
В этом алгоритме ключевым шагом является
вычисление значения ограничения 𝐶 (строка (7) - строка
(13)). В соответствии с различными источниками
информации о местоположении, ограничение 𝐶 можно
разделить на две категории. Методы вычисления
ограничения
𝐶 для этих двух категорий различны. Следовательно,
мы имеем следующее:
1. Если информация о местоположении поступает
от сигнала маяка, то значение 𝐶 соответствует
гауссовскому нормальному распределению.
2. Если информация о местоположении поступает
от неизвестного узла, то значение 𝐶
соответствует каскадному гауссу
 Датчики с Развертывание WSN
GPS
Экологический регион

Развертывание WSN
Норма
льные Диагра
датчик Засеять
Равномерно перемешать мма
S1 датчики с
Большое S4 помощью
количество S2 самолетов
S3
дискретных
Сеть Ad hoc
Крупномасштабные
Развертывание потока Схема развертывания

датчика GPS
(a) Нормальный датчик

Подключенная сеть
Локализация

Местонахождение
Диаграмма
Узлы маяка запросНеизвестные узлы

S 1
WSN с расположенными датчиками S4 S
2 S3
Локализация WSNs
Поток локализации
Диаграмма локализации

Узел маяка
Неизвестный узел
Беспроводная связь
(b)
Информация о местоположенииПокрытие
радиус R 2 3 6 14
5 12 15
Вход Вход
Приобретение опорных точек

Диаграмма 1 10 11 13
Покрытие базовых станций с минимальным суммарным радиусом 8 9 16
7
4
31 20 19
Выход 30 24
Набор головных узлов 17
28 27
23
Поток мини-покрытия 25 21
32 29 26
Схема мини-узла

ввода/вывода покрытия
Головной узел
Траектория полета
(c)

Наборы головных узлов

35 6 9 11 14 15
Быстрое планирование пути

Вход 12 8 10 12 13 16
4 7
Диаграмма 31 30 28 27 24 23 20 19 17
FPPWR
25 22
Выхо 32 2926 2118
3639 40 41 45
д 33 46
3842 44 47
35 37
Траектория 34 43
полета
Поток быстрого
планирования пути Диаграмма быстрого планирования пути

Узел Направление
ввода/выв траектории
ода БПЛА
Головной
(d)
узел Путь
полета

Рисунок 1: Продолжение.
 502 513 14 15
56 6 12
49 52
5
1 53 10
48 54 8
4 79 11 13
55 16

31 24 19
2723 20
28 17
Сбор данных WSN 32 30 29 25 22
26
Период времени 21 18
45
33 36
Повторная диаграмма
Загрузка данных датчиков в БПЛА
39
40
Сбор данных

34 41
После получения доступа ко всем датчикам 46
38 44
Загрузка данных с БПЛА в центр обработки данных 37
35 43
42
47
Поток сбора данныхСхема сбора данных

Охват
Нормальный
узел Головной
узел
(e)

Рисунок 1: (a) Развертывание: развертывание датчиков с помощью самолетов или других ракет-носителей. (b) Локализация:
неизвестные узлы определяют свое местоположение с помощью узла-маяка. (c) Приобретение опорных точек: расчет мини-
покрытия WSN. (d) Быстрое планирование траектории: планирование траектории полета БПЛА с использованием сетки.
(e) Сбор данных: БПЛА с узлом поглотителя и накопителем используется для сбора данных.

0.25

0.2
Функция распределения вероятностей

0.45
0.4
0.15 0.35
0.3
0.25
pdf

0.1 0.2
0.15
0.1
0.05 0.05
0
80
60 90
005 10 85
40 80
15 20 25 30 35 40 45 50 20 75
0 65 70
Расстоя
ние
(b)
(a)

Рисунок 2: (a) Распределение вероятности при сигнале 70. (b) Распределение вероятностей при различном уровне сигнала
(источник рисунка: [22]).

3
3

1 2 1 2
Рисунок 3: (a) Местоположение неизвестного узла. (b) Окончательное положение
(источник рисунка: [22]).
 области содержит все покрытые круги (это
(1) для каждого неизвестного узла сделать называется абсолютным покрытием). Затем
(2) откройте файл журнала; уменьшите количество кругов. Когда число
(3) инициализировать оценку положения 𝑃 для всего окружностей уменьшается до 𝑛 - 1, независимо от
пространства; того, как расположены оставшиеся окружности, они
(4) для каждой строки в файле сделать не могут покрыть все узлы. Значит, 𝑛 - минимальное
(5) инициализировать ограничение 𝐶 на 𝑁𝑈𝐿𝐿; число окружностей в данной области, и
(6) установить указатель на среднее значение 1; соответствующее им расположение
(7) while !End of (row) do
(8) прочитать среднее значение,
среднеквадратичное значение;
(9) вычислить новое ограничение 𝐶;
(10) 𝐶 = 𝐶+ 𝑁;
(11) увеличить указатель на;
(12) указывают на следующее среднее значение;
(13) конец пока
(14) 𝑃 = 𝑃∩ 𝑈;
(15) конец для
АЛГОРИТМ 1: LOC.

распределение, которое получается в результате

свертки всех индивидуальных распределений.
Расчет ограничения 𝐶 специфичен для отдельного
фрагмента информации о местоположении. Процесс
работы всего алгоритма выглядит следующим образом:
1. Во-первых, посетите все неизвестные узлы и
используйте глобальный регион для
инициализации информации о местоположении
𝑃 узла (линия (1)).
2. Во-вторых, для каждой части информации о
местоположении, полученной неизвестным
узлом, вычисляется значение ограничения 𝐶
(строки (7) - (13)).
3. Значение ограничения 𝐶 пересекает исходную
информацию о местоположении 𝑃. Если
точность позиционирования улучшилась, то
обновите информацию о местоположении
текущего узла.

3.3.Поиск опорной точки. После завершения

позиционирования WSN центр обработки данных может
получить набор, состоящий из информации о
местоположении узлов. Зона покрытия беспроводным
сигналом сенсорных узлов может рассматриваться как
фиксированный радиус, который называется покрытым
кругом. 𝑅 обозначает радиус охватываемого круга.
Минимальное покрытие сети может быть получено с
помощью метода минимального охватывающего круга.
На рисунке 1(c) показаны блок-схема и принципиальная
схема, соответственно. Для крупномасштабной
сенсорной сети при сборе данных с воздуха для расчета
минимального покрытия сети используется метод
разделения сетки, описанный в [20], который
реализован в платформе моделирования для сбора
данных с воздуха.
и обеспечивает минимальное покрытие для системы
моделирования.
В обычном минимальном круговом покрытии часто
используется метод полного поиска. Сначала
предполагается, что минимальное покрытие во всей
является решением вопроса с минимальным покрытием. два квадрата, 𝐽1 и 𝐽2, и делится на два различных
Но этот алгоритм подходит для небольших сетей. Когда дисковых участка, 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟1 и 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟2. Также
речь идет о крупномасштабной сети, этот алгоритм круговая область 𝐷4 разделена на два дисковых
представляет собой NP-трудную задачу, поскольку участка,
количество узлов слишком велико. Для того чтобы 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟3 и 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟4. Итак, в квадрате 𝐷𝐽 1(0, 0) = {𝐷1, 𝐷2,
убедиться, что метод разделения сетки может быть 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟1, 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟2, 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟5}. Таким образом,
использован в крупномасштабной сети, предпринимаются вычислить минимальное покрытие 𝐽1 - значит получить
следующие шаги. Во-первых, разделите весь регион на минимальное покрытие путем полного исследования
несколько квадратных областей одинакового размера. Во- множества 𝐷𝐽 (0, 0). Если в качестве
1
решения для
вторых, используйте метод полного перебора для расчета минимального покрытия выбран дисковый сектор, то
минимального покрытия сенсорных узлов в каждом круговая область
квадрате. Затем, объедините минимальное покрытие
каждого квадрата в одно целое, которое и будет
минимальным покрытием всего региона. Как показано на
рисунке 1(c), после преобразования информация о
местоположении узлов вводится в алгоритм
минимального охватывающего круга. После расчета
получается набор случаев минимального охвата круга и
соответствующий ему набор узлов 𝑆min. В этом
алгоритме ключевым моментом является разделение
сетки. На этой схеме показана только часть деления
корневой сетки, также известной как родительская сетка.
Родительская сетка обозначается PG. В PG расстояния
между двумя соседними горизонтальными линиями и
между двумя соседними вертикальными линиями равны и
составляют 2𝑅. Количество горизонтальных линий и
вертикальных линий должно обеспечивать покрытие
всех сенсорных узлов сеткой. На схеме показана
корневая сетка размером 6 × 6, и все сенсорные узлы
находятся под покрытием сетки. Процесс работы
алгоритма будет изложен в разделах 3.3.1 и 3.3.2. Более
подробно процесс алгоритма и его эффекты показаны в
[20].
3.3.1. Разделение сетки. В корневой решетке PG,
когда 0 ≤ V,ℎ < 𝑘, строится подрешетка SG(V, ℎ). Пока 0 ≤
ℎ < 𝑘, VL(V) обозначает совокупность вертикальных
линий PG, модуль индекса которых на
𝑘 равно V. Аналогично, пока 0 ≤ ℎ < 𝑘, HL(ℎ) обозначает
совокупность горизонтальных линий PG, модуль индекса
которых на 𝑘 равен ℎ. Итак, вертикальные и
горизонтальные линии подрешетки SG(V, ℎ) состоят из
VL(V) ∪ HL(ℎ).
Для фиксированного индекса горизонтального
разбиения V и индекса вертикального разбиения ℎ
горизонтальная линия и вертикальная линия SG(V, ℎ)
делят глобальную область на несколько квадратных
областей с длиной стороны 2𝑅 × ℎ. Каждая из квадратных
областей называется квадратной областью и
обозначается 𝐽. Любая непустая
𝐽, содержащий одну или более круговых областей,
обозначается 𝐷. Заметим, что бывают ситуации, когда
круговая область не полностью содержится в 𝐽.
Определим место пересечения круговой области и 𝐽 как
сектор диска, 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟. Итак,
𝐷-𝑆𝑒𝑐𝑡𝑜𝑟 = 𝐽 ∩ 𝐷. Каждая круговая область, которая
полностью содержится в 𝐽, может рассматриваться как
особый вид 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟. Таким образом, в непустом 𝐽
существует один 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟 или больше. Набор
𝐷𝐽(V, ℎ) обозначает все 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟, содержащиеся в 𝐽. Для
различных квадратов 𝐽 и 𝐽, 𝐷𝐽(V, ℎ) ∩ 𝐷𝐽 (V, ℎ) = ⌀.
Как показано на рисунке 4, разделите сетку SG(0, 0), когда
𝑘 = 2, V = 0, и ℎ = 0, и сетка была разделена на четыре
квадрата -𝐽1, 𝐽2, 𝐽3, и 𝐽4. Круговая область 𝐷3 пересекает
 2 v
0 2 ∗ 2R 4
J1 D-сектор1 D-сектор2 J2
D-сектор3 D1 D2D3 D-сектор4 D5
D4

2 D-сектор5 D6
J3 D7 J4
D8
h D9

Рисунок 4: Подразделения сетки SG(0, 0) (𝑘 = 2, V = 0, и ℎ = 0). 𝑈. Циклически уменьшайте количество элементов 𝐷-

𝑆𝑒𝑐𝑡𝑜𝑟 в 𝑈 до тех пор, пока 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟 в 𝑈 не покроет
все узлы в 𝐽 и количество 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟 нельзя будет
который содержит секцию диска, будет выбран в больше уменьшить. Значит, 𝑈 является решением.
качестве ответа. Исходя из этого правила, при Алгоритм 3 цитирует алгоритм 2. Основная задача
вычислении минимального покрытия через деление этого алгоритма - выполнить сеточное деление всего
сетки может возникнуть такая ситуация; как показано региона. А затем использовать алгоритм 2 для
на рисунке, в 𝐽1, если в качестве минимального вычисления минимального
покрытия выбрать 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟3, то решением будет 𝐷3.
Аналогично, в 𝐽2 выбрать 𝐷-𝑆𝑒𝑐𝑡𝑜𝑟2 в качестве
решения минимального покрытия окружности означает
выбрать 𝐷4 в качестве решения минимального
покрытия окружности. В действительности 𝐷3 и 𝐷4
перекрывают друг друга. Таким образом, при делении
сетки расположение круговой области на линии сетки
может привести к тому, что одно деление сетки не
сможет получить оптимальное решение.
Для получения необходимого оптимального
решения требуется несколько раз разделить
подсеточную сетку. Когда задано значение 𝑘, значения V
и ℎ находятся на интервале [0, 𝑘- 1] и существуют
𝑘 × 𝑘 возможностей. OPT(V, ℎ) обозначает оптимальное
решение, когда значение V,ℎ фиксировано и подсеточка
разделена. Тогда существует 𝑘 × 𝑘 оптимальных
решений и наименьшее решение из всех оптимальных
решений является окончательным решением, OPT(V, ℎ).
Тогда, OPT(], ℎ) = min(OPT(], ℎ)) (0 ≤ ],ℎ ≺ 𝑘).
Это оптимальное решение является решением
минимального покрытия в круговой области. После
преобразования круговой области в соответствующие
узлы, текущее множество круговых областей
преобразуется в соответствующее множество узлов, то
есть 𝑆min, а положение соответствующего узла в 𝑆min
будет якорной точкой для БПЛА. Таким образом,
задача поиска минимального покрытия для сбора
данных с воздуха будет выполнена.

3.3.2.Алгоритм минимального охватывающего круга.

Алгоритм 2 изображает получение минимального
покрытия в одной сетке. Этот алгоритм рассматривает
непустой квадрат 𝐽 в качестве входа, после чего
вычисляет и выводит минимальное покрытие 𝐷𝐽
квадрата 𝐽. В этом алгоритме множество 𝑈
определяется как набор из
𝐷-𝑆𝑒𝑐𝑡𝑜𝑟 в 𝐽, и теперь 𝑈 содержит все элементы в 𝐽. То
есть 𝑈 абсолютно покрывает 𝐽. Count - количество
элементов в решении. 𝑈 - это начальное решение; тогда
начальное значение Count - это количество элементов в
 Входные данные: Область покрытия круговой области
𝐽;
Выходные данные: Минимальное покрытие этого
региона 𝐷𝐽;
(1) Инициализируйте множество 𝐷𝐽(V, ℎ) как все
элементы в 𝐽;
АЛГОРИТМ 2: CALCOVER. (2) Инициализируйте Count как размер 𝐷𝐽(V, ℎ);
(3) while Count уменьшается на 1 после каждого цикла
do
(4) если все комбинации левого 𝐷-сектора не
покрытие каждого непустого квадрата после получения могут покрыть все элементы, то
набора квадратов путем деления и объединить все (5) 𝐷𝐽 = 𝑈;
минимальные покрытия каждого квадрата в глобальное (6) вернуться 𝐷𝐽;
минимальное покрытие. Теперь сетку все еще нужно (7) else
многократно делить и каждый раз получать глобальное
минимальное покрытие. В конце концов, глобальное
минимальное покрытие, содержащее наименьшее
количество узлов, является окончательным решением.
Ключевым моментом алгоритма является получение
непустого квадратного множества 𝐺(V, ℎ) для каждой
группы V,ℎ и вызов алгоритма 2 для каждого 𝐽 в 𝐺(V, ℎ) для
вычисления решения минимального покрытия 𝑀𝐽(V, ℎ)
для всего набора круговых областей 𝐷𝐽(V, ℎ) в 𝐽. После
деления сетки объедините все 𝑀𝐽(V, ℎ), удалите
перекрывающиеся области и оставьте глобальное
минимальное покрытие 𝑀(V, ℎ) этого деления сетки.
Поскольку при делении сетки возникают ошибки в
минимальном охвате окружности, сначала сохраните
фиксированное значение 𝑀(V, ℎ) в наборе результатов OPT.
Когда все глобальные минимальные покрытия всех
комбинаций V,ℎ будут выполнены, возьмите глобальное
минимальное покрытие в OPT, которое имеет
наименьшее количество круговых областей, в качестве
окончательного решения.

3.4. Планирование траектории движения летательных

аппаратов. Узлы в 𝑆min могут быть использованы в
качестве опорных точек для сбора данных БПЛА. Эти
узлы называются головными узлами. Суть планирования
пути БПЛА заключается в построении оптимального
пути на основе 𝑆min, который мог бы посетить все
головные узлы. Процесс посещения всех узлов от
начальной до конечной точки можно рассматривать как
классическую задачу о путешествующем продавце (TSP).
TSP является NP-трудной задачей. Чтобы быстрее
получить путь воздушных транспортных средств, в
данной работе предлагается алгоритм FPPWR. Учитывая,
что сеть является крупномасштабной, а размещение
узлов хорошо распределено, в данной работе
используется метод разделения сетки, описанный в
разделе 3.3.1, и планирование пути в глобальном регионе
делится на квадраты, а затем объединяет пути в
квадратах на основе принципа приоритета линии - то
есть квадрат в одной линии предшествует другим при
сканировании.
На рисунке 1(d) показан ключевой этап планирования
траектории движения летательного аппарата. На рисунке
1(d) показано деление сетки во время расчета и
глобальный региональный путь 𝑊 для воздушных
аппаратов, полученный с помощью алгоритма быстрого
планирования пути. Алгоритм быстрого планирования
пути будет подробно рассмотрен в разделе 4.
 Вход: 𝑘;
Выходные данные: Серия точек представляет собой окончательное решение 𝑆min;
(1) for V = 0; V < 𝑘; V++ do
(2)for ℎ = 0; ℎ < 𝑘; ℎ++ do
Вычислите непустое множество подрешеток 𝐺(V, ℎ);
для каждого элемента в 𝐺(V, ℎ) сделать
Вычислите минимальный набор покрытий
𝑀𝐽(V, ℎ) = MINCOVER(𝐽);
Объединить 𝑀𝐽(V, ℎ) в глобальное минимальное покрытие
𝑀𝐽(V, ℎ) = ⋃ 𝑀𝐽(V, ℎ);
𝐽∈𝐺(V,ℎ)
конец для
Добавьте 𝐺(V, ℎ), полученное в результате этого деления, в разрешающее множество OPT;
конец для
(10) end for
Для всех элементов в 𝑃 вычислите покрытие, которое имеет минимальное число окружностей в качестве конечного разрешения 𝑆mi
return 𝑆min

АЛГОРИТМ 3: MINCOVER.

3.5. Сбор данных. На рисунке 1(e) показаны блок-схема траектория полета, основанная на традиционных
и схема раздельного сбора наземных данных. Когда методах решения TSP, имеет нерегулярность. Такая
узлы сети завершают самопозиционирование, они нерегулярность может легко привести к разрыву
отсоединяют связь и переходят в режим низкого пространства при сборе данных и не подходит для
энергопотребления - беспроводной модуль переходит в сбора данных с воздуха в крупномасштабных WSN.
состояние покоя, а сенсорный модуль начинает сбор Конкретно для
данных. После завершения сбора данных сенсорные
узлы хранят их в собственном хранилище с
ограниченной емкостью. Через определенный период
времени воздушный аппарат входит в сеть по
запланированному маршруту, соединяется с
наземными узлами для определения места сбора
данных и начинает собирать данные с сенсорных узлов,
находящихся в зоне действия сигнала. С целью
экономии энергии сенсорные узлы загружают данные с
помощью одноцепочечной маршрутизации.

4. FPPWR для сбора данных с воздуха

Процесс сбора данных с воздуха можно описать
следующим образом. В ряде целевых точек мобильный
сборщик данных должен найти путь, который стоит
меньше всего, посетить целевые точки только один раз
и вернуться в начальную точку. Эта задача может быть
абстрагирована как задача TSP. Как посетить целевую
точку с наименьшими затратами - вот ключ к решению
этой проблемы. В настоящее время изучение проблемы
TSP можно разделить на следующие пять методов.
Первый - динамическое программирование. Второй -
жадный алгоритм. Третий - метод определения ветвей.
Четвертый - метод обратного хода и пятый -
генетический алгоритм. Эти методы могут найти
решение проблемы TSP, но они имеют высокую
временную сложность и легко погружаются в
локальный оптимум.
Когда сенсорная сеть имеет большое количество
целевых узлов, использование обычных методов для
решения TSP и поиска траектории полета летательного
аппарата занимает много времени. А с ростом масштаба
эти традиционные алгоритмы даже могут не найти
окончательного решения проблемы. Кроме того,
Для решения вышеуказанных проблем в данной работе
представлена основная траектория полета и предложен
выполнимый алгоритм FPPWR для сбора данных с
воздуха. Этот алгоритм в основном использует метод
разделения сетки в [20] и делит глобальные узлы на все
субрегионы. Затем он объединяет пути в субрегионах
через основной путь полета и, наконец, быстро получает
глобальный путь полета с определенными правилами.

4.1. Связанные работы по планированию траектории

БПЛА. В настоящее время растет интерес к
исследовательским работам по сбору данных с воздуха на
основе управляемых БПЛА. Основой этих исследований
является то, что БПЛА может гибко управляться и
выполнять полетное задание, следуя намеченному плану
полета. Ланге и др. [23] заявили о высокоэффективном
управляемом БПЛА с несколькими осями. Этот БПЛА
может зависать или приземляться в определенном месте
с помощью навигационной системы GPS, когда он несет
определенную нагрузку.
Планирование пути для сбора данных с воздуха
заключается в посещении каждого целевого узла с
наименьшими затратами. В некоторых приложениях
стоимость может быть представлена евклидовым
расстоянием. В [18] сенсорные сети часто
развертываются в больших удаленных малонаселенных
районах, и наземный транспорт неудобен. Авторы
позволили нескольким БПЛА работать вместе и провели
планирование пути для набора узлов, за которые
отвечает каждый БПЛА. Процесс посещения узлов
одним БПЛА можно рассматривать как TSP. Авторы
использовали жадный алгоритм для поиска кратчайшего
пути полета. Хотя этот алгоритм может быстро найти
путь полета, он часто не может найти оптимум. В [24]
для решения TSP авторы использовали метод
определения ветвей, специфичный для TSP. Метод
определения ветвей является одним из способов,
позволяющих найти точное решение задачи. Однако этот
метод требует много времени. Когда узлов слишком
много, метод не может найти окончательное решение. В
настоящее время лучшим способом решения TSP
является алгоритм Лин-Кернигана-Хельсгауна [25].
Временная сложность алгоритма может достигать
𝑂(𝑛2.2). Для дальнейшего уменьшения временных затрат
алгоритма LKH в [26, 27] авторы предложили
модифицированный алгоритм, основанный на
обобщенном TSP. Алгоритм LKH представляет собой
алгоритм с
 Рейсовый путь - это путь, основанный на узле 𝐻,
ищущий путь от начального узла до конечного узла с
доступом ко всем промежуточным узлам,
обозначаемый 𝑊.
Первичный путь полета - это путь, который может
обращаться к направленному пути всех
промежуточных квадратов от начального квадрата до
конечного.
Идеальная траектория - это некая траектория полета
J1 H3 J2
с определенной изменчивостью и следующая за
WJ2 H5 основной траекторией полета.
W Квадратный путь, также называемый местным путем,
H1 W2 H6
Начало означает путь полета
𝑊, который разделен на квадраты при делении
H2
сетки. 𝑊𝐽 обозначает траекторию полета квадрата 𝐽.
W1 H4
WJ2 J3
FPPWR - это траектория полета, образованная всеми
траекториями сетки, которые имеют уникальный
J4
направленный путь.
H7 Узел входа - это первый узел 𝐻 в квадрате 𝐽, к
H11
Узел H H8 которому ведет направленный квадратный путь 𝑊𝐽,
Квадратный путь
Желаемый путь обозначаемый 𝐻in.
Path with greedy algorithm
Первичная Выходной узел - это последний узел 𝐻 в квадрате 𝐽,
H10
траектория полета H9 доступ к которому осуществляется через
Конец направленный квадратичный путь 𝑊𝐽, обозначаемый
H12
𝐻out.
Как показано на рисунке 5, это схема решетки
деление и путь полета 12 узлов 𝐻. Жадный путь 𝑊1 -
это путь полета, начинающийся в узле 𝐻1 и
заканчивающийся в узле 𝐻12, который ищет
ближайший узел в качестве следующего узла обхода
под руководством жадного алгоритма. В квадрате 𝐽2
текущий квадрат
Рисунок 5: Планирование пути в сетке, где существует 12 𝐻 образована многоугольными линиями 𝑊𝐽 и 𝑊 , поэтому 𝑊1
узлов. является неправильным
2 𝐽2
обозначает набор сенсорных узлов из оптимального
самая низкая временная сложность решения TSP. решения. Здесь речь идет о сетке и квадрате, которые
Однако у него есть два недостатка. Во-первых, он можно обозначить 𝐺 и 𝐽 по отдельности. В сетке 𝐺
может не найти оптимального решения за один раз
эвристического исследования. Для нахождения
оптимального решения может потребоваться несколько
раундов, что может занять больше времени. Во-вторых,
при увеличении масштаба задачи временные затраты
будут расти 𝑂(𝑛2.2).
Для тех сенсорных сетей, узлы которых хорошо
распределены, планирование пути узлов можно
рассматривать как исключение из TSP. В то же время,
учитывая, что развертывание сенсорной сети является
крупномасштабным, использование сеточного деления
может обеспечить высокую точность планирования
пути и значительно сократить затраты времени.

4.2. Модели и определения. Для крупномасштабной

сенсорной сети, развернутой в контролируемой среде, 𝑆
обозначает множество всех сенсорных узлов. Для
каждого функционирующего узла существует
покрытие беспроводным сигналом окружающей его
среды. В подключенной сенсорной сети узлы могут
взаимодействовать друг с другом посредством
беспроводного сигнала; как следствие, должен
существовать большой масштаб перекрытия. 𝐺opt
обозначает оптимальное решение разделения сетки с
помощью алгоритма минимального покрытия, а 𝑆opt
путь. 𝑊 - основная траектория полета (обозначается
воображаемой линией);
он входит в 𝐽1, проходит через 𝐽2 и 𝐽3 и выходит из 𝐽4.
Однако 𝑊2 является регуляризированным путем с
определенной волатильностью вдоль основного пути
полета. Исходя из 𝑊2, можно обнаружить, что в квадрате
Узел 𝐽1 является входящим узлом, а узел 𝐻3 - исходящим
узлом.
Причиной существования неравномерного пути
является
повторный доступ к квадрату в процессе планирования
пути, что приводит к тому, что к одному и тому же
квадрату обращаются по крайней мере один раз. Чтобы
избежать существования нерегулярного пути и найти
регуляризированный путь, нам необходимо планировать
доступ к квадрату с определенной последовательностью.
Этот процесс можно обобщить как проектирование
первичной траектории полета. Для достижения
последовательного набора квадратов 𝐺sort, первичный
сектор, разделенный
горизонтальными двумя соседними
линиями, обозначается
Rw. Сектор, разделенный двумя
вертикальными линиями, обозначается
пересечение квадратов, образованное Rw и Cl, является
квадратным сечением. Таким образом, масштаб сетки
можно обозначить так
на Rw × Cl (Rw > 0, Cl > 0). На рисунке 5 показан масштаб
сетки 2 × 2; здесь и далее 𝐺opt1 2= 3{𝐽4, 𝐽 , 𝐽 , 𝐽 , 𝐽 }.
Головной узел - это узел, который может собирать
данные в своем собственном покрытии в сенсорной
сети, обозначаемом 𝐻. Узлы в 𝑆opt являются
минимальным решением для покрытия в сети, поэтому
все узлы в 𝑆opt являются узлами 𝐻.
путь полета должен быть спланирован в соответствии с
принципом приоритета линий. Приоритет линии
означает, что при планировании траектории полета
самолета квадраты, расположенные на одной линии,
имеют приоритет быть следующим квадратом доступа,
пока не будут спроектированы траектории всех
квадратов. Как воображаемая линия 𝑊, показанная на
рисунке 5, путь входит в сетку в Rw1, затем получает
доступ к 𝐽1, первой клетке линии, и получает доступ к
𝐽2 и 𝐽3 в соответствии с принципом приоритета линии;
наконец, он выходит из сетки в 𝐽4. Таким образом, 𝐺sort
= {𝐽1, 𝐽2, 𝐽3, 𝐽4}.
Учитывая сложность и эффективность алго-.
ритм, чтобы получить идеальный регулярный путь,
весь путь может быть разделен на пути в локальных
квадратах. И объединить все пути в локальных
квадратах в первичный путь полета для получения
целого пути. 𝑆sort обозначает весь путь, а 𝑆sort
обозначает
траектория полета квадрата 𝐽 𝐽
соседними . Таким образом, мы можем вывести
Cl, а планировани формулу
е пути:
𝑆sort = ⋃ 𝑆sort.
𝐽
(1)
𝐽∈𝐺sort
Из приведенной выше формулы следует, что
основной рабочей нагрузкой БПЛА является обход
квадрата и планирование пути, а функция первичной
траектории полета заключается в регуляризации
планирования пути. После планирования пути,
последовательный набор узлов 𝑆sort, который
заключает в себе следующее
 Вход: 𝐺opt: Оптимальная сетка; 𝑆opt: набор позиционированных узлов;
Выход: 𝑆sort: Упорядоченное множество узлов;
(1) Установите 𝐺sort как результат сортировки 𝐺opt с использованием первичной траектории полета; (2) Устан

(3) для квадрата 𝐽 в 𝐺sort сделать

сортировать
(4)Установите 𝑆как 𝐽
результат сортировки 𝑆 методом
𝐽
быстрой сортировки;
(5)Установите 𝑆sort = Call IOPlan(𝐽pre, 𝐽);
𝐽pre
(6) 𝑆sort = 𝑆sort ∪ 𝑆sort;
𝐽pre
(7) 𝐽pre = 𝐽;
(8) end for
(9) возврат 𝑆sort

АЛГОРИТМ 4: SquarePlan.

будут получены все 𝐻 узлов в 𝑆opt. И

последовательность
Узел 𝐻 в 𝑆opt решает последовательность доступа узла
𝐻 в контролируемой среде. Подробности будут
описаны в разделе 4.3.
4.3. Регуляризованное быстрое планирование траектории
БПЛА. В этом разделе подробно описано, как
планировать путь квадрата и оптимизировать весь путь,
основываясь на первичной траектории полета.
Планирование пути в квадрате - это вид локального
планирования пути; в каждом квадрате есть небольшое
количество наборов узлов, поэтому планирование пути
будет эффективным, что описано в разделе 4.3.1 для
планирования пути одного квадрата; необходимо
учитывать входящий узел и исходящий узел. Для
обеспечения узла входа и узла выхода квадрата
вводится понятие оператора, и строится оптимальный
алгоритм пути на основе парных операторов.
Подробности показаны в разделе 4.3.2.
Первичная траектория полета - это концептуальный
направленный путь, который уточняет
последовательность доступа. В результате детального
планирования пути в квадрате и оптимизации парных
операторов можно получить последовательный набор
узлов, включающий все узлы, к которым необходимо
получить доступ. Соединив все эти узлы по порядку,
можно получить направленный путь, который и будет
траекторией полета БПЛА.
4.3.1.Пути в квадратных областях. Из-за случайного
распределения узлов могут существовать некоторые
пустые квадраты, которые будут проигнорированы при
планировании пути. На основе принципа прецедента
остальные квадраты могут получить последовательное
непустое квадратное множество 𝐺sort в первичной
траектории полета.
С разделением сетки, набор узлов 𝑆opt будет
децен-.
трализуется в каждый непустой квадрат 𝐽 (𝐽 ∈ 𝐺sort). 𝑆𝐽
обозначает множество вершин квадрата 𝐽, поэтому 𝑆𝐽
⊆ 𝑆opt. В 𝐽 упорядочивание путей - это локальный
квадратный путь, построенный алгоритмом быстрой
сортировки
и приказано в основном направлении полета 𝑆𝐽, и
соответствующее
узлов обозначаетсяпоследовательное множество .
𝑆 операторами, 𝐽findOut и 𝐽
Хотя 𝑆
заключает все узлы в 𝐽 𝐽sor t и
в данном квадрате 𝐽 будут отсортированы в первичном
пути полета; затем передается алгоритм 5. После
выполнения алгоритма 5 можно обнаружить, что
входящий узел и исходящий узел квадратаа изменены.
Таким образом, возвращаемое значение может быть
объединено во весь путь 𝑆sort.
4.3.2.Оптимум пути парных операторов. Для
оптимизации расстояния от текущего квадрата до
следующего вводится понятие оператора для
определения узла входа и узла выхода квадрата.
Оператор, ищущий входящий узел, определяется как
входящий оператор, обозначаемый findIn; оператор,
ищущий исходящий узел, определяется как исходящий
оператор, обозначаемый findOut. Подозрительное
множество - это множество узлов при отработке
входящего узла, которое обозначается 𝑃. Количество
узлов в подозрительном множестве определяется как
емкость подозрительного множества, обозначаемая 𝜂.
Входящий узел и его близлежащие узлы образуют
подозрительное множество, определяемое как
входящее подозрительное множество, обозначаемое
𝑃in. Выходной узел и его близлежащие узлы
формируют подозрительное множество, определяемое
как выходное подозрительное множество,
обозначаемое 𝑃out. Таким образом, процесс поиска
входящего узла - это процесс поиска входящего узла в
𝑃in, а процесс поиска исходящего узла - это процесс
поиска исходящего узла в 𝑃out.
𝐿(𝐻, 𝐻) - расстояние траектории полета от узла 𝐻 до узла
𝐻. Если 𝐻 ∈ 𝑆𝐽, 𝐻 ∈ 𝑆𝐽 , и траектория полета проходит от 𝐽
до
𝐽, 𝐿(𝐻, 𝐻) представляет собой расстояние полета от
текущего квадрата до следующего. Если 𝐿min(𝐻, 𝐻)
представляет минимальное расстояние, то узел 𝐻
является узлом 𝐻out, искомым findOut. Таким образом,
процесс поиска узла входа и узла выхода findIn и findOut
должен осуществляться совместно с findOut текущего
квадрата и findIn следующего квадрата для определения
узла входа и узла выхода квадрата. 𝐽findOut обозначает
findIn
оператор выхода текущего квадрата, а 𝐽 обозначает
оператор входа текущего квадрата, таким образом.
Комбинация
называется парными
𝑃ou
t findIn
𝐽 и 𝑃in в 𝐽 является
парным
𝐽sort
, для всего 𝐽 в соответствующем 𝐽
квадрате
пути, 𝐻out и 𝐻in в 𝐽 все еще не идеальны. Поэтому, подозрительный набор.
после получения 𝑆𝐽sort, алгоритм оптимизации пути Ключевым моментом поиска парных операторов на
парных операторов (Алгоритм 5) будет передан для узле входа и выхода является выбор правильного
определения узла входа и узла выхода квадрата. способа поиска, гарантирующего минимальное
Алгоритм 4 описывает процесс планирования пути расстояние при входе в следующий квадрат из
квадрата и всего пути. Этот алгоритм сосредоточен на текущего квадрата, и повышение эффективности
обходе квадрата (от линии (3) до линии (8)). Во время алгоритма. Ниже, ориентируясь на положение
работы цикла каждый раз выбирается квадрат. С подозрительного множества, будет объяснен метод
помощью алгоритма быстрой сортировки, все узлы 𝐻 поиска соответствующих парных операторов.
 Вводные данные: 𝐽pre: предыдущий квадрат; 𝐽:
Текущий квадрат; Выход: 𝑆sort: Набор для
хранения результата вывода; Переменная:
𝑃pre, 𝑃: Подозрительный набор;
𝜂: Размер подозрительного набора;
𝐻in, 𝐻out: Узел выхода и узел входа;
𝑅: Значения Enum, представляющие отношения 𝐽pre и 𝐽;
Инициализация:
𝑅 с отношениями 𝐽 и 𝐽pre;
𝑃 с последними 𝜂 узлами из 𝐽;
𝑃pre с верхними 𝜂-узлами из 𝐽pre
(1) Манипуляционные данные
переключаться 𝑅 делать
case Case LEFT-RIGHT
Парный оператор: Найдите 𝐻in и 𝐻out
исчерпывающим методом;
перерыв;
случай UP-DOWN
Парный оператор: Найдите узел с
максимальной вертикальной проекцией в 𝑃
как 𝐻in, и найдите узел с минимальной
вертикальной проекцией в 𝑃pre как 𝐻out;
перерыв;
случай START-EDN
Парный оператор: Нет операции;

(2) Установите 𝐻in в верхнее положение в 𝐽, а 𝐻out в последнее

положение в 𝐽pre;
(3) Скопируйте отсортированные головные узлы в 𝐽pre в 𝑆sort;
(4) return 𝑆sort;
АЛГОРИТМ 5: IOPlan.

START-END - это подозрительный набор, 𝑃left) получают минимальное значение. findOut выбирает
включающий в себя узел входа и узел выхода, когда 𝐻𝐽 в качестве out
самолет входит и выходит из всей зоны. Во всей узел 𝐽. findIn выбирает 𝐻 как входящий узел 𝐽. Как
области вход и выход означают. показано на рисунке 6, 𝑃out и 𝑃in образуют лево-правую
пару 3
начало и конец сбора данных, так что будет две 2

подозрительные множества: 𝑃start обозначает тот,
который находится в начале, а
𝑃end обозначает тот, который находится в конце. При
отсутствии непосредственно связанного квадрата,
findIn и findOut будут рассматривать ближайший к
выходной узел к задней части 𝑆sort, по которому проходит
границе узел как узел входа и выхода. Как показано на
рисунке 6,
сетка включает эскиз 𝑃start и 𝑃end, и findIn выбирает
𝐻1 в качестве входящего узла, а findOut выбирает 𝐻47
в качестве исходящего узла.
UP-DOWN - это парное подозрительное множество,
составленное из двух подозрительных множеств, когда
самолет выходит на другую линию из текущей линии.
Если текущий квадрат 𝐽, а следующая линия, на
которую нужно выйти, 𝐽, то 𝑃out и 𝑃in образуют парное
подозрительное множество.
𝐽 𝐽
Парные операторы будут сортировать узлы в 𝑃out и 𝑃in
в подозрительного
𝐽 𝐽
вертикальном направлении и выбрать нижний узел в
𝐽
𝑃out в качестве исходящего узла 𝐽 и верхний узел в
𝑃in в качестве входящего узла
𝐽 множество, определяемое как входящее подозрительное
𝐽. Как показано на рисунке 6, подозрительное
множество, составленное 𝑃out и
подозрительный набор. Парные операторы выбирают
𝐻10 в качестве исходящего узла 𝐽 и 𝐻11 в качестве
входящего узла 𝐽.
После определения узла выхода и узла входа квадрата 𝐽,
входящий узел будет модулирован в голову 𝑆sort
𝐽 и
путь квадрата a
𝐽
оптимизирована.
4.4. Описание алгоритма оптимизированного пути для
парных операторов. Оператор, ищущий входящий узел,
определяется как входящий оператор. Оператор,
ищущий выходной узел, определяется как оператор
выхода. Подозрительное множество - это множество
узлов, которые работают
из входящего узла, обозначаемого 𝑃. Количество узлов в
подозрительное множество определяется как емкость
множество, которое определяется 𝜂. Входящий узел и
его близлежащие узлы образуют подозрительное
множество, обозначаемое 𝑃in. Выходящий узел и его
близлежащие узлы образуют подозрительное
множество, определяемое как выходящее
подозрительное множество, обозначаемое как 3
в из
𝑃4 является подозрительным
findOut выбирает 𝐻16 в 𝑃3 какмножеством "вверх-вниз". 𝑃out. Таким образом, процесс поиска входящих узлов
представляет собой
выходной узел. findIn выбирает 𝐻17
4 в 𝑃in в качестве процесс поиска оператором входа узла входа в 𝑃in, а
входящего узла. процесс поиска узла выхода - процесс поиска
ЛЕВЫЙ-ПРАВЫЙ - это парный подозрительный оператором выхода узла выхода в 𝑃out.
набор, состоящий из Чтобы найти минимальное расстояние от текущего
два подозрительных множества, когда самолет квадрата до следующего квадрата, оператор выхода и
перемещается из одного квадрата в следующий. В оператор входа должны действовать совместно, чтобы
функции парных операторов, если самолет перемещается определить узел выхода и
из 𝐽 в 𝐽, оператор выберет
комбинация узлов для создания 𝐿(𝐻, 𝐻) (𝐻 ∈ 𝐽𝑃 right, 𝐻
∈
 J1 J2 H9 J3
H2 H14
H3 H6 H15
Начало H5 H8 Pin
3
H11
H10 Pout
H1 H4 H7 2 H13
Pstart Pout Pin H
1 2 Pout
H12 3 16
J6 J5 J4 H20
H17
H31 H29 H27
H25 H23
H19

H18
H30 H24
H32 H26 H21 P в4
H28 H22
J7 J8 J9H44
H33 H36 H40 H45
H39
H41 H46 Конец
H35 H37
H34 H47
H38 H42 H43 Pend

Узел
ввода/выв Основной flying
путь
ода Узел
Оптимизированн
H
ый путь
Сортирова
Прямой путь
нный путь

Рисунок 6: Рабочий процесс FPPWR.

𝑂 (𝑠) = 𝑠 l o g 2 𝑠. (2)
входящий узел. Эти два оператора называются
парными операторами, а соответствующее Так, если 𝐺opt заключает 𝑚 квадратов, и все квадраты
подозрительное множество для выхода и должны провести быструю сортировку, то временная
подозрительное множество для входа - парным сложность составляет
подозрительным множеством. �
Ключевым моментом парных операторов, ищущих �
входящий и исходящий узел, является выбор 𝑂 (𝑚) = ∑𝑠 𝑖 log2𝑠𝑖. (3)
правильного пути поиска, гарантирующего 𝑖
минимальное расстояние при входе в следующий =
1
квадрат из текущего квадрата и повышающего
эффективность алгоритма. Парное подозрительное
множество, в соответствии с расположением
подозрительного множества выхода и подозрительного
множества входа, можно разделить на три типа,
START-END, UP-DOWN и LEFT-RIGHT. Как показано
на рисунке 6, это оптимизированный процесс парных
операторов при емкости подозрительного множества 2
и масштабе сетки 3×3. Подробный алгоритм представлен
в Алгоритме 5.

4.5. Анализ сложности алгоритма. Из алгоритма 1

следует, что обход всех квадратов и сортировка узлов в
каждом квадрате доступа являются двумя основными
частями цикла в этом алгоритме. Для сортировки узлов
в квадрате мы применяем алгоритм быстрой
сортировки, который требует меньшей временной
сложности для достижения последовательного набора
узлов вдоль основного пути полета. Согласно
алгоритму быстрой сортировки, когда 𝑠 узлов
участвуют в сортировке, временная сложность
составляет
 Сенсорная сеть развернута равномерно, поэтому
количество узлов примерно одинаково. Если общее
число узлов 𝐻 равно
𝑛, исходная формула может быть преобразована в формулу
𝑂 (𝑚) = 𝑚 𝑠 log2𝑠,
(4)
𝑛 = 𝑚𝑠.
Вывод следующий:
𝑂 (𝑛) = 𝑛 l o g 2 𝑠 (1 ≤ 𝑠 ≤ 𝑛) . (5)
Для сенсорной сети, имеющей 𝑛 узлов, временная
сложность FPPWR составляет 𝑂(𝑛) = 𝑛log2𝑠. Это
показывает, что чем меньше разбиение сетки 𝐺opt, тем
больше работы по сортировке. Когда 𝑠 = 1, каждый
квадрат имеет один узел, а путь полета является
основным путем полета; когда 𝑠 = 𝑛, 𝐺opt содержит
только один квадрат, и алгоритм FPPWR превращается в
алгоритм быстрой сортировки.

4.6. Результат эксперимента и его анализ. На базе

операционной системы Windows, алгоритм сортировки
FPPWR реализован на языке C#. Процессор -
двухъядерный Core i5, 2,4 ГГц. Поскольку данный алгоритм
ориентирован на проектирование большого количества
узлов, то в качестве узла и его входа мы можем
использовать функцию (Random()), которая
характеризуется равномерным распределением для
генерации доступного узла. Что касается временных
затрат алгоритма, мы можем использовать секундомер,
который является таймером из набора средств разработки
программного обеспечения (SDK) языка C#, в сочетании с
другими функциями, связанными с TimeSpan, для
точного расчета времени, затрачиваемого алгоритмом.
Что касается расстояния пути, то практическое
расстояние и расстояние между узлами может быть
изменено с определенной скоростью на компьютере
 Таблица 1: Параметры алгоритма FPPWR. пути и затраты времени алгоритма собираются. Для
анализа работы алгоритма FPPWR используются
Название Тип Узел следующие два параметра: затраты времени на
Масштаб сеткиМногозначное числоРазмер сетки планирование пути и расстояние пути.
Количество сенсорных узлов в одном
SensorsInteger квадр
ат
Размер оператора для пути
Размер оператора Integer
оптимизация

Рисунок 7: Экспериментальный результат FPPWR в условиях

масштаба сетки: 8 × 6.

экране и отображается на расстоянии пикселя.

Равномерное распределение - это идеальная ситуация.
Для того чтобы уменьшить вероятность, вызванную
случайной функцией, мы проводим несколько
экспериментов на разном количестве узлов, пока
результат не станет стабильным. После получения
статистики временных затрат алгоритмов LKH,
жадного и FPPWR можно провести сравнение трех
алгоритмов. Ниже приведен список необходимых
параметров и их объяснение.
Таблица 1 описывает необходимые параметры в
эксперименте, среди которых масштаб сетки
определяет количество квадратов, генерирует
определенный масштаб сетки и получает деление сетки
в минимальном покрытии. Количество узлов
определяет количество головных узлов в каждом
квадрате. Количество головных узлов в сочетании с
параметром количества сетки может описать масштаб
развертывания сенсорной сети. Размер оператора
определяет количество узлов, входящих в каждый
оператор в эксперименте, что обеспечивает
ограничение на емкость подозрительного набора в
оптимизированном алгоритме пути оператора. На
рисунке 7 показан результат планирования пути.
Чтобы подчеркнуть преимущество алгоритма
FPPWR, мы проводим 13 экспериментов; количество
узлов - 100, 200, 300, 500, 1000, 1500, 2000, 3000, 5000,
10000, 20000,
30000 и 50000; нумерация экспериментов основана на
различном количестве узлов. Для каждого группового
эксперимента, кроме количества узлов, другие условия
остаются неизменными. Путь, соответственно,
проектируется алгоритмом FPPWR, жадным
алгоритмом и эвристическим алгоритмом; расстояние
4.6.1. Анализ потребления времени. При планировании Однако алгоритм FPPWR требует, чтобы узлы были
пути в различных масштабах узлов время, затрачиваемое размещены равномерно. Для неравномерно развернутых
алгоритмом FPPWR, различно. Из количества узлов и узлов с помощью алгоритма может быть получено
времени, затраченного на планирование пути на рисунке целесообразное решение, но это решение не имеет
6, можно сделать вывод о зависимости между затратами преимущества в определении расстояния пути. Как
времени и количеством узлов, показанной на рисунке
8(a).
Из рисунка видно, что чем меньше узлов, тем меньше
затраты времени FPPWR. Когда количество узлов
меньше 3000, затраты времени составляют менее 1 мс;
когда количество узлов увеличивается, затраты времени
растут линейно.
Если сравнивать алгоритм LKH и жадный алгоритм,
то затраты времени между ними сильно различаются, как
показано на рисунке 8(a). Из рисунка видно, что при
количестве узлов менее 3000, временные затраты этих
трех алгоритмов меньше, а алгоритм FPPWR требует
меньше всего времени. Когда число узлов превышает
3000, временные затраты этих трех алгоритмов начинают
сильно различаться, а временные затраты LKH являются
самыми большими. Как видно из рисунка, когда число
узлов достигло 50000, временные затраты LKH
составляют 957820,4 мс, что примерно в восемьдесят тысяч
раз больше, чем временные затраты FPPWR. Причина
такой большой разницы заключается в том, что алгоритм
LKH и жадный алгоритм ищут решение, обращаясь к
целевым узлам в пределах глобальной области, стремясь к
меньшему расстоянию пути, в то время как FPPWR делит
глобальную область на квадраты с помощью сетки и
ищет решение по принципу Row-prior. Из эксперимента
можно сделать вывод, что при большом количестве
сенсорных узлов в сети алгоритм FPPWR является более
выгодным с точки зрения временных затрат на
вычисление планирования пути.

4.6.2. Анализ расстояния пути. Поскольку минимальное

расстояние пути может быть получено с помощью
эвристического алгоритма, расстояние, полученное с
помощью эвристического алгоритма, рассматривается в
качестве исходного значения, которое используется для
сравнения с другими расстояниями, полученными с
помощью других алгоритмов. После вычисления его
конкретного значения мы можем построить график
расстояния пути и номера узла, как показано на рисунке
8(b).
Из графика видно, что при малом количестве узлов
короткое расстояние может быть получено как
эвристическим алгоритмом, так и жадным алгоритмом.
Однако, когда количество узлов сильно увеличивается,
алгоритм FPPWR и два других алгоритма имеют
одинаковый эффект.
В заключение следует отметить, что при увеличении
числа узлов затраты времени значительно возрастают в
жадном алгоритме и эвристическом алгоритме. Когда
число достигло 5000, время, затрачиваемое
эвристическим алгоритмом, в 10 раз превышает время
жадного алгоритма и в тысячи раз - время алгоритма
FPPWR. Между тем, что касается расстояния пути, то с
увеличением числа узлов результат алгоритма FPPWR
близок к результату эвристического алгоритма. Таким
образом, если от планирования пути не требуется
слишком высокая точность, разделение сетки имеет
больше преимуществ, чем другие алгоритмы.
 14
3

2.5
Расход времени (мс)

12

Соотношение пути
10 2
8 1.5
6
1
4
0.5
2
0
1234567 8 0
9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13
Номер Номер эксперимента
эксперимента
FPPWR Жадный алгоритм
FPPWR
(b)
(a)
20

15
Соотношение пути

10

0
12
3 45 78 10 11 12 13
6 9
Номер эксперимента

Жадный
алгоритм
FPPWR
(c)

Рисунок 8: (a) Затраты времени. (b) Равномерный контраст. (c) Неравномерный

контраст.

неравномерно развернутые узлы влияют на алгоритм количеством узлов, основываясь на расстоянии,

FPPWR, будет показано в эксперименте. пройденном эвристическим алгоритмом,
сравнительная диаграмма алгоритма FPPWR, жадного
4.7. Влияние неравномерного распределения на алгоритма и эвристического алгоритма показана на
алгоритмы. В этом разделе статья посвящена рисунке 8(c).
неравномерно развернутой сенсорной сети и доказывает Из данных эксперимента следует, что расстояние
эффективность алгоритма FPPWR с помощью пути сильно влияет на алгоритм FPPWR, когда узлы
экспериментов. В эксперименте неравномерное
развертывание можно реализовать, разместив
несколько пустых квадратов. Как показано на графике
развертывания сети (рис. 8(b)), алгоритм FPPWR
получает траекторию полета. Из этого графика видно,
что при таком развертывании сети алгоритм FPPWR
затрачивает 0,09 мс, а расстояние пути составляет
3029,94 пикселей.
Из рисунка 9 видно, что неравномерно развернутые
узлы совершают полет через несколько пустых
квадратов, и расстояние полета увеличивается. В
условиях неравномерного развертывания мы можем
провести многогрупповые эксперименты с различным
 Избыточные пути, вызванные пустой сеткой

Рисунок 9: Экспериментальный результат FPPWR с WSN,

развернутыми неравномерно.

развернуты неравномерно: с увеличением числа узлов

отклонение расстояния пути в алгоритме FPPWR
становится больше. Итак,
 Таблица 2: Параметры алгоритма FPPWR.

Имя Тип Узел

Узлы Целое Количество сенсорных узлов в WSN
число
Развертывание Перечисл Способ развертывания WSN (ручной, случайный или с
ение правилами)
Радиус покрытия Целое Радиус действия сигнала от датчиков (метр)
число
Скорость передачи Поплавок Скорость беспроводной связи (КБ/с)
Скорость Целое Частота выборки (байт/мин)
приобретения число
Скорость БПЛА Поплавок Скорость БПЛА (м/с)
Время пребывания Целое Время пребывания на головных узлах для сбора данных (с)
число

в неравномерно развернутой сети алгоритм FPPWR

неэффективен.

5. Симуляционная 5.1.2.Влияние платформы моделирования. Платформа

платформа для сбора для моделирования развертывается в соответствии с
ключевыми параметрами. На рисунке 10 показано
данных с воздуха покрытие сети, полученное при масштабе сети 135 и
Для крупномасштабной сети датчиков, развернутой в случайном и хорошо распределенном развертывании.
контролируемой области, будут тысячи узлов датчиков. Как показано на рисунке 10, платформа
Во время сбора данных самолету необходимо пересечь моделирования обеспечивает моделирование сети,
все сети с узлом поглощения, чтобы выполнить задачу минимального покрытия, планирование пути и
сбора данных всех узлов. Это трудоемкий процесс, и генерацию сценария NS2. Их функции следующие.
самолету необходимо взять с собой достаточно топлива
и достаточно места для хранения данных. Поэтому
вопрос о том, как точно обеспечить достаточное
количество топлива, места для хранения и
продолжительность времени, необходимого самолету,
является важным. Исходя из этого, в данной работе
создается платформа для моделирования сбора данных
с воздуха на основе этапов сбора.

5.1.Пояснения к платформе моделирования. Платформу

моделирования можно разделить на программу
управления моделированием и программу
моделирования NS2. Программа управления
симуляцией разработана на языке программирования
C# в VS2005 и ориентирована на распределение
относительных данных и отображение результата.
Кроме того, должны быть реализованы: распределение
распределенных узлов на основе вероятности и
алгоритм поддержки, связанный с платформой
моделирования, такой как метод минимального
охватывающего круга и FPPWR. NS2 разработан с
помощью скрипта TCL, который в основном
предназначен для реализации моделирования WSN в
различных вариантах развертывания и вывода
результатов.

5.1.1. Пояснение основных параметров. В таблице 2

показаны основные параметры и примечания в
платформе моделирования. Все параметры отображают
информацию о сенсорной сети и узлах и развертывают
соответствующие модули моделирования.
 Рисунок 10: Покрытие узлов платформы для
моделирования.

Имитационная сеть: генерирует необходимую

сенсорную сеть в соответствии с масштабом сети и
методом развертывания, включая обычные узлы и
подвижные узлы раковины.
Минимальное покрытие: использует метод
минимального охватывающего круга для достижения
головных узлов через сеть передачи, радиус покрытия и
так далее.
Планирование пути: используется алгоритм FPPWR
для быстрого планирования пути в соответствии с
возвращенными головными узлами в минимальном
покрытии.
Генерация сценария NS2: он переносит данные,
собранные самолетом и направляемые алгоритмом
FPPWR, в сценарий TCL и последовательно управляет
симуляцией самолета с узлом поглотителя в узле доступа
WSN NS2.
После выполнения этих четырех процессов в NS2 будет
создан TCL-скрипт. Для достижения условий
моделирования сбора данных с воздуха в NS2
эксперимент будет отслеживать параметры полученных
и переданных данных, а также потребление энергии и
записывать расстояние и время полета моделируемого
самолета. На рисунке 11 показано состояние
моделирования сенсорной сети в NS2 при масштабе
узлов 135.
Из рисунка 11 видно, что когда время составляет 239,2
секунды, стоковый узел, обозначенный 0,
непосредственно приближается к головному узлу,
обозначенному 30, от головного узла, обозначенного 24,
со скоростью 5 м/с. При перемещении к головному узлу,
стоковый узел должен оставаться в нем в течение 20
секунд. Наконец, в 1349,9 узел поглотителя прекращает
движение, и сеть моделирования останавливается.

5.2. Анализ имитационного эксперимента. После

изменения количества узлов и скорости самолета,
соответственно, несколько
 30

25

Расстояние полета (км)

20

15

10

0
050010001500
Датчики
Рисунок 11: Моделирование сети с помощью NS2.
Дальность полета

Рисунок 13: Зависимость между расстоянием полета и

350 количеством узлов.
300
Расход времени (час)

×103
250
100
200 90
150 80

100 70
Объем данных (КБ)

60
50
50
0
0 200400600800 1000 1200 1400 1600 40
Датчики 30
5 м/с
20 м/с 20
10 м/с 40 м/с

Рисунок 12: Взаимосвязь между затратами времени и 10

количеством узлов.
0
0200400600800 1000 1200 1400 1600
Датчики
5 м/с
были проведены группы экспериментов, и симу-
20 м/с
результаты расчета времени полета каждой группы, 10 м/с 40 м/с
расстояния и
регистрируется размер собранных данных. Чтобы постоянным при изменении скорости полета,
выразить результат моделирования сбора данных с расстояние полета не имеет прямой зависимости от
воздуха в NS2, были построены тренды, отражающие скорости полета. На рисунке видно, что расстояние
взаимосвязь между временем полета, расстоянием полета увеличивается при изменении количества
полета и размером собранных данных. узлов.
Рисунок 12, соответственно, описывает зависимость
между временем, затраченным на сбор данных, и
количеством узлов. Из графика видно, что с
увеличением количества узлов время, затрачиваемое на
сбор данных, соответственно увеличивается. Между
тем, на рисунке видно, что скорость полета сильно
влияет на расход времени, особенно когда появляется
большое количество узлов. А увеличение скорости
значительно сокращает затраты времени.
Рисунок 13 представляет собой график
зависимости, отражающий изменение дальности полета
самолета для сбора данных при изменении количества
узлов. Поскольку расстояние полета остается
Рисунок 14: Взаимосвязь между объемом собранных данных и
количеством узлов.

узлов увеличивается. Подробно взаимосвязь описана в

последней части.
Рисунок 14 - это тренды, отражающие изменение
количества собранных данных при изменении числа
узлов. Из графика видно, что при увеличении числа
узлов количество данных увеличивается. Когда
количество узлов меньше, объем данных увеличивается
медленно. Однако когда количество узлов увеличивается,
объем данных сильно возрастает. Объяснение этого
явления заключается в том, что когда самолет собирает
данные, узел также собирает данные, а узлы,
расположенные вблизи конца траектории полета, могут
собрать больше данных. Кроме того, количество
собранных данных связано со скоростью полета: при
одинаковом количестве узлов, чем быстрее летит
самолет, тем меньше данных можно собрать.
 Всесторонний анализ: по результатам затухания сигнала связи. Таким образом, в
моделирования NS2, когда количество узлов дальнейшем исследовании, как интегрировать
увеличивается, а скорость полета остается прежней, самолет с наземной сетью, определить лучшую точку
сбор данных требует больше времени, а расстояние привязки и повысить эффективность будет важной
полета и количество собранных данных проблемой для изучения.
увеличиваются, и количество собранных данных В этом случае сбор данных с воздуха слишком
больше, чем у других. Можно обнаружить, что когда сильно зависит от GPS. В районах со слабым
количество узлов достигает 1500, на сбор данных сигналом или в специальных зонах без GPS-сигнала
сенсора затрачивается 328,7 часов (13,7 дней), управляемые БПЛА, основанные на GPS-навигации,
расстояние полета составляет 28,2 км, а объем потеряют свою функцию. Учитывая возможность
собранных данных достигает 90447 КБ. Таким образом, якоря WSN,
на основе симуляционной платформы можно сделать
вывод, что при одинаковом развертывании сети и
распределении параметров самолет, по крайней мере,
пролетит 28,2 км и принесет хранилище емкостью не
менее 90447 КБ.
Однако скорость самолета оказывает большое
влияние на затраты времени, дальность полета и
количество собранных данных. По результатам
моделирования, увеличение скорости уменьшит
затраченное время и количество собранных данных, а
также повысит эффективность сбора данных. Это также
является преимуществом сбора данных с воздуха на
основе БПЛА, собирающего данные из
крупномасштабной WSN.

6. Перспективы и выводы
В данной статье, предназначенной для
крупномасштабных WSN, рассматривается более
практичный метод сбора данных с воздуха. Что
касается построения воздушного сбора данных, он
делится на пять процедур: развертывание сети,
выделение распределенного узла, поиск опорной точки,
планирование пути и сбор данных. Для планирования
пути БПЛА и с учетом того, что развертывание узлов
является равномерным, в данной работе предлагается
алгоритм регуляризированного быстрого пути, который
улучшает скорость планирования пути, а также
пространственную непрерывность сбора данных. Для
оценки соответствующих параметров при сборе данных
в данной работе разработана и реализована
симуляционная платформа для сбора данных с воздуха
и проведены многогрупповые эксперименты при
изменении скорости полета и масштаба сети. Из этих
экспериментов можно сделать вывод, что анализ
результатов моделирования NS2 на основе платформы
моделирования позволяет оценить временные затраты
на сбор данных с воздуха, расстояние полета и
параметры емкости хранения, что может предоставить
информацию для практического сбора данных.
Однако путем изучения и анализа можно найти
недостатки сбора данных с воздуха, что является
ключевым моментом для следующего шага.
Во-первых, минимальный охват сбора данных
основан на пребывании самолета в воздухе головного
узла и сборе данных узла в зоне его действия
посредством маршрутизации с одним переходом. Этот
метод прост и эффективен и имеет высокую
эффективность сбора данных для соседних узлов, но
для дальних узлов, особенно узлов на периферии,
неточность данных и потеря пакетов будет легче из-за
установка "сторожевых" узлов в наземной сети для измерениями технологии, людей и институтов", в
сотрудничества с самолетом для сбора данных является материалах 12-го ежегодного Международного
ключевым моментом, который необходимо изучить. цифрового правительства.
Наконец, хотя платформа моделирования,
предназначенная для сбора данных с воздуха, имеет
полный каркас и функциональное определение, многие
аспекты все еще нуждаются в улучшении. При
использовании платформы моделирования расширение
библиотеки общих функций, ввод большего количества
параметров и улучшение эффекта моделирования - это те
области, которые еще предстоит изучить.

Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов в
связи с публикацией данной статьи.

Благодарности
Работа выполнена при поддержке Национального фонда
естественных наук Китая по гранту № 61004112 и Фонда
фундаментальных исследований для центральных
университетов (№ CDJZR12180006). Работа Дебраджа Де
и Саджала К. Даса была частично поддержана проектами
NSF по грантам №№. CNS-1404677, CNS-1355505 и CNS-
1545037.

Ссылки
[1] Y. Yan, C. Li, and R. Wang, "Research on key technologies of
unmanned aerial vehicle intelligent four shaft rotor," in
Proceedings of the 11th International Computer Conference on
Wavelet Active Media Technology and Information Processing
(ICCWAMTIP '14), pp. 495-499, Chengdu, China, December
2014.
[2] E. Б. Мазоменос, Дж. С. Рив, Н. М. Уайт и А. Д. Браун,
"Система слежения за беспроводными встроенными узлами с
использованием временной дальности полета", IEEE
Transactions on Mobile Computing, vol. 12, no. 12, pp. 2373-
2385, 2013.
[3] D. De, W.-Z. Song, M. Xu, L. Shi, and S. Tan, "Advances in
real-world sensor network system," in Advances In Computers:
Connected Computing Environment, vol. 90, chapter 1, 2013.
[4] W. Huiyong, W. Jingyang, and H. Min, "Building a smart home
system with wsn and service robot," in Proceedings of the 6th
International Conference Measuring Technology and Mechatron-
ics Automation (ICMTMA '13), pp. 353-356, Hong Kong, China,
January 2013.
[5] M. Патил и С. Р. Н. Редди, "Разработка и реализация
системы автоматизации дома/офиса на основе беспроводных
технологий", Международный журнал компьютерных
приложений, том 79, № 6, стр. 19-22, 2013.
[6] M.-T. Vo, T. T. Thanh Nghi, V.-S. Tran, L. Mai, and C.-T. Le,
"Беспроводная сенсорная сеть для мониторинга
здравоохранения в реальном времени: проектирование сети
и моделирование оценки производительности", на 5-й
Международной конференции по биомедицинской инженерии
во Вьетнаме,
V. V. Toi and T. H. L. Phuong, Eds., vol. 46 of IFMBE Pro-
ceedings, pp. 87-91, Springer, 2015.
[7] N. K. Suryadevara, A. Gaddam, R. K. Rayudu, and S. C. Muk-
hopadhyay, "Wireless sensors network based safe home to care
elderly people: behavior detection," Sensors and Actuators A:
Physical, vol. 186, pp. 277-283, 2012.
[8] T. Нам и Т. А. Пардо, "Концептуализация умного города с
 Исследовательская конференция: Digital Government 2013.
Innovation in Chal- lenging Times, pp. 282-291, College Park, [22] V. Рамадурай и М. Л. Сичитиу, "Локализация в
Md, USA, June 2011. беспроводных сенсорных сетях: вероятностный подход",
[9] X. Li, R. Falcon, A. Nayak, and I. Stojmenovic, "Servicing wire- 2003.
less sensor networks by mobile robots," IEEE [23] S. Ланге, Н. Зюндерхауф и П. Протцель, "Бортовой подход
Communications Magazine, vol. 50, no. 7, pp. 147-154, 2012. на основе технического зрения для посадки и
[10] J. М. Дж. Картха и Л. Джейкоб, "Увеличение времени управления положением автономного самолета".
жизни в разреженных подводных акустических
сенсорных сетях с использованием мобильных
элементов", в Трудах 10-й Международной конференции
по обработке сигналов и связи (SPCOM '14), стр. 1-6, IEEE,
Бенгалуру, Индия, июль 2014 г.
[11] R. C. Shah, S. Roy, S. Jain, and W. Brunette, "Data mules: mod-
eling a three-tier architecture for sparse sensor networks," in
Proceedings of the 1st IEEE International Workshop on
Protocols and Applications, pp. 30-41, May 2003.
[12] M. Ма и Я. Янг, "SenCar: энергоэффективный механизм
сбора данных для крупномасштабных многохоповых
сенсорных сетей", IEEE Transactions on Parallel and
Distributed Systems, vol. 18, no. 10, pp. 1476-1488, 2007.
[13] M. Ма и Я. Янг, "Сбор данных в беспроводных сенсорных
сетях с мобильными коллекторами", в Трудах
Международного симпозиума IEEE по параллельной и
распределенной обработке (IPDPS '08), стр. 1-9, Майами,
штат Флорида, США, апрель 2008.
[14] J. Луо и Ж.-П. Юбо, "Совместная мобильность и
маршрутизация для увеличения времени жизни в
беспроводных сенсорных сетях", в Трудах 24-й
ежегодной объединенной конференции обществ IEEE
Computer и Com- munications (INFOCOM '05), том 3, стр.
1735-1746, IEEE, март 2005.
[15] S. Го и Я. Янг, "Распределенная оптимальная структура
для мобильного сбора данных с одновременной загрузкой
данных в проводных сенсорных сетях", конференция
IEEE по компьютерным коммуникациям (INFOCOM '12),
стр. 1305-1313, Орландо, штат Флорида, США, март 2012.
[16] S. K. Teh, L. Mejias, P. Corke, и H. Wen, "Эксперименты
по интеграции автономных необитаемых летательных
аппаратов (БПЛА) и беспроводных сенсорных сетей", в
Трудах Австралазийской конференции по робототехнике
и автоматизации (ACRA '08), Австралийская ассоциация
робототехники и автоматизации, Канберра, Австралия,
декабрь 2008 года.
[17] P. D. Mitchell, J. Qiu, H. Li, and D. Grace, "Use of aerial
platforms for energy efficient medium access control in wireless
sensor networks," Computer Communications, vol. 33, no. 4, pp.
500-512, 2010.
[18] J. R. Martinez-De Dios, K. Lferd, A. De San Bernabe´, G. Nu
´n˜ez,
A. Torres-Gonza´lez, and A. Ollero, "Сотрудничество
между UAS и беспроводными сенсорными сетями для
эффективного сбора данных в больших средах", Journal of
Intelligent & Robotic Systems, vol. 70, no. 1-4, pp. 491-508,
2013.
[19] J. Оллред, А. Б. Хасан, С. Паничсакул и др., "SensorFlock:
воздушная беспроводная сенсорная сеть микро-
воздушных аппаратов", в Трудах 5-й Международной
конференции ACM по встроенным сетевым сенсорным
системам (SenSys '07), стр. 117-129, ACM, Сидней,
Австралия, ноябрь 2007 года.
[20] N. Lev-Tov and D. Peleg, "Polynomial time approximation
schemes for base station coverage with minimum total radii,"
Computer Networks, vol. 47, no. 4, pp. 489-501, 2005.
[21] G. Han, H. Xu, T. Q. Duong, J. Jiang, and T. Hara, "Localization
algorithms of wireless sensor networks: a survey,"
Telecommu- nication Systems, vol. 52, no. 4, pp. 2419-2436,
 многороторных БПЛА в условиях отсутствия GPS", в Трудах
Международной конференции по перспективной
робототехнике (ICAR '09), стр. 1-6, Мюнхен, Германия,
июнь 2009.
[24] M. A. Alba Martinez, J.-F. Cordeau, M. Dell'Amico, and M.
Iori, "A branch-and-cut algorithm for the double traveling sales-
man problem with multiple stacks," INFORMS Journal on Com-
puting, vol. 25, no. 1, pp. 41-55, 2013.
[25] K. Helsgaun, "Solving the equality generalized traveling sales-
man problem using the Lin-Kernighan-Helsgaun algorithm,"
Mathematical Programming Computation, vol. 7, no. 3, pp. 269-
287, 2015.
[26] D. Карапетян и Г. Гутин, "Lin-Kernighan heuristic adapta-
tions for the generalized traveling salesman problem," European
Journal of Operational Research, vol. 208, no. 3, pp. 221-232, 2011.
[27] D. Hains, D. Whitley, and A. Howe, "Improving Lin-Kernighan-
Helsgaun with crossover on clustered instances of TSP," in
Parallel Problem Solving from Nature-PPSN XII, C. A. A.
Coello, V. Cutello, K. Deb, S. Forrest, G. Nicosia, and M. Pavone,
Eds., vol. 7492 of Lecture Notes in Computer Science, pp. 388-
397, Springer, Berlin, Germany, 2012.