一种基于模糊综合评判的供电式无人机最优路径规划方法

1.本发明属于无线传感器网络能量传输和动态路径规划领域，提出一种基于模糊综合评判的供电式无人机最优路径规划方法。


背景技术：

2.传感器节点的能量受电池尺寸和容量的限制，自身储能比较少，在工作后容易因电量耗尽而导致整个网络瘫痪。复杂环境下已经部署的节点，进行电池更换和维护会比较困难，如何提升网络寿命成为关键问题。
3.目前，可充电无线传感器网络在二维路径规划算法、覆盖算法的发展背景下取得了巨大的进展，网络寿命得到明显提升。实际的无线传感器部署环境多为三维空间，三维路径优化问题，是指根据某种最优的准则，在三维空间中搜索出一条从起始节点到目标节点的最优路径。三维路径优化算法可以分为以下三类：基于节点的方法，基于数学模型的方法，基于启发式的方法。基于节点的方法获取全部节点，估算节点间的最短距离，算法思路简单，但在场景大距离远的环境下路径规划效率低且不够理想。基于数学模型的方法考虑了实际环境中的顺序约束，安全约束问题，在起止节点间建立数学模型，将路径问题约束为非线性规划问题，计算速度快，路径平滑，但易造成公式化陷阱。基于启发式的方法，模拟自然生态机制，将节点目标与环境分离，更适应动态环境。
4.针对非均匀分簇的无线传感器网络问题，近年来，研究人员试图利用蚁群算法(aco)建立了有效路径规划方案(p.huang,z.kang,c.liu and f.lin,"aco
‑
based path planning scheme in rwsn,"2016 10th international conference on software,knowledge,information management&applications(skima),chengdu,2016,pp.237
‑
242,doi:10.1109/skima.2016.7916226)。启发式搜索算法能够有效利用地信息素快速搜索路径，但在应用时也存在一些不足。例如，一次对过多的节点进行路径规划，规划效率低，易陷入局部最优；一次对过少的节点进行路径规划，增加充电次数及充电路径，造成充电区域重复。


技术实现要素：

5.本发明的目的在于克服复杂地理环境下非均匀分布的无线传感器网络节点充电路径规划问题，提出一种基于模糊综合评判的无线传感器网络动态三维路径的充电规划方法，可通过模糊综合评断方式从多个维度判断充电优先级，减少了无线传感器网络节点死亡的可能性。同时在复杂环境下，通过预处理离群点进行无线传感器网络分簇的方法，克服了一般分簇不均匀、容易陷入局部最优解的缺陷，最终增加三维空间非均匀分簇的无线传感器网络的整体寿命。
6.为实现上述目的，本发明提出的技术方案如下：
7.一种基于模糊综合评判的供电式无人机最优路径规划方法，方法包括如下步骤：
8.步骤1：建立三维空间模型，并获取非均匀分布的节点获得对应坐标信息；
9.步骤2：对非均匀无线传感器网络节点进行离群因子分析，对非离群的节点进行粗分簇。根据离群点的特征，获得稳定簇群并标记簇头信息；
10.步骤3：利用步骤1和步骤2所准备的簇群信息和节点信息，确定紧急充电节点，规划无人机当前位置到紧急充电节点间的路径；
11.步骤4：利用步骤2和步骤3获得的节点信息和路径信息，采用模糊综合评判的方法在可视区域内确定自适应充电集合，局部动态规划充电路径。
12.进一步，所述步骤1中，搭建三维环境采用等分法沿x,y,z轴将三维地图离散化为一个三维点集合，集合中任意一点对应着两个坐标，即位置序号和位置坐标；在三维点集合中获得节点的序号p
i
，坐标p(x,y,z)，这也关系到步骤2非均匀无线传感器网络节点的分簇及节点电量e＝{e1,e2,
…
,e
i
}的消耗。
13.再进一步，所述步骤2按以下步骤实施：
14.步骤2.1：在三维坐标系中，根据步骤1获得的节点信息，采用离群因子分析的方式，依据节点间的欧式距离比较离群因子与平均值和标准差之间的大小确定离群点；
15.步骤2.2：对于非离群点进行聚类，随机选择节点作为初始聚类中心，迭代重定位形成k个簇，直到质心不发生变化，质心即为簇头；
16.步骤2.3：计算离群点至最邻近节点的距离nd
i
及平均值若且最邻近节点为非离群点则该离群点加入该簇群；反之，该离群点为独立成簇，离群点即为簇头。
17.更进一步，所述步骤3中，设置报警阈值，利用步骤1和步骤2所准备的分簇信息和节点信息，确定紧急充电节点s0，规划无人机当前位置到充电锚点间的路径，步骤如下：
18.步骤3.1：设置报警阈值m1，低于报警阈值的节点自动加入紧急充电集合s；
19.步骤3.2：获得低电量节点的位置信息，无人机查询并更新紧急充电集合s排序，获取紧急充电节点s0的信息；
20.步骤3.3：在三维点集合中，设置a*算法搜索参数，规划点到点的最优路径bestpath(p
start
,p
end
)。
21.所述步骤4中，在最优路径bestpath(p
start
,p
end
)的可视范围内模糊综合评判寻找次优充电节点，动态规划最优充电路径，步骤如下：
22.步骤4.1：在bestpath(p
start
,p
end
)三维点集合路径可视区域内遍历节点；
23.步骤4.2：根据步骤2和步骤3获得的节点信息，进行模糊综合评判，局部范围内划分优先级，根据模糊综合评判值b＝[b1,b2,
…
,b
n
]确定自适应充电集合s
′
；
[0024]
步骤4.3：对于自适应充电集合s
′
，局部规划充电路径，无人机按照新路径执行充电任务。
[0025]
本发明方法尝试动态的方式进行充电路径的规划，采用模糊综合评判的方式动态的选取相关的充电节点，将选出的节点加入充电集合，利用a*算法局部重新规划充电路径，减少无人机飞行路径，提高充电效率，进一步提高无线传感器网络寿命。
[0026]
由于采用了上述技术方案，本发明具有如下优点与有益效果：
[0027]
1、针对传统聚类算法对离群点和孤立点敏感的问题，个别节点对总体划分影响太大，通过预处理离群点的方法，剔除离群点后再进行非均匀分布的无线传感器节点分簇并
选举簇头。该算法降低了离群点对分簇的影响，提升了分簇的合理性，提升判断充电优先级的准确性，同时减少网络能耗。
[0028]
2、与传统路径规划不同，本发明更具有动态性，一次性对适量的节点进行路径规划，减少了计算量。对充电路径可视范围内的节点动态规划路径，适用于非均匀分布的大型无线传感器网络，减少了无人机在重复区域飞行的次数，提升充电效率。
[0029]
3、本发明采用模糊综合评判的方法多维度、弹性确定充电优先级，该方法客观性强、可信度大。
附图说明
[0030]
图1为一种基于模糊综合评判的供电式无人机最优路径规划方法示意图。
[0031]
图2为搭建三维地图示例图。
[0032]
图3为节点分簇结果示例图。
[0033]
图4为无人机规划充电路径示意图。
[0034]
图5为无人机动态规划充电路径示意图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，结合附图1进一步说明本发明的技术方案。
[0036]
参照图1～图5，一种基于模糊综合评判的供电式无人机最优路径规划方法，包括以下步骤：
[0037]
步骤1：搭建三维环境，获得地图信息和节点信息，过程如下：
[0038]
步骤1.1：搭建三维环境：依据图2对该三维地图建立笛卡尔坐标系(x,y,z)，采用等分空间法，将其沿x轴、y轴、z轴切为n个、m个等分、l个等分，将三维地图离散化为一个三维点集合，集合中任意一点对应着两个坐标，即序号和位置坐标；
[0039]
步骤1.2：获取节点信息：对于非均匀分布的无线传感器节点，根据三维点集合确定每个传感器节点的序号p
i
，节点位置p(x,y,z)，确定节点集合d＝{p1,p2,
…
,p
i
}，节点电量e＝{e1,e2,
…
,e
i
}；
[0040]
步骤2：对非均匀无线传感器网络节点进行分簇并获取簇头节点信息，包含如下三个步骤：
[0041]
步骤2.1：离群因子分析：根据对象p
i
的离群因子
[0042][0043]
其中，d(p
i
,p
j
)表示对象p
i
与对象p
j
之间的距离；
[0044]
计算离群因子of1(p
i
)的平均值与标准差
[0045]
[0046][0047]
当离群因子大于离群因子的平均值与其标准差之和时，标记为离群点；
[0048]
步骤2.2：非离群点聚类：对于非离群点进行聚类，随机选择节点作为初始聚类中心，迭代重定位形成k个簇，直到质心不发生变化，质心即为簇头；
[0049]
步骤2.3：获得最终分簇：计算离群点至最邻近节点的距离nd
i
及平均值若且最邻近节点为非离群点则该离群点加入该簇群；反之，该离群点为独立成簇，离群点即为簇头，标记簇头记为c
i
‑
center
，如图3所示更新最终簇的个数；
[0050]
步骤3：设置报警阈值，节点自动判断并加入紧急充电集合s，并规划无人机当前位置到紧急充电节点s0间的路径，包含如下3个步骤：
[0051]
步骤3.1：设置报警阈值m1＝λe
i
，默认取λ＝0.2。当节点电量低于报警阈值时，自动插入紧急充电集合s；
[0052]
步骤3.2：获得紧急充电节点的位置信息，包括如下两个步骤：
[0053]
步骤3.2.1：当无人机空闲时查询紧急充电集合s，同时紧急充电集合s按照电量由低到高排序；
[0054]
步骤3.2.2：确定充电始末点：获取无人机当前位置，以及获取紧急充电节点s0电量信息和位置信息；
[0055]
步骤3.3：获得规划无人机至充电节点间的三维路径：在三维点集合中，采用a*算法规划一条从起点p
start
到终点p
end
的最优路。在算法中采用评估函数f(n)＝g(n)+h(n)，其中，g(n)为当前位置到p
start
的实际飞行距离，h(n)为当前位置到p
end
的欧式距离；
[0056]
在寻找下一个节点时，从26个方向进行探索：
[0057]
dx＝[
‑
1,1,0,0,
‑
1,1,
‑
1,1,0,
‑
1,1,0,0,
‑
1,1,
‑
1,1,0,
‑
1,1,0,0,
‑
1,1,
‑
1,1]
[0058]
dy＝[0,0,
‑
1,1,
‑
1,
‑
1,1,1,0,0,0,
‑
1,1,
‑
1,
‑
1,1,1,0,0,0,
‑
1,1,
‑
1,
‑
1,1,1]
[0059]
dz＝[0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,
‑
1,
‑
1,
‑
1,
‑
1,
‑
1,
‑
1,
‑
1,
‑
1,
‑
1]
[0060]
最终根据a*算法获得如图4中无人机飞行路径bestpath(p
start
,p
end
)；
[0061]
步骤4：模糊综合评判确定自适应充电集合并动态规划充电路径：在最优路径bestpath(p
start
,p
end
)的可视范围内寻找次优充电节点，根据步骤2获得的无线传感器网络的节点位置信息、节点电量信息、离群点信息和簇群信息，依据权重进行模糊综合评判，局部范围内重新判断优先级，次优节点加入自适应充电集合s
′
，包括如下两个步骤：
[0062]
步骤4.1：在bestpath(p
start
,p
end
)三维点集合路径可视区域内遍历节点，
[0063]
其中，可视区域坐标为搜索可视区间内所有节点信息；
[0064]
步骤4.2：对遍历的节点依据权重进行模糊综合评判，具体判断参数如下：
[0065]
根据步骤2遍历可视区域内节点相关信息：节点的电量、节点耗电量、邻近节点数、邻近节点剩余电量、是否为簇头、是否为离群点，根据步骤3获得最优路径bestpath(p
start
,p
end
)的长度、p
end
剩余电量、紧急充电集合s中节点数量，无人机剩余电量确定因素集合：u＝
[u1,u2,
…
u
n
]；
[0066]
归一化第i个节点的第m个指标
[0067]
确定评价指标体系因素集合u上的指标权重：
[0068][0069]
其中，指标比重获得模糊综合评判值
[0070]
若则加入自适应充电集合s
′
；
[0071]
若未创建自适应充电集合s
′
，则无人机按照步骤3.3获得的最优路径bestpath(p
start
,p
end
)执行充电任务；
[0072]
步骤4.3：依据步骤4.2中自适应充电集合s
′
动态更新充电路径，具体步骤如下三步：
[0073]
步骤4.3.1：遍历自适应充电集合s
′
，依据步骤3.3规划点到点的三维路径：
[0074]
(a)若新增待充电节点仅为一个，最佳路径为：
[0075]
bestpath(p
start
,p
new
)+bestpath(p
new
,p
end
)；
[0076]
(b)若新增节点超过一个，则通过改良圈迭代优化充电顺序，满足：
[0077]
bestpath(p
i
,p
j
)+bestpath(p
i+1
,p
j+1
)＜bestpath(p
i
,p
i+1
)+bestpath(p
j
,p
j+1
)，则替换有效；
[0078]
步骤4.3.2：若无新增充电节点，如图4所示无人机规划充电路径，执行充电任务；若有新增充电节点，如图5所示无人机动态规划充电路径，根据新充电路径执行充电任务，直至p
end
节点充电完成；
[0079]
步骤4.3.3：若无人机电量未为低电返航电量，则继续循环执行步骤3.1；
[0080]
若无人机电量仅为低电返航电量，则无人机返航充电。
[0081]
以上仅是对本发明实施例的描述，但本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。