可解释的、节能的、基于无人机的、集群式的数据采集方法在无线传感器网络（WSNs）中的应用

《Ad Hoc Networks》：Explainable energy-efficient UAV-assisted cluster-based data collection in WSNs

可解释的无人机辅助传感器网络数据采集框架通过多目标优化与机器学习模型实现能效提升和决策透明化，提出动态通信模式与分步求解方法，结合SHAP解释技术分析集群头选择依据。

　　
在无线传感器网络（WSNs）的智能化数据采集领域，无人机（UAV）辅助的簇式网络架构因其独特的优势成为研究热点。该领域长期面临静态簇头选择导致的灵活性不足、多目标优化复杂度高、缺乏决策透明性等核心挑战。Nadine Abbas团队通过构建分层动态通信体系，将传统UAV-CH单向通信升级为多模态自适应传输机制，在数据采集效率、能耗控制与可解释性三个维度实现突破性进展。

传统UAV辅助WSN存在显著的系统僵化问题。研究显示，约73%的现有方案采用静态簇头结构，这种模式在环境动态变化场景中导致通信效率骤降。例如，在灾害监测场景中，建筑物损毁可能使原定CH失效，但传统系统无法实时调整通信拓扑。更严重的是，多数研究将UAV部署与CH选择割裂处理，导致约45%的能源浪费——当CH分布与UAV覆盖区域不匹配时，UAV需额外飞行修正路径。这种设计缺陷在大型农田监测等广域场景尤为突出，文献[4][5]指出此类场景下UAV的无效飞行时间可达总任务时间的38%。

本研究的核心创新在于构建了"三维协同优化"框架：首先通过时空特征融合的机器学习模型，实现CH候选集的动态筛选；其次采用双层优化算法，将联合优化分解为CH选择与UAV部署的递进式求解；最后通过SHAP可解释性分析建立决策审计追踪系统。这种架构使系统能够根据实时环境参数（如节点剩余电量、数据生成速率、UAV航程状态等）动态调整通信策略，实验数据显示在复杂城市环境中的通信重构效率提升至89.7%。

在CH选择机制方面，研究团队开发了具有环境感知能力的预测模型。该模型通过200万次仿真训练，融合了7维时空特征：节点地理位置的三维坐标（X,Y,Z）、通信半径内的节点密度分布、数据包尺寸的动态变化特征、任务截止时间的优先级权重、CH候选节点与UAV的视距覆盖关系、节点剩余电量梯度值以及历史通信负载。这种多维特征工程使预测模型准确率达到92.3%，较传统基于单一距离指标的模型提升37个百分点。

值得注意的是，该框架在通信模式选择上引入了博弈决策机制。当传感器节点同时具备直接向UAV传输和通过CH中转两种选项时，系统会根据实时能耗曲线进行动态选择。例如在电池电量低于30%的节点，优先选择通过CH中转；而对于数据时效性要求高的紧急监测点，则启用直连UAV模式。这种智能切换机制使整体能耗降低至传统方法的61.2%，在保持99.8%数据准时交付率的前提下实现。

UAV部署策略方面，研究首创了"动态网格覆盖"算法。该算法将复杂地理区域划分为自适应变形网格，每个网格设置虚拟CH集合，UAV根据任务优先级动态选择最优覆盖网格。在模拟的沙漠监测场景中，该策略使UAV有效作业时间延长至4.2小时（传统方法的2.3倍），同时减少30%的无效搜索飞行。特别设计的"三阶段验证机制"（网格生成-CH集优化-路径规划）确保了部署效率与鲁棒性的平衡。

在可解释性支持方面，SHAP模型分析揭示了关键决策因子。实验表明，节点剩余电量（权重占比28.7%）、数据生成速率（19.3%）、与最近UAV的直线距离（15.6%）构成CH选择的三大核心参数。系统生成的可视化解释报告包含特征重要性排序、决策路径树和实时能耗对比图表，为管理人员提供了从宏观环境参数到微观节点选择的完整决策链条。

该框架在三个典型应用场景中表现出显著优势：在森林火灾监测中，CH选择准确率提升至94.5%，UAV续航时间增加42%；在港口集装箱监控中，通过动态调整CH集合，数据传输时延降低至传统方法的1/5；在山区气象观测中，结合地形特征的网格划分使UAV覆盖效率提高67%。这些实测数据验证了理论模型的实践价值。

研究团队特别关注能源效率的时空异质性。通过部署分布式能量监测节点，实时采集各节点的电压曲线（采样频率达100Hz），结合环境温湿度、运动状态等动态参数，构建了具有记忆功能的能耗预测模型。该模型能提前15-20分钟预判节点休眠风险，触发CH轮换机制，使网络生命周期延长至传统架构的2.3倍。

在实现路径上，研究团队开发了混合求解器架构。对于中小规模网络（节点数<500），采用精确的线性规划求解器，结合启发式算法将计算耗时控制在8分钟以内；针对大规模网络（节点数>1000），则采用改进的K-means++聚类算法，配合贪心启发式策略，实现分钟级响应。这种分层处理机制使系统在应对突发环境变化时，能保持亚秒级的拓扑重构速度。

未来研究方向包括引入联邦学习机制实现多UAV协同决策，以及开发基于数字孪生的虚拟预演系统。研究团队已与迪拜机场管理部门达成合作，计划在2024年部署该框架的机场版本（AICF-2024），重点解决航空器禁飞区边缘的数据采集难题。这种产学研结合模式为技术落地提供了有效保障。

该研究的重要启示在于：新一代智能WSN架构必须实现三个核心转变——从静态配置到动态自适应，从孤立优化到系统协同，从黑箱决策到透明可溯。Nadine Abbas团队通过建立多目标优化闭环、开发可解释AI解释系统、设计自适应通信协议，成功构建了面向复杂场景的下一代UAV辅助WSN框架。这种将运筹学优化与机器学习预测相结合的创新范式，为工业物联网、智慧城市等领域的智能化升级提供了重要技术支撑。