《Ad Hoc Networks》：Optimization for joint Unmanned Aerial Vehicle (UAV) deployment and sensor association in wireless powered sensor networks
编辑推荐：
基于BBPSO-GA的无人机部署与传感器关联联合优化研究，提出混合元启发式框架解决NP难问题。通过参数轻量化的BBPSO优化连续部署变量，结合整数编码GA处理离散关联约束，在能量 causality和CSMA/CA约束下实现系统吞吐量最大化。仿真验证表明该框架在大规模网络中具有稳定收敛性和可靠性能。
海岩石
中国绍兴大学智能工程学院，绍兴
摘要
在无人机的辅助下，无线供电传感器网络（WPSNs）实现了集成的无线能量传输、数据收集和数据传播。在能量因果关系和媒体访问控制（MAC）约束条件下，无人机部署与无人机-传感器配对的联合优化问题具有高度非凸性和NP难度。在这项工作中，我们重新审视了这一联合优化问题，重点关注算法设计，而不是引入额外的系统级假设。我们开发了一个基于基础粒子群优化（BBPSO）和遗传算法（GA）的混合优化框架，其中BBPSO用于连续的无人机定位，而GA用于处理离散的无人机-传感器配对。所提出的方法利用了BBPSO的轻参数特性和强大的收敛能力，以及GA在处理复杂分配约束方面的灵活性。在不同网络规模下的广泛仿真表明，该框架具有稳定的收敛行为和一致的性能。结果表明，所提出的BBPSO-GA框架为无人机辅助WPSNs中的联合无人机部署和配对问题提供了一种可行且可靠的解决方案，同时也为不同元启发式策略在结构化混合优化问题中的适用性提供了见解。
引言
无线供电传感器网络（WPSNs）作为一种可扩展的架构，适用于大规模物联网（IoT）部署，通过射频（RF）能量收集实现无需电池的感测。将无人机（UAVs）集成到WPSNs中，进一步增强了系统的灵活性，支持移动无线充电、数据收集和数据传播。由于无人机的移动性和可控部署，它们可以在大型且分布稀疏的网络中显著提高能量传输效率和通信可靠性。
大量研究从多个角度探讨了无人机辅助的无线传感器网络（WSNs）。代表性研究包括分布式波束成形和反向散射以最大化吞吐量[1]、非正交多址接入和协作中继[2]、簇头选择[3]、基于强化学习的丢包减少[4]以及基于深度Q网络的能量最小化[5]。其他工作则关注联合资源分配和无人机放置[6]或室内吞吐量优化[7]。然而，这些研究大多考虑了单无人机场景或有限的多无人机配置，这限制了它们在大型网络中的适用性。
最近的研究越来越强调资源感知和环境感知的无人机辅助网络。研究考察了在服务质量（QoS）约束下的联合功率分配和无人机放置[8]、面向公平性的无人机定位和特定应用的资源分配[9]，以及异构空-地-IoT系统中的多目标优化[10]。此外，还有研究关注城市环境中的无人机辅助定位[11]和考虑高度的大规模空对地信道建模[12]，反映了人们对提高传播真实性和感测能力的日益关注。尽管这些研究提高了建模的准确性和应用的针对性，但它们通常由特定问题的表述或物理层改进驱动，且往往局限于单无人机或小规模多无人机场景。因此，特别是在能量和MAC层约束下的联合连续无人机部署和离散传感器配对的算法处理仍然相对较少。
与此同时，最近的WSN研究显示了一个明确趋势，即采用多策略元启发式优化来处理覆盖范围、连接性、聚类、路由、定位和安全问题，例如龙fly算法（DA）[13]。以覆盖范围为导向的部署方法，如简化黏菌算法（SSMA）[14]、改进的混沌灰狼优化（ICGWO）[15]和混合蝴蝶优化算法（HBOA）[16]，提高了高质量二维和三维放置的探索-利用平衡。基于簇的路由框架，包括多策略融合蛇优化器（MSFSO）-MST[17]和改进的Beluga Whale优化（IBWO）-DPR[18]，优先考虑能量平衡和网络稳定性。以定位为导向的方法，如改进的Harris Hawks优化（IHHO）[19]和基于差分进化（DE）的DV-Hop[20]，减少了跳距失真，而考虑信任的路由方案，如基于Grasshopper优化算法（GOA）的CTTRG[21]，结合了行为信任和多目标约束。总体而言，这些研究突显了策略融合、自适应参数控制和几何感知优化在复杂WSN环境中的有效性。
受这些观察结果的启发，本研究从明确的算法角度重新审视了联合无人机部署和无人机-传感器配对问题。我们没有修改底层的通信或物理层模型，而是探讨了如何构建元启发式策略来解决在现实能量因果关系和带碰撞避免（CSMA/CA）约束下的混合连续-离散问题。
联合优化涉及无人机的连续空间变量和无人机-传感器配对的离散组合变量。为了反映这种结构分解，我们开发了一个双层元启发式框架，结合了基础粒子群优化（BBPSO）和整数编码的遗传算法（GA）。BBPSO提供了一种轻参数的连续无人机部署机制，具有稳定的收敛行为，而GA通过离散编码处理独占性和约束感知的传感器配对。这种问题对齐的耦合使得部署和分配的协调优化成为可能，而无需引入额外的系统级假设。
我们制定了一个吞吐量模型，将无线充电、通信和能量消耗整合在一起，并通过将其归约为加权最大团问题来证明该问题的NP难度。在不同网络规模下的广泛仿真表明，所提出的BBPSO-GA框架提供了稳健且计算上可行的解决方案，在不同的传感器密度和无人机配置下表现出一致的性能。本工作的目标不是声称全局最优性或相对于其他启发式方法的普遍优越性，而是展示一种结构对齐的元启发式设计为大规模无人机辅助WPSNs提供了一种实用且有效的方法。
本文的其余部分组织如下：第2节介绍系统模型和吞吐量公式；第3节介绍联合优化问题及其复杂性分析；第4节描述了所提出的基于BBPSO和GA的元启发式框架；第5节报告了仿真设置和性能评估；最后，第6节总结了本文并概述了未来的研究方向。
节选内容
系统模型
为了严格分析无人机辅助的无线供电传感器网络（WPSNs）的性能，需要一个清晰的系统模型来捕捉基本的网络组件及其相互作用。本节描述了网络架构、无人机和传感器节点的操作角色，以及支持能量收集和通信的无线充电机制。
问题公式化
在本节中，我们推导了支持联合无线充电、数据收集和数据传播的多无人机WPSN的网络吞吐量表达式。基于此公式，我们定义了联合优化问题并分析了其计算复杂性。
无人机吞吐量的元启发式优化
本节提出了一个元启发式框架，用于解决第3节中提出的NP难度联合无人机部署和传感器配对问题。所提出的方法采用双层结构，结合了使用BBPSO的连续无人机部署优化和使用整数编码GA的离散传感器配对优化。优化问题与采用的元启发式方法、算法设计以及计算复杂性之间的联系得到了详细说明。
实验
本节介绍了所提出的双层元启发式方法的仿真框架和实验评估，用于联合无人机部署和传感器配对。首先概述了实验设置，包括WPSN环境的参数化，包括物理/信道特性、通信和MAC层假设、部署约束以及实现细节。然后介绍了用于比较分析的基准元启发式算法。
结论
本文研究了WPSNs中3D无人机部署和传感器配对的联合优化问题，重点关注在不同网络规模下的可扩展性和性能。无线能量因果关系、MAC层协议约束和离散配对的相互作用使得问题本质上是非凸的且NP难的，因此需要比传统精确方法更稳健的元启发式解决方案。
我们提出了一种结合GA和BBPSO的混合双层优化框架。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。
