用于水下无线传感器网络数据收集的AUV路径规划方法
《Ocean Engineering》:AUV path planning method for data collection in underwater wireless sensor network
【字体:
大
中
小
】
时间:2026年01月20日
来源:Ocean Engineering 5.5
编辑推荐:
水下无线传感器网络数据收集效率优化方法及混合整数规划模型构建
水下无线传感器网络(UWSN)数据收集系统的优化框架研究
水下无线传感器网络作为海洋环境监测和资源开发的重要技术支撑,面临多重技术挑战。传统数据收集方法主要依赖多跳路由或固定路径规划,但受限于水下声学通信的低带宽、高延迟特性,容易导致能量消耗不均和通信中断。近年来,自主水下航行器(AUV)辅助的数据收集策略逐渐成为研究热点,但现有方案仍存在优化空间。本文针对固定式UWSN提出了一套融合AUV hovering点选择与路径规划的联合优化框架,通过改进的群体智能算法显著提升了数据采集效率。
在系统建模方面,研究构建了包含传感器网络拓扑、声学信道传播模型和AUV运动学模型的多层架构。重点考虑了海底传感器节点深度(1500米)与AUV作业深度(1000米)形成的垂直通信间隙,以及水下声波传播特有的多径效应和频率选择性衰减特性。这种建模方式突破了传统平面通信模型的局限,为后续优化提供了精确的物理基础。
针对AUV的 hovering点选择难题,研究创新性地将群体智能算法与空间聚类技术相结合。首先采用改进的K-means算法进行初始聚类,通过引入动态距离约束有效规避了传统聚类方法可能出现的重叠簇问题。在此基础上开发的hippopotamus优化算法(HO)通过三阶段自适应机制显著提升了全局搜索能力:在探索阶段采用宽幅跳跃策略,利用海流环境特征动态调整搜索方向;在开发阶段引入环境敏感的邻域搜索策略,结合实时风速和洋流数据优化算子选择;在收敛阶段则通过多维度评估体系实现精英个体保护机制。这种设计使得算法在保持种群多样性的同时,有效抑制局部最优问题的出现。
路径规划算法采用改进的层次化蚁群优化(HACO)算法,通过构建双权重信息素系统实现了更高效的路径搜索。上层信息素基于数据价值密度动态调整,优先引导AUV访问高VOI区域;下层信息素则通过时间窗口衰减机制,平衡当前路径选择与长期任务规划。特别值得关注的是,研究团队设计了三级信息素更新策略:精英路径信息素采用指数增长模式,普通路径维持动态平衡,而低效路径则实施强制重置机制。这种分层管理显著提升了算法的收敛速度,仿真数据显示路径规划时间缩短了约40%。
联合优化框架的核心创新在于将空间覆盖优化与运动轨迹规划进行深度融合。传统方法采用分阶段优化,先确定hovering点再规划路径,导致局部最优问题。本研究通过建立统一的优化目标函数——信息价值最大化(VOI),将两个子问题整合为单目标优化过程。这种设计不仅避免了子问题最优解的叠加偏差,还通过共享环境感知数据(如洋流速度、声学衰减系数)实现了跨阶段协同优化。实验表明,联合优化框架相较分阶段方法,在信息收集完整度方面提升了28.6%,数据传输成功率达92.4%,较传统方案提高15个百分点。
在算法实现层面,研究团队开发了配套的仿真验证平台。该平台采用基于深度学习的声学信道预测模型(MAF-Net),能够实时模拟不同环境参数下的信道衰减特性。仿真环境设置为4000×4000米的方形海域,部署密度从稀疏(<5节点/平方公里)到密集(>15节点/平方公里)进行多场景验证。AUV的作业深度设定在1000米,与传感器节点形成有效通信窗口,同时规避海底地形复杂区域的危险区。
实验结果揭示了多项重要发现:首先,改进的K-means初始化算法使初始种群质量提升37%,有效减少了后续优化过程中的无效搜索;其次,自适应算子选择机制在复杂海况下(如台风过境区域)表现出更强的鲁棒性,搜索效率比标准hippo算法提高约52%;再者,层次化信息素系统在路径收敛速度上取得突破,最优路径生成时间比传统ACO算法缩短43%。在VOI指标方面,联合优化框架在5种典型场景测试中均实现最高数据价值收集效率,平均提升率达41.2%。
该研究对实际工程具有重要指导意义。在南海某海底电缆监测项目中,应用该框架后AUV的巡航距离减少23%,数据回传成功率从78%提升至95%,单次任务周期缩短31%。在环境适应性方面,算法成功处理了潮汐带来的信道变化(潮差±2米时性能下降<5%),以及突发性水下漩涡(速度>1m/s时仍保持83%的优化效果)。这些实测数据验证了理论模型的有效性。
未来研究将聚焦于动态环境下的在线优化能力提升。计划引入边缘计算节点,在AUV端部署轻量化决策模块,实现从离线规划到实时路径调整的演进。同时将探索多AUV协同作业模式,通过分布式任务分配提升大规模监测场景的覆盖效率。在算法层面,拟将强化学习机制引入群体智能算法,通过在线奖励机制实现自适应参数调整,进一步提升复杂海洋环境下的鲁棒性。
该研究为水下环境监测提供了新的技术范式,其核心价值在于建立了一个可扩展的优化框架。该框架不仅解决了传统方法中的路径冗余问题,更重要的是通过信息价值引导的路径规划,实现了传感器网络资源的最优配置。这种将理论建模与工程实践紧密结合的研究方法,为后续智能海洋装备的开发奠定了重要基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号