面向时敏物联网系统的基于AOI-GTW感知的多无人机数据采集技术

《Internet of Things》：AoI-GTW-Aware Multi-UAV Data Collection for Time-Sensitive Internet of Things Systems

　　陆佳明|袁晓健|余志民|王睿中国福州，350202，福州国际经贸大学大数据学院摘要在物联网系统中，无人机越来越多地被用作移动数据采集器，而所采集信息的价值取决于其新鲜度以及服务时间的要求。现有的无人机-物联网规划研究通常通过信息年龄、截止时间或任务完成时间来表示时效性，而对于软性服务时间偏好则较少进行明确建模。本文研究了一个共享仓库、多无人机、多次出动的数据采集问题，该问题同时考虑了信息年龄和灰色时间窗偏好。文章构建了一个三目标混合整数模型，在每次节点仅服务一次、出动耐力限制、充电约束以及等待时间限制的前提下，最小化运营成本、采样时的信息年龄以及灰色时间窗惩罚。为了解决这一问题，本文开发了一种针对该问题的进化算法MSD-AG-NSGA2，该算法具有紧凑编码、考虑出动的解码方式、双偏见初始化、有针对性的结构变异以及双层局部搜索功能。通过在仿真的物联网场景以及改进的Solomon布局上的实验，将该方法与四种传统进化算法以及一种多目标ALNS算法进行了比较。在所有测试中，MSD-AG-NSGA2的超体积比最强的通用基准算法高出39.5%，比专门用于路由优化的算法高出53.4%，同时将IGD+分别降低了71.7%和72.5%。进一步的运营分析、消融实验和敏感性分析表明，这些改进得益于可行的调度方案以及成本、新鲜度和灰色时间窗满意度之间的可解释权衡。研究结果表明，结合信息年龄和灰色时间窗偏好为对时间敏感的无人机辅助物联网数据采集提供了有效的建模基础。引言在物联网系统中，当感知节点分布在偏远、基础设施匮乏或危险地区时，往往需要依赖移动飞行平台。在这种环境下，无人机可以作为灵活的数据采集器和临时通信中继，减少对固定基础设施的依赖，还将感知范围扩展到地面难以到达的区域。这类应用出现在环境监测、应急感知、农业检测、远程工业操作以及其他对时间要求较高的物联网领域，因为过时的感知数据很快就会失去实用价值[1]、[2]、[3]、[4]、[5]。在无人机辅助的物联网数据采集中，时效性通常通过信息年龄、任务完成时间或严格的调度约束来体现。信息年龄尤其重要，因为它衡量的是接收到的信息的新鲜度，而不仅仅是单次传输的延迟时间[6]、[7]。因此，近期的一些研究着眼于考虑信息年龄的无人机轨迹设计、能量受限的感知任务、主动的交通感知规划以及多无人机数据采集技术[8]、[9]、[10]、[11]、[12]。这些研究表明，路由选择、调度安排、通信时机以及能量限制共同决定了无人机-物联网系统中的信息新鲜度。然而，仅仅考虑新鲜度并不足以完全描述许多物联网测量数据的时间价值。在灾难应对中，临时感知节点在预计的洪水峰值、火势蔓延点或救援到达时间之前可能更具信息价值，而非最早可达到的时间。在智慧农业中，作物生长状况、灌溉需求或病虫害检测数据通常在特定的物候期或管理阶段最具参考价值。在空气污染监测中，协调一致的无人机感知需要连续捕捉某个区域的污染物分布、垂直分布情况或变化过程，而不仅仅是最小化首次到达时间[13]。在这些例子中，灰色时间窗的核心代表了与特定事件、流程或检测计划相对应的理想采样完成时间。虽然尽量缩短信息年龄可能仍无法满足这一理想时间要求，而选择在接近理想时间的时间点进行采样则可能需要额外的行程、等待时间或出动协调工作。这一现象促使人们寻求一种更全面的时效性考量方式，即同时优化信息新鲜度和服务时间偏好。软性时间窗模型提供了一种表达此类偏好的方式，因为它们通过对偏离理想服务时间的程度逐步施加惩罚，而非通过明显的分界线来区分可行与不可行情况[14]、[15]。灰色时间窗进一步提供了一种易于理解的机制，用于描述理想的服务时间范围，以及允许的提前和延后时间段[16]、[17]、[18]。尽管这种建模方法已经较为成熟，但至今主要应用于地面车辆路由和物流领域，尚未与考虑信息年龄的无人机-物联网数据采集相结合，尤其是在多个无人机协同作业、多次往返仓库、充电约束以及等待时间限制共同存在的规划问题中。这种分离现状形成了明显的科研空白。现有的无人机-物联网信息年龄模型能够解释服务顺序和飞行轨迹如何影响数据新鲜度，但很少能说明感知节点是否在接近其理想时间时得到服务。现有的灰色时间窗模型虽能体现服务时间方面的满意度，但却无法考虑信息年龄的累积、信息更新情况以及受电池容量限制的无人机集群协调问题。当需要用共享无人机群为各个节点分配飞行任务、将每条路线分解为符合耐力要求的多次出动任务、安排回程和充电时间，以及确定合理的等待时间以提升任务时效性时，这一差距就显得尤为重要。在这种决策环境中，成本、数据新鲜度和服务时间偏好是无法独立优化的。正是基于这一不足，本文研究了面向对时间敏感的物联网系统的单时间窗口、多无人机、多次出动的数据采集问题。在规划时间内，每个感知节点仅被访问一次，而每架无人机则可在充电间隔期间执行多次往返仓库的出动任务。该模型将信息年龄和灰色时间窗整合到一个统一的三目标框架中，从而使优化过程能够同时兼顾运营成本、数据新鲜度损失以及服务时间偏差问题。因此，当前的研究范围仅限于数据采集端的静态节点任务规划：重复访问、移动式物联网节点、避碰机制、随机无线连接以及数据传输端的回传延迟等问题需要额外的状态变量，目前暂视为扩展内容而非隐含假设。在此基础上，本文开发了一种针对该问题特点的进化算法求解方法，该方法与问题的任务分配、出动任务分解以及时间对齐结构相匹配。本文的主要贡献如下：1. 在共享仓库运作、出动耐力有限、需充电才能再次出动以及每个节点仅服务一次的条件下，构建了一个三目标的无人机-物联网数据采集模型。该模型同时最小化运营成本、采样时的信息年龄以及灰色时间窗惩罚，从而将数据新鲜度与软性服务时间偏好结合在同一个物联网规划框架之中。2. 提出了一种定制化的求解框架MSD-AG-NSGA2，该框架结合了紧凑编码、考虑出动的解码方式、双偏见初始化、有针对性的结构变异以及双层局部搜索功能。其中，考虑出动的解码方式被视为核心机制，因为它能够将紧凑的染色体编码转换为可执行的多次出动任务计划，同时让搜索过程能够了解到任务的耐力要求、充电需求、工作量以及时间安排等信息。3. 设计了基于两种典型物联网部署场景的控制性计算实验：集群边界需求场景和远程热点场景。实验给出了拓扑结构描述、运营调度指标，还在经过修改的Solomon VRPTW布局上进行了简化验证，以便将生成的测试案例与标准的路由优化结果进行对比分析。4. 实验结果表明，与四种现有的多目标进化算法基准以及一种专门用于路由优化的多目标ALNS算法相比，MSD-AG-NSGA2在超体积和IGD+指标上均具有显著优势。进一步的消融实验和敏感性分析表明，考虑出动的解码方式及双偏见初始化是提升算法性能的关键因素，而且所采用的参数设置能够保持预期的任务分配、出动安排和时间调度之间的平衡关系。本文的其余部分结构如下：第2节回顾了关于无人机辅助物联网数据采集、考虑信息年龄的路由优化、基于灰色时间窗的时间偏好建模以及多无人机协同作业的相关研究文献。第3节介绍了系统设定和数学模型。第4节阐述了所提出的MSD-AG-NSGA2框架。第5节描述了实验设计，第6节汇报了计算结果。第7节对全文进行总结。片段摘录无人机辅助物联网数据采集与信息年龄在那些固定通信基础设施不可用、成本过高或易受破坏的物联网系统中，无人机辅助的数据采集已成为一种重要的设计方案。在这种环境下，无人机的机动性使得数据采集器可以直接靠近感知节点，但这也意味着轨迹规划、任务调度以及能量管理都成为了影响数据质量的重要因素。Amodu等人[3]的系统性综述指出，飞行轨迹设计、无人机与传感器的调度安排以及能量管理是关键因素。系统设定与假设我们考虑在二维监控区域内进行无人机辅助的物联网数据采集，且规划时间范围为单个周期。在该区域内部署了一组感知节点，这些节点会定期生成与任务相关的状态信息。一支同质化的无人机队伍从共享仓库出发，在当前规划周期内为每个节点采集一个数据样本。由于单次飞行的耐力有限，每架无人机可以执行多次出动任务，每次出动都从仓库开始。提出的MSD-AG-NSGA2框架第3节中的建模方法将无人机-物联网数据采集问题中的三个决策层面结合起来：无人机集群的任务分配、在耐力限制和充电约束下的出动任务分解，以及在信息年龄和灰色时间窗共同约束下的时间对齐问题。虽然通用的多目标进化算法能够探索这个搜索空间，但它无法自动利用每次节点仅服务一次、等待时间限制以及多次返回仓库等条件所带来的结构特征。因此，我们设计了MSD-AG-NSGA2算法。多次出动实验设计该计算实验围绕四个方面展开评估：与现有基准算法相比的Pareto前沿质量、在不同物联网部署结构和无人机数量下的性能稳定性、各核心算法机制的贡献程度，以及所采用主要参数的合理性。第6节将汇报这些实验结果，同时提供相应的统计分析、敏感性分析以及模型变体分析结果。实验结果与讨论评估工作分为五个相互关联的分析部分。第一部分比较了MSD-AG-NSGA2算法与通用进化算法以及一种专门用于路由优化的MO-ALNS算法的Pareto前沿质量，并给出了相应的非参数统计检验结果。第二部分将前沿质量的提升与物联网规划中的各项运营指标联系起来，同时还介绍了基于改进的Solomon模型的验证结果。第三部分分析了典型的路线选择情况以及时间对齐行为。第四部分单独探讨了……结论本文研究了一种对时间敏感的无人机辅助物联网数据采集问题，这类问题要求同时兼顾数据新鲜度和服务时间偏好。为了解决这一决策难题，本文构建了一个三目标的信息年龄-灰色时间窗模型，该模型在共享仓库运作、无人机电池容量受限以及需充电才能再次出动的条件下，同时优化运营成本、采样时的信息年龄以及灰色时间窗惩罚。在算法方面，本文开发了MSD-AG-NSGA2，这是一种针对该问题特点定制的进化算法。生成式AI与AI辅助写作声明在撰写本文的过程中，作者们使用了语言编辑辅助工具来提升文本的可读性和一致性。在使用这些工具之后，作者们对内容进行了必要的审核和修改，并对最终发表的内容负全责。数据可用性如需获取支持本研究结果的代码、生成的测试案例以及处理后的实验数据，可随时提出合理请求即可获得。CRediT作者贡献说明陆佳明：论文撰写——初稿编写、可视化处理、软件工具使用、实验研究、形式化分析、概念构思。袁晓健：论文撰写——审稿与编辑、研究指导、方法设计、概念构思。余志民：论文撰写——审稿与编辑、结果验证、方法设计。王睿：论文撰写——审稿与编辑、资源协调、形式化分析。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。