移动异构无线传感器网络中无人机的可控移动性方法

沙特国王大学学报移动异构无线传感器网络中无人机Lyamine Guezouli，Kamel Barka，Asma DjehicheL@STIC实验室，计算机科学系，巴特纳第二大学，阿尔及利亚阿提奇莱因福奥文章历史记录：收到2020年2020年9月24日修订2020年9月29日接受2020年10月7日网上发售保留字：异构无线网络移动性管理可控机动性无人机确定性算法遗传算法A B S T R A C T移动异构无线传感器网络的主要特征是网络内部的多样性。在这样的网络中，每个组件中的各种属性提供了与许多指标相关的盈利结果，例如网络寿命和硬件成本。虽然它提供了显著的优势，随机移动造成的主要困难，在管理异构无线传感器网络。本文的目的是介绍一种异构无线传感器网络使用无人机（UAV）的可控移动性的方法。实验结果表明，与传统的随机策略相比，本文提出的确定性方法和遗传算法能够有效地解决移动异构无线传感器网络的复杂性问题。实验结果证明，我们所提出的技术可以达到更大的交付率，更快的覆盖时间，和更快的延迟。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍异 构 无 线 传 感 器 网 络 （ Heterogeneous Wireless SensorNetworks，Heterogeneous WSNs）是由能量消耗、计算能力、无线电设备、甚至功能等各不相同的传感器节点组成的网络。使用这种网络的动机是它在增加WSN寿命和克服该领域的能量限制方面的可靠性。促使工程师和研究人员使用异构无线传感器网络的另一个原因是更复杂的设备可以降低硬件成本集成到更少的簇头中，而不是将它们嵌入多个传感器节点中。异构无线传感器网络也可以由移动和静态元素组成许多研究表明（基于关键性能指标的显著改善）使用移动无线传感器网络的效率相比，静态无线传感器网络。在这种情况下，移动性可以与网络的所有组件一起使用作为第一种类型，传感器移动性被广泛研究。的*通讯作者：Chouhada city，Batna 05000 Algeria.电子邮件地址：lyamine. univ-batna2.dz（L. Guezouli）。沙特国王大学负责同行审查制作和主办：Elsevier传感器节点本身可以遵循随机或受控的移动模式。因此，这种方式更有可能能够扩大另一方面，无线传感器网络的覆盖区域，它需要一个有效的节能策略。另一种类型的移动性可以在有限的一组节点上实现，这些节点用作传感器和接收器之间的中继（接收器是负责从传感器收集数据并遵循适当的路由协议将其传递到基站（BS）的特殊节点）。这些继电器被认为是防御代理。使用这种方法的目标是通过将这种情况下昂贵的多跳路由减少为单跳路由来最小化能耗。为了获得更好的性能结果，中继移动性应该与高效和实时的调度技术相关联.使能WSN中的移动性的另一过程使用移动接收器来实现。这种技术不像前两种技术那么流行，因为昂贵的多跳路由。概括地说，无线传感器网络中的移动性的主要好处是在节能和覆盖区域的扩大相当大的采用移动和静态传感器，中继，甚至汇的异构无线传感器网络已显示出其在许多应用领域的效率。换句话说，无线传感器网络中的移动和静态实体之间的协作包括移动性可以提供的优势和静态元素在某些情况下可以保证例如，由于障碍物的密度，在监测农田的情况下，使用移动传感器可能具有挑战性因此，在植物附近放置一些静态传感器比安装移动传感器更实用然而，在这方面，https://doi.org/10.1016/j.jksuci.2020.09.0171319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comL. Guezouli，K.Barka和A.杰希切沙特国王大学学报2462-这些无线传感器网络的异构性使得部署和拓扑管理比在同构无线传感器网络中更加复杂。在我们的工作中，我们专注于有效地控制和管理的移动性异构无线传感器网络应用于监测的一个领域，需要特别注意，如监测的农业区。为此，我们利用集群技术，通过无人机（UAV）在一个有界的传感区域，静态传感器和基站（BS）部署。当然，包括无人机具有受控的移动性会导致任何部署的传感器网络的成本更高。然而，这是一个挑战，我们必须采取，以优化从静态传感器到基站的数据路由相关的其他成本。无人机的机动性由遗传算法或确定性算法控制，以确保最佳覆盖率和最佳投递率。本文件其余部分的组织如下：第二部分概述了在流动方面最相关的贡献对飞行自组网（FANESTO）的随机移动性和受控移动性的相关模型进行了阐述。第三部分是异构无线传感器网络中的移动性管理，其中的静态和动态方面的研究进行了说明。第四部分重点介绍了两种解决方案（确定性和遗传）的算法步骤。第五部分给出了仿真的参数，以及结果和它们在交付率、平均覆盖时间和延迟方面的讨论。我们的结论和一些关于这种比较研究的观点是在第六节和最后一节。2. 相关作品在异构网络中，我们必须关注移动实体的移动性，因为这种移动性是导致拓扑频繁变化的原因。移动实体可以分为两类：飞行实体，其构成称为飞行Ad Hoc网络（FANET）的特定类型的网络，以及通常在无线传感器和执行器网络（WSAN）领域下研究的陆地实体。2.1. 根据FANTANG的与其他类型的移动网络相比，FANET的节点具有高度的移动性。根据型号的不同，无人机的速度可以从30公里/小时到460公里/小时不等（Abbott，2010年）。此外，由于无人机可以具有三维移动性，其所处的海拔高度也会对网络性能产生影响。这些特征意味着传统的IP路由到移动网络不能满足FANTRONIC正常运行所需的特定需求，并导致无线链路质量下降。这些情况对寻找有效的通信模型提出了一些挑战。因此，为FANESTOS开发的移动性模型应适应无人机的真实特性，例如高移动性，机械限制，空气动力学，以及对无人机之间安全距离的要求。因此，在文献中存在2D（x轴和y轴）和3D（x轴、y轴和z轴）迁移率模型，其中一些在下文中讨论。必须考虑移动性模型（负责对与节点移动的速度和方向相关的行为进行建模除了具体项目的限制之外，用无人机进行实验评估结果，导致需要使用移动性模型来评估网络性能与模拟。FANET的节点具有与在其它类型的移动网络中发现的那些节点非常不同的移动特性。一般而言，MANET的节点具有随机移动性。通常，在移动自组网中使用的移动性模型是随机航路点（RWP）模型（Natkaniec，2009）。在这个模型中，算法在每个时刻为每个节点随机选择一个目的地点和一个恒定的速度，节点将以这个速度移动直到到达目的地。在FANEXP中，要使用的移动性模型的选择应取决于应用。高斯-马尔可夫2D移动性模型（Camp等人，2002）基本上包括基于节点先前的位置和速度来确定节点的下一个位置。因此，在时间t具有速度Vt的UAV数据取决于速度Vt在时间t1。Gauss-Marlov 3D移动性模型（Rohrer等人，2011年），考虑除了x和y轴，已经在高斯-马尔可夫2D模型，z轴，相对于高度，这进一步增加了无人机的移动性的现实所使用的另一移动性模型是平滑转弯（Wan等人，2013），也可以是2D或3D。基本上，平滑转弯模型的设计是为了捕捉自由运动的无人机的趋势，直线轨迹或大半径曲线有了这种行为，我们可以提到为使用这种模型而设想的应用程序，区域识别和监控。信息素排斥模型（Kuiper和Nadjm-Tehrani，2010）是一种用于区域识别应用的建议模型。信息素地图负责选择UAV移动模式的概率。一般来说，要测量的区域被划分为小网格。因此，每个UAV伴随田地的信息素地图，当其在k时间间隔内访问i网格时标记ki时间。此外，传输区域内的UAV可以使用广播传播来交换它们的信息素地图。无人机之间交换的地图会产生一种称为信息气味的测量方法，该方法负责捕获每个网格的局部视图。通过这种方式，无人机通过信息素气味被引导以避开最近访问过的区域还有一种机动性模型，其中预先定义了飞行计划。据认为，无人机在开始执行任务之前，已经知道要遵循的路径。使用该策略的模型是基于飞行计划的移动性模型（Tiwari等人，2008年）。由于空域是非常复杂的，存在不同类型的飞行器，具有不同的目的，因此考虑满足所有这些飞行器的单一机动性模型是相当具有挑战性的为了满足具有用于不同类型的车辆的若干移动性模型的需要，提出了多层移动性模型（Shirazipourazad等人，2011年）。这些模型可以考虑各种特性，如海拔高度和不同类型的飞行器。此外，还应考虑到环境中的基础设施和其他一些因素。因此，它们是要建模的高度复杂的移动性模型。在狗仔队移动模型（Bouachir等人，无人机有五种运动，名为Stay-at; Way-Point; Eight; Scan和Oval。该流动性模型具有随机性，其中所呈现的五种移动具有发生的百分比概率。 在（Li等人，2018），作者优化了时空相关组移动模型（STGM），该模型决定了无人机之间的空间或时间相关性，作为高质量协作搜索的重要因素作者在（Lin等人， 2019）考虑到FANET移动性的关键特征，即3D 。 在 此 背 景 下 ， 提 出 了 一 种 平 滑 随 机 行 走 3D 移 动 模 型（3DSRW），其目的是尽可能地模仿无人机的移动性。L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2463-基于集群的移动性模型在（Adya和Sharma，2020）中提出。为了控制移动性并保持足够的覆盖水平，在节点之间的检测和连接方面，作者使用虚拟力。 该模型基于节点能量和距离。建立协同运动中的持久连通性和覆盖需求是一个具有挑战性的研究课题。2.2. 根据随机移动模型对于随机移动模型，节点向随机选择的目的地移动，并且节点使用速度和方向到达它，这也是随机的（Bai和Helmy，2004）。以下是研究人员使用的随机模型的一些例子对于随机行走（Roy，2011），它被创建来描述自然界中可能有不同实体的不规则和极其不可预测的运动。在这个模型中，节点从当前位置移动到新位置，随机选择移动的方向和速度。的速度和方向，在预定义的范围内分别选择节点[速度最小值，速度最大值]和[0，2p]。每一次运动都发生在间隔T或恒定的行进距离D，在其末端重新计算每个方向和速度。如果一个节点在移动过程中到达模拟的边缘，它将以传入方向确定的角度反弹。在整个模拟过程中，节点以这种方式移动。在这个模型中，节点总是以1的概率围绕起点移动这个模型有两个主要问题：第一，没有关于它曾经在哪里以及它的速度是多少的信息，因为当前的速度和方向与先前的速度和方向无关。此外，如果选择小参数（一小部分时间，或改变方向前的几步），则移动将仅发生在模拟区域的一部分中。对于随机路径点移动模型（Roy，2011），它在改变方向和速度之间添加了停顿。一个节点随机选择一个起始点，并在该点停留一段时间。然后，节点在模拟区域内选择一个随机目的地，并在[Min speed，Max speed]范围内选择一个均匀分布的速度，并以所选速度行驶到新目的地。到达后，它会停止一小部分时间，然后恢复该过程。随机航路点中节点的运动就像随机漫步中的运动，如果时间暂停为零，速度间隔相同。在Guezouli et al. （2018）目的是改善路由。事实上，作者基于他们的解决方案，利用由靠近基站的移动实体标记的暂停时间在暂停时间期间，移动实体与BS交换其数据，并且还充当其邻居与BS之间的中继。这是为了扩大BS覆盖范围。Guezouli et al. （2019）和Barka et al. （2019）提出了用于异构无线网络的新协议。移动实体（无人机或行动者）根据RWP（随机路点）移动模型移动。每个移动实体在其暂停时间期间创建临时集群，收集和处理传感器数据，并基于从其集群中的传感器节点收集的信息对环境执行动作一旦移动实体检测到基站，就转发由移动实体收集的数据在高斯-马尔可夫移动模型（Roy，2011）中在固定的时间间隔n，节点的移动是准确的，通过更新它们的速度和方向。具体地，基于实例（n-1）处的方向和速度的值并利用随机变量来计算实例n处的方向和速度的值。在每个时间间隔，下一个节点位置基于当前的移动的位置、速度和方向为了确保节点不会长时间停留在区域的边缘附近，节点被迫移开。2.3. 根据受控流动模式的在随机移动模型中，节点可以在模拟区域内自由移动。然而，在现实生活中的应用中，节点的移动往往受制于其所处的环境。因此，节点可以在模拟区域中的预定义路径上以伪随机方式移动。在受控移动性中，通常预先计算预定义轨迹并将其加载到每个移动单元中移动单元必须遵循这条路径，而不进行随机移动。在该规划路径的末端，移动单元可以改变方向并重复相同的过程。SDPC（自部署点覆盖）（Sanchez-Garcia等人， 2015）是一个包含无人机的网络拓扑移动模型。它是一种设计用于在无人机之间提供连接的模型，其目标是优化位于地面上的大量移动节点的覆盖事实上，为了确保这种情况，有必要考虑无人机的最佳定位，以覆盖最大可能的区域。该模型的一个应用示例是在灾区部署无人机以创建替代基础设施。DPR （ 分 布 式 信 息 素 排 斥 ） （ Kuiper 和 Nadjm-Tehrani ，2006）是一种使用信息素和本地化研究来确保无人机访问最近未访问过的区域的模型。其原理类似于自然信息素，雄蜂在其访问的区域上留下随时间蒸发的虚拟信息素无人机共享信息素卡，以确保它们的动作同步。通过考虑UAV之间交换该模型可用于使用无人机进行搜索和救援的各种应用。Nagaraju等人（2018）的作者提出了一种移动辅助定位方案，以优化能耗。该方案允许快速定位的静态传感器节点随机部署在一个事件区域。作者比较了他们的方法与现有的解决方案，如最大增益，HRF和CUF方法。Goyal等人（2019）提出了一系列用于水下无线传感器网络的数据聚合方法。在这种类型的网络中聚合的目的是优化网络寿命并节省能量消耗。3. 异构无线网络的移动性管理在本节中，我们提出了我们的建议，以确保节点的移动性在异构环境中。我们的研究架构是由一个基站（BS），静态传感器随机部署在事件区，和无人机，Fig. 1. 表示事件区域的参考点的俯视图。L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2464¼R二、二、;ð Þ穿过活动区域，并作为静态传感器和BS之间的链接（图1）。① 的人。BS位于活动区域的中心。根据给定的算法，每个UAV创建集群，每个集群将传感器的静态集合分组在一起。每个无人机将绘制从一个集群中心（参考点）到另一个集群中心的轨迹。无人机通过参考点将允许其节省通过构成事件区域的整套静态传感器的3.1. 事件区域建模在该步骤中，BS通过一组参考点Z = {P1，P2，. . ，Pn}。为了确定这些点的坐标，BS（坐标为（0，0，0））将该区域划分为几个相同和不同的立方体（图11）。 1），这样每条边的长度计算如下：这两种算法（确定性和遗传）使用相同的拟合函数，但方法不同。适应度函数基于以下三个步骤：- 老：选择老点，- 活动：在这些老点中，无人机重点关注那些收集了大量数据的地方，- 结论：在这些点中选择最近的点。3.4. 参考点为了简化新目的地的选择过程，我们将以下三个目标参数与每个Pr参考点相关联：- 最后通过时间（T1）：是UAV在该点上创建集群的最后时间;该目标允许算法kr2。ffiffiffiRffiffiffi2ffiffiffi-ffiffiffiffiffirffiffi2ffiffiΣffiffiffið1Þ以避免选择最近被另一无人机选择的点，从而最小化覆盖时间。- 收集的数据量（Dc）：是一个数据库收集的数据量。其中k：每个立方体边缘的长度，R：无人机的最小通信距离，r：静态传感器的通信距离。由于参考点表示这些立方体的重心，因此事件区域可以由这组参考点Pr表示：在该点上的最后一次通过期间收集的UAV;该目标使得可以确定算法要考虑的最活跃位置即，增加算法对这些点的选择概率，从而使数据丢失最小化。- 距离（De）：是该参考之间的欧几里德距离-Z.P.ikjk 兹杰Etz常数一个参考点和另一个参考点;这个目标不23.2. 群集创建对于这一步骤，我们遵循与Guezouli等人，2019年）。该集群创建机制将在UAV的暂停时间完成。简单地说，对于UAV的每个暂停时间，它必须创建一个集群以从成员静态传感器收集数据。为了确保这一点，簇首（UAV）必须为属于其覆盖区域的静态传感器分配等级。为此，UAV必须向静态传感器发送特定的消息，这些消息允许UAV和静态传感器之间的信息交换，静态传感器决定（根据等级）加入这样的新的集群或不。3.3. 新的目的地选择在销毁当前集群之后，UAV选择新的目的地（另一个参考点）。为了确保最佳的目的地选择，我们认为无人机使用遗传（分别）。确定性）算法来选择验证以下要求的点：- 最小化当前参考点和新选择的参考点之间的距离- 对于一段时间（T），该遗传算法必须选择允许UAV飞越BS的点，从而允许其将收集的数据发送到BS。这提高了交付率并减少了延迟。- 算法选择的点必须是其他无人机选择的最早的点之一，我们必须避免选择最近选择的点。这最大化了覆盖区域- 算法选择的点必须是无人机收集了大量数据的点之一。这提高了交付率。4. 算法步骤该算法的概念与RWP移动模型中的概念相似。唯一的区别是，在RWP中，新目的地的选择是随机完成的，它从事件区域随机选择一个点。然而，在我们的建议中，我们已经选择了一个特殊的点的有限集，代表事件的区域，根据目标函数的两个解决方案：确定性和遗传算法。首先，我们提出了DDA，它是基于一个确定性的算法来选择最佳的目的地为每个无人机（精确解）。然而，当在同一区域部署多架无人机时，我们注意到多架无人机选择同一目的地的概率很高，这导致了时间的浪费。为了避免这个问题，我们提出了DGA这是基于遗传算法，以确保多样性的选择新的目的地。换句话说，我们使用GA来防止两个UAV选择相同的目的地，因为初始种群从一个UAV到另一个UAV是不同的，但在DDA中，所有的UAV具有相同的初始种群，这增加了多个UAV选择相同目的地的风险。此外，当Z的基数非常高时，DDA中的处理时间与DGA相比非常重要。为了解释这一点，对于DDA算法，每个UAV从整个初始种群开始（将考虑所有参考点），因为DDA没有重新生成新解的机制。而对于DGA算法，每个无人机仅从从初始种群中随机选择的一组参考点开始（在我们的情况下，初始种群的基数等于8），这减少了找到最佳目的地的时间。这个群体是通过使用交叉和突变算子来进化的，这允许通过所有的点。整个群体将随着DGA算法的进展而被处理。2Z：除非有必要，否则允许较长的路线，这需要很多时间。这将最大限度地减少两点之间的旅行时间。L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2465. -是的¼BC@A01：1/4最大值Dtj¼时间-T1jorf。！最大f2时x±1/41/4max1/4Dc1/4A1/7AJt1/2不<22t！BCmaxf14.1. 根据确定性算法（DDA）选择新的目的地在该算法中，在开始时，每个无人机从BS Z参考点及其操作目标的集合（此集合表示DDA总体）。为了选择我们已经将选择新目的地的优化问题定义为三（3）个操作目标的问题（参见第3.4节），前两个最大化，最后一个最小化。然后我们可以将目标函数向量f（x）表示为：另一个参考点作为新的目的地，在参考点Pi（xi，yi，zi）（在开始Pi对应于BS）上的UAV必须检查所有其他参考点Pj（xj，yj，zj）的目标函数（fij）无人机必须选择产生f！xmaxfixi¼1;2minf ipalex1/3有：ð5Þ最高值（考虑在选定点上没有UAV）。8F我ð3Þ我JJ¼F.！X轴最大值1½最大值1½最大值1/2最大值2/3最大值Dcminf3¼min内滴度eDtjωDcjx-x与，Dtj：自上次访问点Pj以来经过的时间，Dcj：在点Pj上收集的最后一次数据量，该操作重复一段时间，一旦该时间段结束，DDA算法必须选择允许UAV切换到BS的参考点。一旦UAV检测到BS，它必须在UAV级别以及BS级别更新Z集合的操作目标（c，f）。第4.3和4.4节）和等等 该算法由图1示出。 二、4.2. 基于遗传算法的新目的地选择为了使用遗传算法来优化选择新目的地的问题，我们需要将该问题形式化如下：a) 问题表述：在我们的工作中，遗传算法个体是参考点，这允许我们将决策向量“X”表示0x1X¼@yAz最小值3¼最大值-DEb) 编码染色体：在我们的情况下，决策变量是表示参考点编号的二进制变量，我们可以通过大小向量（l）来表示它们，该大小向量（l）由以下等式计算：l¼floorslag2jZj-118与|Z|集合Z的基数（即，参考点的数量因此，在这种情况下，集合Z包含32个参考点，则l = 5，即染色体包含至多5位。因此，点编号2由染色体00010表示。c) 初始种群的创建：一般来说，初始种群是在无人机部署期间创建的，我们使用一种机制来确保多样性和高质量解决方案之间的良好平衡。初始种群的创建如下：初始种群的大小是固定的。它由八个（8）参考点。为了确保多样性，我们从每个区域（东，西，北，南）随机选择两个点。为了便于完成任务，我们将该区域划分为四个正方形，然后随机选择8个点，使每两个点属于一个正方形。d) 点评估：在该步骤中，通过使用以下拟合函数N° 3来评估初始群体的参考点。e) 点选择：在此步骤中，我们选择最强的参考点（即，最好的健康分数）来产生最好的表现的孩子。要做到这一点，我们按降序对人口的点进行排序f) 交叉算子：在这一步中，我们对在选择步骤中选择的四个点的每个父对应用交叉操作。这种杂交用2个亲本形成2个后代.根据它们之间的欧几里得距离选择两个父母（等式10）。（10）父母双方之间的距离尽可能短（即;每两个闭合点代表一对父母）。De. P PrX3c0-c：2ð9Þ其中c：和c0表示参考点Pi的坐标t t图二. 无人机上的执行过程（DDA）pj分别。一、4ÞL. Guezouli，K.Barka和A.杰希切沙特国王大学学报2466-事实上，这些新的参考点（个体）是通过两个亲本之间的杂交形成的。在[1; l 1]之间选择随机位置k，其中l是长度（等式2）。（8））。通过交换从位置k + 1到l的比特来完成交叉，即，这些比特已经从一个个体传递到另一个个体以形成两个新的个体。该交叉然后以概率Pc在该位置处发生。g) 突变算子：突变是偶然的随机（即，低概率）比特值的修改（即，位的反转）。我们在区间[1，l]中抽取一个随机位，一个0到1之间的随机数，如果这个数小于pm，那么突变发生。h) 替换操作员：然后，我们应用决定替换50%群体P的替换算子。由于群体中的个体按降序排序，因此用新点（后代）替换后一半群体的点就足够了，群体的大小保持不变。通过这种方式，我们保持了最佳参考点（精英主义）。i) 终止：我们必须从评估阶段重复该过程已经满足停止标准），在这种情况下，UAV选择该群体图3解释了我们用来优化选择新目的地问题的遗传算法。DGA步骤类似于DDA步骤（c，f. 第4.1节）和图4显示了DGA步骤。4.3. 通过BS当UAV从一个参考点移动到另一个参考点时（图5），可能是它长时间不飞越BS，这导致数据丢失（即，降低传递率），因此该数据不会在适当的时间内到达BS（即，延迟变得重要）。为此，我们的解决方案该机制解释如下：假设无人飞行器位于参考点Pi（xi，yi，zi）处。因此，为了使该UAV飞越BS（0，0，z），图三. GA的执行过程见图4。无人机上的执行过程L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2467××图五、A点上的UAV选择B点飞越BS。见图6。 BS上的执行过程参考目标函数（f），允许从验证以下约束的参考点（Z）的集合中选择点Pj（xj，yj，zj）8>Pj. xj;yj;zj<$2Zof the neighborhood附近of one hop跳.群集阶段在此阶段之后开始问题是每个传感器将能够检测到多个UAV，这个问题的解决方案是传感器必须记住UAV分配的等级，这允许传感器具有可能遇到它们的UAV的动态列表有了这个过程，传感器节点将能够在几个集群中的一个集群当传感器想要发送其数据时，具有最低等级的UAV将被发送过程很简单，每个静态传感器从该区域收集数据（如温度）并将其保存在其内存（队列）中。一旦UAV创建其集群，传感器就将数据直接发送到UAV（CH）（如果其在其覆盖区域内）或经由通过作为同一集群的成员的其他传感器创建的路径4.6.基站上起初：基站根据传感器、无人机和区域的特点，建立Z个参考点集合，然后将每个点的作战目标值与T1相乘，是高值，并且Dc等于零。循环：当BS检测到UAV时，它从该UAV检索新数据以更新Z参数并将其发送回UAV。完成：这个进程将一直运行，直到用户杀死它（停止）。图6示出了上述步骤。5. 模拟评价在本节中，我们将提供一组仿真结果来评估两种拟议解决方案（DDA和DGA）的性能。所有模拟均使用TOSSIM模拟器（Levis等人， 2003年）。我们考虑两个模拟配置，第一个或多或少减少事件区域包含数量减少的静态传感器。第二个集中在一个或多或少包含大量的静态传感器的大事件区域。这两种配置的目标是根据所提出的解决方案来研究所研究的度量的发散。在模拟中，我们参考了第一种配置中的144个固定传感器节点961在第二配置）均匀地部署在300 300米的事件区域中在第一配置（分别1000第二配置中的1000）。活动区域由位于中心的基站组成xj<$mωxiyj¼ -mωyizj¼zim2R-ð10Þ无人机节点也分散在这个事件区域;每个传感器可以每5分钟检测一次事件模拟参数总结见表1。我们比较了我们的方法（DDA和DGA）和方法（SSP）的一些结果，因为它是我们思想的基础在最坏的情况下，这个问题的可能解决方案是参考点BS（0，0，z）。4.4. 更新参考点参数我们考虑两种类型的更新，一种由UAV完成，另一种由BS完成。一旦UAV的暂停时间在参考点到期，则该UAV更新该点的参数（即;保存新的T1和dc值），并且一旦该UAV检测到- 当UAV从BS接收到所述数据时，UAV（向BS）发送所收集的数据和其最近停止的新参数。反过来，BS返回来自其他UAV的最新更新。4.5. 网络运营根据Guezouli et al. （ 2019）传感器表1模拟参数。参数值拓扑网格（300× 300）//配置1网格（1000× 1000）//配置2静态传感器节点144//配置1 961//配置2无人机节点1及更多传感器传输范围30m无人机传输距离70米BS传输范围70m无人机速度10 m/s冷却时间（Tp）2 minBS的转换时间（T）6 min交叉概率Pc（对于DGA）1突变概率Pm（对于DGA）0.05个单位事件触发周期5 min节点部署在事件区域后，建立一个表<>：>个L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2468(we在这个模型中实现了我们的想法），这使我们能够清楚地看到所需的优化。事实上，我们已经考虑了与SSP的比较，只是在几个图上。7、9和11，因为SSP将花费相当多的时间来处理大面积的问题。因此，我们仅在以下方面与SSP进行了比较：300× 300环境。5.1. 交付率评估这里的目的是研究增加部署的UAV数量对交付率的影响，交付率是在每个时段（5分钟）内到达BS的事件数量与在同一时段内创建的事件总数的比率。根据第一配置，图7示出了当网络中的UAV节点的数量增加时的平均递送比率。我们注意到，很明显，向环境中注入几个无人机可以优化收集数据的接收。然而，吸引我们注意的是，减少无人机数量可以达到100%的接待率。还应该注意的是，我们的解决方案（DDA和DGA）提供更好的结果，从一开始（1无人机）相比，SSP随机解决方案。这是由于我们的解决方案提供了良好的目的地选择。不要为了证明DDA和DGA曲线的相似性，见图7。实际上，在小区域中，参考点的数量很小（参考点表的大小相当小），因此两种解决方案提供相同的性能。另一方面，在一个大的地区，差异是明显的（图。 8）。根据第二种配置，图8呈现了与图7所示的情况类似的研究，但是针对大的事件区域和大量的静态传感器。我们注意到，平均投放率需要大量的无人机来实现最佳稳定性（DGA约10架无人机，DDA约14架无人机）。应该注意的是，基于遗传算法的方法相比于确定性算法呈现出更好的结果。实际上，对于DDA算法，选择下一个目的地的计算时间可能超过集群创建时间（注意，集群创建在UAV的暂停时间（#3.2）处完成，如表1中指定的，其被设置为2分钟）。 此外，注入网络中的UAV的数量可以增加相同目的地将被若干UAV选择的概率。但是，对于DGA算法，它具有停止条件（与暂停时间相关），该条件不允许它超过群集创建时间。此外，该算法的概率，同一目的地将被几个无人机选择是非常低的。这就是为什么DGA算法优于DDA算法的原因。图7.第一次会议。SSP、DDA和DGA的交付比率（事件区域300× 300）。见图8。DDA和DGA的交付比例（事件区域1000× 1000）。5.2. 事件区域平均覆盖时间覆盖时间定义为无人机发现事件区域内部署的所有静态传感器所对于第一配置，基于UAV的递增数量，图9表示BS发现所有静态传感器所需的时间。对于随机接近（SSP），发现将花费相当多的时间，这是由于UAV遵循的随机轨迹。对于我们的两种解决方案，我们注意到在特定延迟后成功发现所有静态传感器。注意，对于两种解决方案，曲线几乎相同。事实上，与一个小的事件区域的两种方法（无论是基于确定性算法或遗传算法）提出了类似的结果。我们的解的两条曲线之间的微小差异可以用以下事实来解释：在DDA解决方案中，当无人机移动到新的目的地点时，它将能够在该点找到另一个无人机，因此它将失去再次移动到另一个目的地的时间。DGA解决方案不会发生这种情况，因为它基于遗传算法。图 10（根据第二种配置），提出了一个研究类似的情况下，图。9，但对于大型活动区域和大量静态传感器。我们注意到DDA和DGA曲线之间的分歧事实上，基于遗传算法的方法提出了更好的结果相比，确定性算法。对于大型活动区域，如果移动到目的地的无人机发现那里被另一架无人机占用，它将损失大量时间，并且这仅针对DDA解决方案提出，因此存在很大的差距。因此，如果我们的研究覆盖了大的事件区域，根据基于遗传算法的计算，所有静态传感器的发现在图9.第九条。SSP、DDA和DGA的平均覆盖时间（事件区域300× 300）。L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2469见图10。DDA和DGA的平均覆盖时间（事件区域1000× 1000）。5.3. 延迟评估在本节中，重点是当我们增加网络中部署的UAV节点数量时的延迟我们将延迟定义为消息从源节点（静态传感器）到达UAV节点所需的平均时间根据第一配置（或者对于第二配置），图11示出了在事件区域中部署少量UAV节点的情况下，我们注意到SSP、DDA和DGA的高延迟。我们还注意到，显然，将多个无人机注入环境中可以减少接收延迟。但是，与SSP相比，我们的解决方案的延迟更好，这是由于当存在少量UAV时，静态传感器检测到UAV的概率非常低此外，DDA和DGA算法迫使无人机遵循受控的移动性，从而允许更快地覆盖所有静态传感器，这影响了需要强调的一点是，延迟实际上是毫秒级的最小值，而为每个UAV分配的暂停时间为2分钟。这表明我们不应该夸大停顿时间的分配。在下面的模拟中，我们将重新计算停顿时间的平均覆盖时间，该停顿时间收敛到前一点的度量中引起的延迟5.4. 事件区域平均覆盖时间的优化我们从图11中注意到，最大延迟阈值是几毫秒，因此不需要延长通信的暂停时间图十一岁SSP、DDA和DGA的延迟（事件区域300× 300）。见图12。DDA和DGA的平均覆盖时间（覆盖时间= 1分钟-事件区域1000× 1000）。无人机收集数据。如果我们将暂停时间减少到一分钟，我们会发现一个更有趣的平均覆盖时间，如图所示。 12个。事实上，当暂停时间为2分钟时（图10），我们没有注意到两种算法（DDA和DGA）的结果之间存在很大差异，因为2分钟的暂停时间足以让两种算法选择下一个目的地。 然而，当我们将暂停时间减少到1分钟时，我们注意到两种算法之间的差异变得更大，这是因为DDA算法选择下一个目的地的时间超过了指定的暂停时间这对事件区域平均覆盖时间产生负面影响。对于DDA算法，随着暂停时间的减少，我们注意到该度量的仿真结果优化了15%，而对于DGA，我们注意到45%的优化。6. 结论和展望最近的研究异构无线传感器网络（WSNs）的移动性，以提高网络的整体性能的有用性。手头的调查结果表明，更有效的战略，流动性管理，以克服日益复杂的问题。基于使用无人机（UAV）的聚类技术，我们的研究证明了确定性和遗传算法作为移动模式的可靠性。仿真结果表明，我们的解决方案（Deterministic和Genetic）相比，随机移动模型是至高无上的。通过一系列的体验，在交付率、延迟和覆盖时间方面都有了最后，这种比较研究将是有价值的限制的问题，移动性可能会导致，并可以打开大门，智能和自适应的移动性管理在异构无线传感器网络。未来研究的问题可以从确定性和进化的流动性解决方案的问题中得出在未来的工作中，我们将重点放在上述技术的优化，以解决异构无线传感器网络中更具可扩展性的移动性问题。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。L. Guezouli，K.Barka和A.杰希切沙特国王大学学报2470引用艾伯特河，巴西-地2010年。一天一个洋葱国安局就不会来了。 J. Int. Law 13，22-28.Adya，A.，夏尔马，K.P.，2020.基于能量感知聚类的FANESTIC移动性模型，ICETIT2019会议记录，Springer，pp. 36比47Bai，F.，Helmy，A.，2004年流动性模型的调查第206章.University of Southern California，USA，p. 147.Barka，K.，盖祖利湖Gourdache，S.，Boubiche，D.E.，2019.关于移动无线传感器和执行器网络数据收集的新自组织协议的提案，2019年第15届国际无线通信&移动计算会议（IWCMC）。IEEE，985-990。Bouachir，O.，Abrassart，A.，加西亚，F.，Larrieu，N.，2014年。 无人机自组织网络的移动性模型，2014年国际无人机系统会议（ICUAS）。IEEE，383-388.坎普，Boleng，J.，戴维斯，V。2002. adhoc网络研究中的移动模型综述。无线通信移动计算2，483-502。Goyal，N.，戴夫，M.，维尔玛，A.K.，2019.水下无线传感器网络中的数据聚合：最新方法和问题。J.沙特国王大学-计算机通知。Sci. 31，275-286。盖祖利湖Barka，K.，Bouam，S.，Zidani，A.，2018.一种改进无线传感器网络路由的随机路径点移动模型。Int. J. Inf. Commun. Technol.13，407-423.盖祖利湖Barka，K.，Gourdache，S.，Boubiche，D.E.，2019.移动无线传感器网络的自组织智能协议，2019年第15届国际无线通信&移动计算会议（IWCMC）。IEEE，1002-1006。Kuiper，E.，Nadjm-Tehrani，S.，2006.无人机群侦察应用的移动