类型a

作者与机构及发表信息
本研究的主要作者包括张林峰（Linfeng Zhang）、何楚红（Chuhong He）、彭一峰（Yifeng Peng）、刘展（Zhan Liu）和朱晓蓉（Xiaorong Zhu）。其中，张林峰和刘展隶属于中国电信研究院移动与终端技术研究所（广州），而何楚红、彭一峰和朱晓蓉则来自南京邮电大学通信与信息工程学院。该研究于2023年10月20日发表在《Sensors》期刊上。

学术背景
本研究属于无线传感器网络（Wireless Sensor Networks, WSNs）与无人机（Unmanned Aerial Vehicles, UAVs）协同数据收集领域。随着物联网（Internet of Things, IoT）技术的快速发展，大量传感器节点被部署以监测环境参数（如温度、湿度、烟雾浓度等）。然而，由于传感器节点通常具有低功耗、小信号覆盖范围以及缺乏存储能力的特点，如何高效地收集这些节点的数据成为一个关键问题。传统的全网络覆盖方法成本高昂，因此利用无人机作为移动数据收集点成为一种可行的解决方案。尽管如此，现有研究在多无人机协同任务分配和路径规划方面仍存在不足，尤其是在任务量均衡性和完成时间优化方面。为此，本研究提出了一种基于改进K-means算法和分组遗传算法的多无人机数据收集与路径规划方法，旨在最小化任务完成时间并实现任务量均衡。

研究流程
本研究分为两个主要阶段：传感器节点聚类和无人机路径规划。

第一阶段：传感器节点聚类
1. 初始聚类：使用传统K-means算法将传感器节点划分为若干簇（clusters）。每个簇的中心节点（cluster head node）负责收集簇内其他传感器的数据。为了确保簇内数据量的均衡性，研究引入了一个距离阈值公式 (d_{th}^s = \left(\frac{p_s}{\gamma_c^{th}\sigma^2}\right)^{\frac{1}{\alpha}})，用于限制簇内节点与簇头节点之间的最大距离。
2. 调整聚类结果：基于初始聚类结果，研究设计了一种调整算法（Algorithm 2），通过增加或移除簇内节点来平衡各簇的任务数据量。具体而言，算法首先计算所有簇头节点的中心点，并根据总数据量和数据类型的分布估算每个簇的期望数据量。随后，从最外层簇开始调整，逐步补充或移除节点，直到所有簇的数据量达到期望值。

第二阶段：无人机路径规划
1. 路径离散化建模：将无人机路径规划问题转化为多旅行商问题（Multiple Traveling Salesman Problem, MTSP）。每个无人机被视为一个旅行商，每个簇头节点位置视为一个城市。
2. 分组优化：为解决大规模MTSP问题，研究采用两次普通K-means算法将原始问题分解为多个独立的TSP子问题。对于每个TSP子问题，研究提出了一种基于2-opt优化算子的改进遗传算法（Genetic Algorithm, GA）。
3. 遗传算法改进：改进的遗传算法包括以下步骤：
- 选择操作：采用轮盘赌方式选择个体，同时引入掺杂操作以维持种群多样性。
- 交叉操作：随机选择两个父代染色体的片段进行交叉，避免冲突检测。
- 变异操作：随机提取染色体片段并重新排列。
- 2-opt优化：在遗传操作前对劣质个体进行局部优化，剔除明显错误的排列，从而提高算法效率。

主要结果
1. 聚类结果分析：通过对比传统K-means算法和改进后的聚类算法，研究发现后者显著减少了簇间数据量的差异。例如，在传统K-means算法中，第8簇和第9簇的数据量不足200 MB，而第27簇接近1 GB；而在改进算法中，各簇的数据量趋于均衡，有效平衡了无人机的工作时间。
2. 路径规划结果分析：改进遗传算法在路径长度和收敛速度方面均优于传统遗传算法。实验表明，传统算法的最佳路径长度为8374.9031米，而改进算法仅为6174.0561米。此外，改进算法在40次迭代后即可收敛，而传统算法需要80次迭代。
3. 任务完成时间分析：研究比较了不同簇数量和传感器规模下的任务完成时间。结果表明，当传感器数量为300时，将其划分为30个簇可实现最佳效果。过多或过少的簇数量都会导致任务完成时间增加。此外，在大规模传感器场景下，改进算法显著缩短了任务完成时间。

结论与意义
本研究提出了一种新颖的多无人机数据收集机制，能够有效最小化任务完成时间并实现任务量均衡。该方法的核心创新在于：
1. 提出了一种基于数据量均衡的改进K-means聚类算法，解决了传统算法中簇间数据量不均衡的问题。
2. 设计了一种基于2-opt优化算子的分组遗传算法，显著提高了路径规划的效率和精度。
本研究不仅为大规模物联网终端数据收集提供了高效的解决方案，还展示了多无人机协同技术在复杂工程场景中的应用潜力。此外，研究还指出未来的研究方向，包括无人机间协作数据处理机制的开发、节能数据收集策略的设计以及安全通信协议的研究。

研究亮点
1. 方法创新：提出的改进K-means算法和分组遗传算法在任务量均衡性和路径规划效率方面表现出色。
2. 实验验证：通过仿真实验全面验证了方法的有效性，尤其是在大规模传感器场景下的优越性能。
3. 实际应用价值：研究成果可直接应用于物联网和无线传感器网络的数据收集场景，具有重要的实践意义。

其他有价值内容
研究还探讨了多无人机协同系统的扩展性和可扩展性，指出其在搜索与救援、监控、灾害监测、交通运输、公共安全和国防等领域的广泛应用前景。此外，研究强调了无人机技术在未来物联网数据收集需求中的重要性，并呼吁进一步探索相关技术的优化与创新。