16、无人机辅助能源收集与谐振波束通信技术综述

无人机辅助能源收集与谐振波束通信技术综述

1. 无人机辅助能源收集

在无人机辅助的无线传感器网络（WSNs）和物联网（IoT）网络中，存在诸多需要解决的问题。由于无人机对每个节点的电池和数据队列状态未知，在较大的物联网网络中，Q学习算法会出现发散问题。为解决这一问题，有人提出了基于双Q学习的解决方案。该方案通过抑制估计误差，得到了更优的结果。评估网络规模和数据队列长度的不同值对丢包率的影响，结果显示，与贪婪算法相比，该方案性能更优。

虽然传感器节点（SN）/物联网设备（IoTD）的功率优化不会提高收集的能量，但可以显著提高可用能量的利用率。具体操作步骤如下：
1. 优化用户关联，通过聚类的方式实现。
2. 当计算出聚类并安排好无人机的飞行后，对节点的发射功率进行优化，以减少对等通信中的干扰。
3. 将功率优化问题设计为平均场博弈，每个节点求解该博弈。
4. 每个节点需要知道平均场分布才能求解平均场博弈，此信息由中央控制器传播。

结果表明，与优化充电操作相比，丢包率有所降低；与所有节点以相同功率发射的情况相比，信干噪比（SINR）得到了改善。

以下是一些相关方案的总结表格：
|方案|目标|
| ---- | ---- |
|基于双Q学习的方案|解决Q学习算法在大物联网网络中的发散问题，降低丢包率|
|功率优化方案|减少对等通信干扰，提高能量利用率，改善SINR|

目前，针对无人机辅助能源收集的研究主要集中在优化轨迹、关联和资源分配，以直接或通过特定应用目标来提高能源收集效率。不过，大多数方案都考虑了无人机的有限能量，且需要在具备能源收集能力的情况下探索不同的解决方