】公交网络辅助的无人机调度，用于无线可充电传感器网络的可持续充电附Matlab代码)
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
无线可充电传感器网络（WRSN）作为物联网（IoT）的核心支撑技术，已广泛渗透到环境监测、智能农业、工业自动化、智慧城市等多个关键领域，通过大量低成本、低功耗传感器节点的协同工作，实现对目标区域的实时感知、数据采集与传输。然而，传感器节点的电池容量有限，其能量消耗速度与工作负载、环境因素密切相关，一旦电池耗尽，节点将停止工作，进而破坏网络连通性与覆盖范围，严重制约WRSN的长期稳定运行——传统人工更换电池、固定充电桩补给等方式，不仅维护成本高昂、操作效率低下，还难以适配复杂部署场景（如偏远区域、大范围分散部署）的充电需求，成为阻碍WRSN规模化应用的核心瓶颈。
随着无线能量传输（WPT）技术的突破与无人机（UAV）技术的成熟，无人机辅助移动充电成为解决WRSN能量补给难题的最优方案之一。无人机具备机动性强、覆盖范围广、部署灵活等优势，可搭载无线能量发射器，自主前往传感器节点所在位置完成定向充电，无需依赖固定基础设施，有效弥补了传统充电方式的局限性，为WRSN的可持续运行提供了新的技术路径。但无人机自身同样面临能量约束问题，其电池容量有限导致飞行续航时间短、充电覆盖范围受限，传统无人机调度策略仅聚焦于充电路径优化，忽略了城市现有基础设施的潜在价值，难以实现大规模WRSN的高效、持续充电，如何突破无人机续航瓶颈、优化调度效率，成为当前无人机辅助WRSN充电研究领域的核心痛点。
城市公交网络作为覆盖面最广、运行最规律的公共基础设施，具备固定路线、预设时间表、站点分布密集、承载能力强等显著特点，其运行轨迹的可预测性与广泛覆盖性，可与无人机调度形成高效协同，为解决上述痛点提供了全新思路。基于此，本文提出公交网络辅助的无人机调度策略，深度融合城市公交网络资源与无人机移动充电技术，以实现WRSN的可持续充电为核心目标，通过公交车辆为无人机提供移动能量补给支撑，优化无人机充电路径与调度方案，破解无人机续航短板，提升WRSN充电效率与网络生命周期，构建“公交补给-无人机充电-WRSN续航”的协同闭环体系。
一、公交网络辅助的无人机调度核心架构
公交网络辅助的无人机调度系统以“协同高效、可持续补给”为核心设计原则，整合调度中心、无人机充电单元、公交移动补给单元、WRSN传感器节点四大核心组件，各组件协同工作、数据互通，形成完整的WRSN可持续充电调度体系，架构设计如下：
（一）调度中心
调度中心作为整个系统的“大脑”，承担数据汇聚、需求分析、策略生成、全局管控四大核心功能，是实现公交网络与无人机协同调度的核心枢纽。其核心工作包括：实时采集WRSN所有传感器节点的能量状态（剩余电量、能量消耗速率、充电优先级）、位置信息与工作负载，通过机器学习或深度学习模型，结合历史数据预测各节点未来一段时间的能量需求，避免节点因能量耗尽导致失效；同步接入城市公交网络实时数据，包括公交车辆的运行路线、实时位置、停靠站点、发车频率、剩余续航与补给能力，建立公交车辆动态数据库；基于传感器节点能量需求、无人机状态（剩余电量、充电进度、飞行位置）与公交补给资源分布，通过多目标优化算法（如遗传算法、粒子群优化算法、Lin-Kernighan启发式算法等），生成最优的无人机充电路径与调度计划，同时匹配公交移动补给节点，规划无人机能量补给时机与地点；实时监控无人机飞行状态、充电执行进度与公交补给状态，针对突发情况（如公交延误、无人机故障、传感器节点能量消耗异常）动态调整调度策略，确保系统稳定运行。
（二）无人机充电单元
无人机充电单元由多架搭载无线能量发射器、通信模块与定位模块的无人机组成，是直接为WRSN传感器节点提供充电服务的执行载体。无人机采用轻量化设计，搭载定向无线能量传输设备，可根据调度中心指令，自主规划飞行路径，前往目标传感器节点所在位置，通过调整飞行高度、优化天线方向，实现高效无线能量传输，提升充电效率；同时，无人机搭载电量监测模块，实时向调度中心上报自身剩余电量，当电量低于预设阈值时，自动前往指定公交停靠站点或公交车辆附近，完成能量补给；此外，无人机具备多节点连续充电能力，可按照调度中心分配的充电优先级，依次为能量紧缺的节点提供充电服务，充电过程中实时反馈充电进度，确保充电任务有序执行。针对3D WRSN场景，无人机可适配空间分布节点的充电需求，解决传统2D调度方案难以适配复杂空间场景的问题。
（三）公交移动补给单元
公交移动补给单元以城市现有公交车辆为载体，承担无人机能量补给与临时停靠支撑的核心功能，是突破无人机续航瓶颈的关键支撑。公交车辆搭载小型无人机专用充电设备（如快速充电桩、无线充电板），可在预设停靠站点或行驶过程中，为电量不足的无人机提供快速能量补给，无需额外建设专用补给设施，降低系统部署成本；同时，公交车辆按照固定路线与时间表运行，其停靠站点可作为无人机的临时起降点与补给点，形成广泛分布的移动补给网络，覆盖WRSN大部分传感器节点部署区域；此外，公交车辆可搭载简单的无人机维护设备，针对轻微故障（如电量耗尽、信号异常）进行临时处理，提升无人机运行可靠性。
（四）WRSN传感器节点
WRSN传感器节点是充电服务的接收端，分布于目标监测区域，承担环境感知、数据采集与传输的核心功能，同时具备能量状态反馈能力。节点内置能量监测模块与无线通信模块，可实时采集自身剩余电量、能量消耗速率等信息，并定期上报至调度中心，为调度中心生成充电调度计划提供数据支撑；节点支持定向无线能量接收，可与无人机充电单元实现高效能量交互，充电过程中自动调整接收角度，提升能量传输效率；同时，节点根据自身工作重要性与能量紧缺程度，自动标记充电优先级，确保调度中心优先为关键节点（如核心监测节点、边缘节点）提供充电服务，保障网络核心功能的连续性。
二、公交网络辅助的无人机调度工作流程
公交网络辅助的无人机调度系统遵循“数据采集-需求分析-策略生成-任务执行-补给循环”的核心工作流程，实现WRSN的可持续充电，具体流程如下，形成闭环运行机制：
第一步：数据采集与状态监测
调度中心实时同步采集三类核心数据：一是WRSN传感器节点数据，包括各节点的剩余电量、能量消耗速率、位置信息、工作负载与充电优先级，建立节点能量动态台账；二是无人机状态数据，包括各无人机的剩余电量、飞行位置、充电进度、设备运行状态，确保实时掌握无人机工作状态；三是公交网络数据，包括公交车辆的实时位置、运行路线、停靠站点、发车频率、补给能力与剩余续航，动态更新公交补给资源信息。三类数据实时互通、同步更新，为调度策略生成提供精准的数据支撑。
第二步：能量需求预测与优先级排序
调度中心基于传感器节点的历史能量消耗数据、当前工作负载与环境参数，通过能量预测模型，预测各节点未来一段时间（如1小时、2小时）的能量消耗趋势，判断节点是否存在能量耗尽风险；同时，根据节点的工作重要性（如核心监测节点、普通监测节点）、能量紧缺程度（剩余电量低于预设阈值的节点优先），对所有传感器节点进行充电优先级排序，优先保障核心节点与能量紧缺节点的充电需求，避免因关键节点失效影响整个WRSN的运行。
第三步：调度策略生成与路径优化
调度中心结合传感器节点充电需求、无人机状态与公交补给资源分布，通过多目标优化算法，生成最优的无人机调度策略与充电路径——核心优化目标包括：最小化无人机飞行能耗、最大化单次充电覆盖的节点数量、最小化总充电时间、确保无人机能量补给及时。具体而言，调度中心为每架无人机分配对应的充电节点序列，规划最优飞行路径，避免无效飞行；同时，根据无人机的续航能力，匹配最近的公交停靠站点或公交车辆，确定无人机的能量补给时机与地点，确保无人机在完成一段充电任务后，能够及时获得能量补给，延长飞行与充电时长。针对3D WRSN场景，将节点空间分布特性纳入路径优化，通过生成最小规模的等效方向集，解决无线充电方向空间无限的难题，提升充电调度的科学性。
第四步：充电任务执行与状态反馈
无人机根据调度中心下发的调度计划与充电路径，自主起飞前往目标传感器节点，按照充电优先级依次执行充电任务。充电过程中，无人机通过定向无线能量传输技术，向传感器节点传输能量，同时实时向调度中心反馈充电进度、自身剩余电量与节点能量变化；传感器节点同步反馈充电状态，确保充电过程高效、稳定。若无人机在充电过程中电量低于预设阈值，立即暂停充电任务，前往指定公交补给点完成能量补给，补给完成后继续执行剩余充电任务。
第五步：能量补给与循环优化
公交车辆按照固定路线与时间表运行，在预设停靠站点为前来补给的无人机提供快速充电服务，或在行驶过程中通过特定机制为无人机提供空中能量传输；补给完成后，公交车辆继续执行自身运营任务，同时向调度中心上报补给记录与当前补给能力。调度中心实时汇总充电任务完成情况、无人机补给情况与传感器节点能量状态，动态调整后续调度策略，优化充电路径与补给方案，实现“数据采集-策略生成-任务执行-补给循环”的闭环运行，确保WRSN所有传感器节点持续获得充足能量，实现网络的可持续运行。
三、调度策略的关键技术支撑
公交网络辅助的无人机调度策略的高效实施，依赖于四大关键技术的协同支撑，涵盖能量预测、路径优化、协同通信、无线充电四个核心领域，突破传统调度模式的技术瓶颈，提升系统整体性能：
（一）WRSN节点能量预测技术
能量预测的准确性直接决定调度策略的合理性，核心采用机器学习或深度学习模型，基于传感器节点的历史能量消耗数据、工作负载数据（如数据采集频率、传输频率）、环境参数（如温度、湿度、信号强度），构建节点能量消耗预测模型，精准预测各节点未来一段时间的能量需求与耗尽时间。通过该技术，调度中心可提前识别能量紧缺节点，优先安排充电任务，避免节点因能量耗尽导致失效；同时，可根据预测结果，合理分配无人机充电资源，提升充电资源利用率，减少无效充电与资源浪费。
（二）多目标无人机路径优化算法
无人机路径优化是提升充电效率、降低能耗的核心，需兼顾多个优化目标（最小化飞行能耗、最大化充电节点数量、最小化总充电时间、匹配公交补给），属于典型的多目标优化问题，可采用遗传算法、粒子群优化算法、Lin-Kernighan启发式算法（LKH）等智能优化算法求解。针对3D WRSN场景，通过设计最小规模的功能等效方向集，解决无线充电方向空间无限的难题，结合LKH算法规划无人机最优充电路径，确保无人机在有限续航内，完成最多节点的充电任务；同时，算法需实时适配公交车辆的动态位置与停靠时间，确保无人机能够及时获得能量补给，突破续航瓶颈。
（三）公交-无人机-调度中心协同通信技术
协同通信是实现各组件数据互通、同步工作的前提，核心采用V2X（Vehicle-to-Everything）通信技术与5G/6G通信技术，构建低延迟、高可靠、广覆盖的通信网络，实现调度中心与无人机、公交车辆、传感器节点之间的实时数据传输。具体而言，调度中心与无人机之间实现调度指令、飞行状态、充电进度的实时传输；调度中心与公交车辆之间实现公交运行数据、补给能力、补给记录的实时同步；无人机与传感器节点之间实现充电指令、能量状态的交互；同时，通信系统具备抗干扰能力，可适应复杂城市环境（如高楼遮挡、信号干扰），确保数据传输的准确性与实时性，避免因通信延迟导致调度失误。
（四）定向无线能量传输（WPT）技术
无线能量传输技术是无人机为WRSN节点充电的核心支撑，采用定向无线能量传输技术，可提升能量传输效率、减少能量损耗，确保无人机在有限能量下，为更多节点提供充电服务。该技术通过优化无人机天线方向、调整飞行高度，使无线能量聚焦于目标传感器节点，减少能量扩散损耗；同时，适配不同距离、不同能量需求的节点，动态调整能量传输功率，实现高效、精准充电。针对3D WRSN节点的空间分布特性，定向无线能量传输技术可灵活适配不同高度、不同位置的节点，解决传统2D充电方案覆盖不足的问题。
四、系统优势与应用前景
（一）核心优势
相较于传统无人机调度与WRSN充电方案，公交网络辅助的无人机调度系统具备四大显著优势，凸显协同创新价值：一是破解无人机续航瓶颈，依托城市公交网络的广泛覆盖与规律运行，为无人机提供分布式移动补给，无需额外建设专用补给设施，大幅提升无人机的飞行与充电覆盖范围，降低系统部署成本；二是提升充电效率与网络可靠性，通过精准的能量预测与路径优化，优先保障核心节点与能量紧缺节点的充电需求，避免节点失效，延长WRSN的生命周期，提升网络运行的稳定性与连续性；三是降低系统维护成本，充分复用城市公交网络现有资源，无需投入大量资金建设专用补给设施，同时减少人工干预，实现无人机调度与WRSN充电的自动化运行，降低维护成本；四是适配性强，可灵活适配不同规模、不同部署场景（如城市、郊区、复杂地形）的WRSN，既能满足小规模节点的充电需求，也能通过多无人机协同、公交网络全域覆盖，实现大规模WRSN的可持续充电，同时可适配2D与3D WRSN场景，提升技术通用性。
（二）应用前景
该调度策略依托城市公交网络的现有资源，实现WRSN的可持续充电，具备广泛的应用前景，可适配多个领域的WRSN部署需求：在智慧城市领域，可用于城市环境监测、交通流量监测、智能安防等WRSN的能量补给，依托城市公交网络的全域覆盖，实现传感器节点的持续运行，为智慧城市管理提供精准的数据支撑；在智能农业领域，可用于农田环境监测、作物生长监测等WRSN的充电，结合乡村公交路线，为无人机提供补给，实现农田全域传感器节点的可持续监测，助力精准农业发展；在工业自动化领域，可用于工业园区设备监测、环境监测等WRSN的能量补给，依托工业园区内部公交或通勤车辆，实现无人机的移动补给，保障工业监测网络的连续运行；在环境监测领域，可用于偏远区域、生态保护区的环境监测WRSN充电，通过区域内公交路线，解决无人机续航不足的问题，实现生态环境的长期、连续监测。
五、总结与展望
本文提出的公交网络辅助的无人机调度策略，针对WRSN可持续充电的核心需求，深度融合城市公交网络资源与无人机移动充电技术，构建了“调度中心-无人机-公交车辆-WRSN节点”的协同架构，明确了闭环工作流程，依托能量预测、路径优化、协同通信、定向无线能量传输四大关键技术，破解了传统无人机调度续航不足、充电效率低、成本高的痛点，实现了WRSN的高效、可持续充电，同时具备成本低、适配性强、可靠性高的优势，为WRSN的规模化、长期化应用提供了全新的技术方案。
未来，可从三个方面进一步优化该调度策略：一是优化能量预测与路径优化算法，结合深度学习与强化学习技术，提升能量预测的准确性与路径优化的实时性，适配动态变化的网络环境（如节点故障、公交延误）；二是拓展多无人机协同调度模式，针对大规模WRSN，优化多无人机的任务分配与协同工作机制，结合公交补给网络，提升充电覆盖效率与整体调度性能；三是完善协同通信与无线充电技术，进一步降低通信延迟、提升能量传输效率，同时探索无人机与公交车辆的动态补给新模式（如空中实时补给），提升系统的灵活性与可靠性，推动该策略在更多领域的WRSN中落地应用，助力物联网技术的持续发展。
⛳️ 运行结果
🔗 参考文献
[1] 魏振春,王旭,吕增威,等.WRSN联合无线充电和数据收集的周期性充电规划[J].计算机辅助设计与图形学学报, 2019, 31(8):8.DOI:10.3724/SP.J.1089.2019.17411.
[2] 诸燕平.无线传感器网络节点定位算法研究[D].南京航空航天大学,2012.DOI:CNKI:CDMD:1.1011.291436.
[3] 赵兰馨.无人机辅助的无线传感器网络数据收集算法研究[D].重庆邮电大学[2026-02-04].
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
)
)
)
