近期，信息学院罗传文团队在无线可充电传感器网络领域取得了重要突破，研究成果以“Dynamic Charging Strategy Optimization for UAV-Assisted Wireless Rechargeable Sensor Networks Based on Deep Q-Network”为题，在物联网领域国际顶级期刊《IEEE Internet of Things Journal》（中国科学院一区，IF=10.6）上发表。

无线可充电传感器网络在精准农业、城市公交系统等领域有着广泛的应用前景。在这个网络中，可充电传感器能够监测环境，收集信息，并通过无线通信实现数据交互。然而,传感器的电池寿命一直是限制网络连续运行和整体性能的关键。更换电池不仅耗时耗力，而且成本高昂。因此，如何有效延长传感器寿命，成为了无线可充电传感器网络研究中的一项重要课题。

为了解决传感器能量限制问题，研究人员提出了一种利用无人机为无线可充电传感器网络充电的方案。凭借无人机的高机动性和灵活的部署能力，它能够自由地在无线可充电传感器网络上空移动，并通过无线能量发射器远程为传感器节点进行能量补充。然而，无人机的充电策略设计面临着诸多挑战，包括如何适应传感器能耗的实时动态变化、如何在保证传感器能量需求的同时优化无人机的能量消耗等。

针对上述问题，本文考虑在监控区域部署无人机和移动多功能车辅助下的无线可充电传感器网络架构（图1）。在该架构中，无人机作为移动充电器为传感器补充能量，而移动多功能车则作为移动基站为能量不足的无人机更换电池。研究团队关注的核心问题是如何最小化传感器死亡时间和无人机能量消耗（MDME），以确保网络的持续稳定运行。为了实现这一目标，研究团队提出了一种基于深度强化学习的DQN-MDME算法（图2）。该算法能够根据实时网络状态进行在线充电调度决策，并通过经验重放机制不断更新网络参数。实验结果表明，该算法在降低传感器死亡时间和无人机能耗方面表现出色，显著优于其他三种经典算法。

图1 无线可充电传感器网络架构图

图2 DQN-MDME算法流程图

本论文第一作者为信息学院（人工智能学院）2021级硕士研究生刘宁，通讯作者为罗传文，北京林业大学为唯一完成单位；本论文受到国家自然科学基金项目(62202054、62002022、32071775) 资助。

论文链接：https://ieeexplore.ieee.org/abstract/document/10368020