空地协同的广域蔬菜种植传感数据采集研究

摘要

【目的】

针对大规模蔬菜种植区域传感器部署成本高昂、数据远距离传输困难等问题，设计高效的数据收集策略。

【方法】

文章结合蔬菜种植区域的分布特征，采用动态K均值聚类算法对区域进行分簇，通过贪心算法基于最近插入原则生成初始的卡车与无人机协同路径。之后利用基于进化的人工蜂群算法对路径进行优化，结合动态Metropolis准则、动态禁忌搜索和精英选择策略进一步提升解的质量。

【结果】

该方法显著减少了数据收集的总时间，同时大幅降低了空地采集系统的能耗。

【结论】

该文提出的方法为广域蔬菜种植区域的智能化数据收集提供了一种高效的解决方案，为实现精准农业的广泛应用提供了技术支撑。

关键词

精准农业; 蔬菜种植; 智慧农业; 传感网络; 无人机

0 引言

在当代农业实践中，蔬菜种植不断呈现出智能化、规模化和精准化的发展趋势^［1，2］，在此过程中，通常需要在蔬菜种植区域广泛部署各类传感器，如土壤温湿度传感器、光照传感器、叶片温度传感器以及二氧化碳浓度传感器等^［3］。这些农业传感器全天候进行数据监测，并将蔬菜感知数据传输至服务器进行分析处理，以实现智能化的种植监测和对种植条件的自适应调节。然而，现代规模化的蔬菜种植面积通常较大，传感器与服务器之间的距离较远，由于传感器发射功率较低，实现远距离的数据传输比较困难。但建立覆盖整个种植区的密集网络设施时，不仅成本高昂，而且利用率较低^［4］。

因此，使用移动设备循环收集农业传感器数据成为发展新趋势，例如地面移动设施卡车^［1］和空中移动设备无人机^［3］。卡车具有长续航能力，但油耗较高^［4］，且部分种植田地形复杂、路面崎岖、卡车不易驶入，致使其蔬菜种植传感数据收集效率较低。相比之下，无人机可在立体空间内移动，灵活性更高，可以高效收集呈空间垂直性分布的蔬菜种植田感知数据，且电力驱动成本较低^［5-7］。但由于无人机一般用于高空作业，通常体积小、电池容量低、续航能力差^［8，9］。

单一使用地面移动设施和空中移动设备均有其局限性，结合无人机与移动设施卡车的优势，使用卡车和多无人机协同收集大规模蔬菜种植田传感数据是更可行的方案。具体而言，移动设施卡车通过主干道进入种植田，收集主干道上传感数据的同时充当无人机的移动蓄电站。多辆无人机在不同发射点于卡车上起飞，覆盖整个种植区域，遍历蔬菜种植田数据传输点，当无人机电量耗尽时，可与卡车在回收点汇合进行电池更换，以实现持续的作业。相比于传统的地面固定设备，卡车始终保持匀速前行，可避免无人机折返造成额外耗能。

蔬菜生长速度较快，且受气温、光照等环境等因素影响较大，需要频繁地收集传感器数据进行分析，自适应调整种植环境^［6，10］。积年累月高频率作业使得规划节能高效的卡车与无人机协同采集路径尤为重要。为了尽可能降低采集工作时延和节省协同采集系统能耗，文章首先利用动态K均值聚类算法将种植区域划分为不同的簇，然后根据最近邻原则，利用贪心算法生成卡车与多无人机协同的可行路径。之后通过人工蜂群算法对路径进行更新，并结合动态Metropolis准则以提高解的质量，构建多层次协同策略，以期实现同时降低收集时间和能耗的目标。

1 广域蔬菜种植传感数据采集模型

1.1 卡车与无人机协同采集模型

该研究基于湖南省永州市冷水滩区珊瑚街道珍珠糖村蔬菜种植分布图，设置卡车与无人机协同采集蔬菜种植传感数据的流程如图1所示，具体步骤包括：（1）将蔬菜种植区域划分为M个六边形种植田传感数据收集区，并在每个六边形区域的几何中心部署农业传感器进行温度、光照强度、土壤湿度等数据采集。（2）卡车Tr携带N辆无人机从车仓匀速驶出，采集主干道路上采集点的数据。（3）N辆无人机于不同发射点起飞，覆盖剩余的数据采集点，悬停采集传感数据后与卡车于回收点汇合，存储数据并进行充电。

图1  卡车与无人机协同蔬菜传感数据采集示例

Fig. 1  Example of collaborative vegetable sensor data collection by truck and drone

据此，使用无向图G=（P，E）定义所有农业传感数据采集点和采集路径的信息。其中，P=｛P₁，P₂，⋯，P_M｝表示M个蔬菜数据采集点的集合，每个采集点P_i∈P都有相应的传感存储量D_i。集合E表示采集点之间所有的潜在边，其中d_ij表示节点i和j之间的欧氏距离。S代表无人机的传感数据采集路径，其结构表示为<i，j，Path，u|i∈P，j∈P，u∈U>，其中$i$表示无人机起飞节点，j表示无人机与卡车汇合节点，Path表示无人机u采集数据点的顺序序列。

值得注意的是，无人机悬停采集数据时需要较高的能耗，采集的数据量越大，所需悬停时间越长，能量消耗也越大^［11，12］。若一架无人机负责采集过多数据点，则可能因电力枯竭而被迫降落。反之，若采集数据点过少，则会影响采集效率，增加总体飞行能耗^［13，14］。此外，无人机的工作时长受其自身能耗限制，因此在作业过程中需要确保多架无人机能够精准地与匀速行驶的卡车于回收点汇合，进行电池更换以保证长时间的续航能力。在上述复杂环境下，合理规划卡车和无人机的行驶和飞行路径，以实现高效节能的数据采集，无疑是一项充满挑战的任务。

1.2 协同数据采集系统成本计算模型

卡车与无人机协同数据采集系统的成本主要是时间成本与能耗成本。时间成本即为卡车和无人机协同完成数据采集任务所需的时间长度，而能耗成本则是卡车和无人机在执行任务期间所消耗的能源总量。系统总成本为时间成本与能耗成本的加权和。

①时间成本。卡车时间成本为卡车行驶时间和卡车等待时间的和，计算公式为：

$$\begin{array}{c}{T}_t=T_d+T_w\end{array}$$

（1）

$$T_d=\frac{d_{tr}}{v_{tr}}$$

（2）

式（1）中，T_t为卡车时间成本，T_d为卡车行驶时间，T_w为卡车等待时间，d_tr为卡车行驶距离，v_tr为卡车行驶速度。

无人机时间成本为无人机飞行时间和无人机悬停时间的和，计算公式为：

$$T_u=T_f+T_h$$

（3）

$$T_f=\frac{d_u}{v_u}$$

（4）

$$T_f=\frac{D_a}{v_c}$$

（5）

式（2）中，T_u为无人机时间成本，T_f为无人机飞行时间，T_h为无人机悬停时间，d_u为无人机飞行距离，v_u为无人机飞行速度，D_a为传感数据大小，v_c为无人机采集数据速率。

②能耗成本。卡车能耗E_tr为卡车行驶时间T_d与卡车行驶单位时间能耗e_tr的乘积，计算公式为：

$$E_{tr}=e_{tr}{T}_d$$

（6）

无人机能耗为悬停能耗与飞行能耗的和，计算公式为：

$$E_u=E_f+E_h$$

（7）

$$E_f=e_f{T}_f$$

（8）

$$E_h=e_h{T}_h$$

（9）

式（7）至（9）中，E_u为无人机能耗，E_h为悬停能耗，E_f为飞行能耗，e_f为无人机飞行单位时间能耗，T_f为无人机飞行时间，e_h为无人机悬停单位时间能耗，T_h为无人机悬停时间。

为了在实际蔬菜种植实践中实现采集时间与系统能量的动态平衡，协同采集系统成本为采集时长与系统能耗的加权和，计算公式为：

$$C=\alpha T+\beta E$$

（10）

$$T=\mathrm{m}\mathrm{a}\mathrm{x}\left(T_{track},T_{UAV}\right)$$

（11）

$$E=E_{tr}+E_{UAV}$$

（12）

其中，C为协同采集系统成本，T为时间长度，E为能耗大小，α为时间权重系数，β为能耗权重系数，α与β的和为1。

1.3 传感数据采集路径优化问题建模

蔬菜传感数据采集路径优化问题的任务目标在于最小化时间成本（minCost）的同时尽可能降低能耗成本，包括无人机能耗不能超过电池容量，无人机飞行速度不能超过最大飞行速度，卡车和无人机需在主干路采集点汇合等。优化流程及建模如下。

①无人机的能耗不可超过其电池容量。计算公式为：

$$E_u{a}_{u,s}\le E_{UB}$$

（14）

式（14）中，E_u为无人机能耗，a_u,s为二进制变量，表示无人机$$u是否在航线s上采集数据，E_UB为无人机u的电池能耗容量。

②确保每个数据收集点均有无人机或者卡车服务。计算公式为：

$$\sum _{u\in U}\sum _{s\in S}{a}_{u,s}{b}_{i,s}+\sum _{j\in P}{x}_{ij}=\mathrm{1},\forall i\in P$$

（15）

式（15）中，U为无人机集合，S为无人机航线，a_u,s为二进制变量，表示无人机u是否在航线s上采集数据，b_i，s为二进制变量，表示任务点i是否属于航线s，P为蔬菜传感数据采集点集合，x_ij = 1表示卡车从节点i行驶到节点j。

③卡车必须从车仓驶出，最终驶入车仓。计算公式为：

$$\sum _{i\in P}{x}_{Di}=\mathrm{1}$$

（16）

$$\sum _{j\in P}{x}_{jD}=\mathrm{1}$$

（17）

式（16）（17）中，P为蔬菜传感数据采集点集合，x_Di表示卡车从车仓到任务点i，x_jD表示卡车从任务点j到车仓。

④每个数据采集点至多属于一个卡车或无人机航线。计算公式为：

$$\sum _{u\in U}\sum _{s\in S}{a}_{u,s}{b}_{i,s}\le \mathrm{1},\forall i\in P$$

（18）

式（18）中，P为蔬菜传感数据采集点集合，U为无人机集合，S为无人机航线，a_u,s为二进制变量，表示无人机$$u是否在航线s上采集数据，b_i，s为二进制变量，表示任务点i是否属于航线s。

⑤无人机和卡车必须汇合于无人机起飞节点。计算公式为：

$$\sum _{h\in P}{x}_{hj}+\sum _{u\in U}\sum _{s\in S}{a}_{u,s}{b}_{h,s}+g_{h,u}=\mathrm{3},\forall h\in P,u\in U$$

（19）

式（19）中，P为蔬菜传感数据采集点集合，x_hj表示卡车从采集点h到任务点j，U为无人机集合，S为无人机航线，a_u，s为二进制变量，表示无人机u是否在航线s上采集数据，b_h，s为二进制变量，表示任务点h是否属于航线s，g_h，u = 1表示卡车与无人机u在汇合点h处汇合。

⑥无人机和卡车必须汇合于无人机回收节点。计算公式为：

$$\sum _{f\in P}{x}_{if}+\sum _{u\in U}\sum _{s\in S}{a}_{u,s}{b}_{f,s}+k_{f,u}=\mathrm{3},\forall f\in P,u\in U$$

（20）

式（20）中，P为蔬菜传感数据采集点集合，x_if表示卡车从任务点i到采集点f，U为无人机集合，S为无人机航线，a_u，s为二进制变量，表示无人机$$u是否在航线s上采集数据，b_f，s为二进制变量，表示任务点f是否属于航线s，k_f，u =1表示卡车与无人机在汇合点$f$处离开。

⑦卡车到达汇合点时间要早于无人机，离开时间要晚于无人机，以达到协同。计算公式为：

$$l_i\ge l_{u,s}^{\text{'}}-N(\mathrm{1}-\sum _{s\in S}{a}_{u,s}{b}_{i,s}),\forall i\in P,u\in U$$

（21）

$$r_i\ge r_{u,s}^{\text{'}}-N(\mathrm{1}-\sum _{s\in S}{a}_{u,s}{b}_{i,s}),\forall i\in P,u\in U$$

（22）

式（21）（22）中，P为蔬菜传感数据采集点集合，U为无人机集合，S为无人机航线，a_u,s为二进制变量，表示无人机u是否在航线s上采集数据，b_i,s为二进制变量，表示任务点$$i是否属于航线s。l_i表示物流车离开节点i的离开时间，$l_{u,s}^{\text{'}}$表示无人机u从节点i离开的时间，r_i表示物流车到达节点i的到达时间，$r_{u,s}^{\text{'}}$表示无人机u到达节点$j$的到达时间，N为一个足够大的常数。

2 基于进化人工蜂群的数据收集算法设计

在蔬菜种植业智能化与精准化发展的背景下，为应对大规模传感器部署和数据传输的挑战，该研究提出了一种改进的人工蜂群算法（EABC），用于优化卡车与多台无人机协同收集广域蔬菜种植感知数据的路径设计。

2.1 基于DIG的算法生成蔬菜传感数据采集可行解

首先，针对蔬菜种植区域的地理分布特征，采用动态K均值聚类算法将区域划分为多个簇，以便在地理上对传感器进行分组管理^［15，16］。其次，根据最近插入法原则，应用贪心算法生成卡车和无人机的协同路径，以确保在各个簇内高效完成数据收集任务。

（1）动态K-Means++聚类算法。为自适应多种多样的广域精准蔬菜传感数据采集需求，聚类数$K$动态调整为：

$$K=K_{\mathrm{m}\mathrm{i}\mathrm{n}}+[\mathrm{\alpha }\cdot (K_{\mathrm{m}\mathrm{a}\mathrm{x}}-K_{\mathrm{m}\mathrm{i}\mathrm{n}})]$$

（23）

$$K_{\mathrm{m}\mathrm{i}\mathrm{n}}=⌊\frac{\left|P\right|-\left|U\right|}{\left(\left|U\right|+\mathrm{1}\right)·\mathrm{3}}⌋,K_{\mathrm{m}\mathrm{a}\mathrm{x}}=⌊\frac{\left|P\right|-\left|U\right|}{\left|U\right|+\mathrm{1}}⌋$$

（24）

式（23）（24）中，K为聚类数，即K-Means++算法用于划分蔬菜种植区域的聚类数量，K_max、K_min分别为最大可能的聚类数和最小可能的聚类数，P为蔬菜传感数据采集点集合，U为无人机集合，α为基于当前聚类紧密度与蔬菜传感数据采集点空间分布均衡性的动态权重系数，确保K能够自适应场景变化。随后调用K-Means++算法，根据传感数据采集点的位置构建K个集群，该操作如图2a所示。

图2  基于DIG算法可行解生成示例

Fig. 2  Feasible solution generation example based on the DIG algorithm

（2）构建物流车路径。首先，从集群中选择平均距离最小的采集点作为起始点，加入车辆路径序列。其次，使用最近插入法（Nearest Insertion），逐一将剩余采集点合并到车辆路径序列中，每次优先选择使路径增量最小的位置插入新采集点，直到中集群的所有采集点都包含在路径序列中。该操作对如图2b所示。

（3）基于贪婪策略构建无人机路径。在每个集群中构建物流车路径$TR$后，将$TR$中对路径整体影响最大且符合条件的客户点删除。然后，依据改进后的贪婪策略，为每个删除的点构建新的出发或将每个点插入现有的无人机出发路径，直到所有可行的客户点都在无人机任务航线中，如图2c所示。具体而言，此过程包括以下4个阶段。

①成本分析与采集点删除。计算物流车路径TR中所采集点P_i的路径成本值Δinfluence，即在删除采集点P_i后，将计算物流车行驶的减少总距离。最后，将对路径影响最大且符合删除条件的采集点从TR 中移除。

②构建无人机航线。从无人机舰队中选择一架无人机，将删除的客户点node插入到无人机航线中。

③动态调整与优化。调用 Insertcase 函数（用于计算节点在路径中的最优插入位置），将节点 node 插入到集群 P_n 中所有现有的出发点的位置，计算所有可能的插入方案（Insertion Scheme，IS），并得到可行的插入方案集合。接着，动态计算插入前后的成本变化（Δcost），选择使 Δcost 最小的无人机任务航线作为最优插入方案（Minimal Insertion Scheme，MinIS）。如果既没有找到可行的候选解（Candidate Solution，CS），也没有找到可行的插入方案（IS），则将 node 插入卡车行驶路径（Truck Route，TR）中的原始位置。

④ 全局路径连接。所有集群中的卡车路径按照顺序连接，以车仓为起点和终点，利用 最近邻搜索（Nearest Neighbor，NN），形成完整的 卡车行驶路径序列（Truckroute），如图 2d 所示。

2.2 基于进化人工蜂群算法进行可行解优化

为了在广域农业场景下高效采集蔬菜传感数据，该研究提出了一种改进的进化人工蜂群算法（EABC）。该算法结合自适应Metropolis接受准则^［17］、动态禁忌搜索和精英选择策略，旨在优化无人机和地面车辆的协同路径规划，从而提升数据采集效率，降低运营成本。

2.2.1 Metropolis 接受准则的优化

在广域蔬菜种植田中，传感器网络的布设范围广、节点分布密集，路径规划的复杂性显著增加。为了提升算法的全局搜索能力，避免陷入局部最优，EABC 算法采用自适应Metropolis 接受准则，通过目标值变化量∆f = f（x'）- f（x）以及温度系数T，动态调整接受次优解的概率。当新解x'比当前解x更优时，算法直接接受新解；若Δf<0，则以一定概率接受，以跳出局部最优陷阱。此外，算法还引入了访问失败次数trail_i，用于记录优化过程中连续未找到更优解的情况。若trail_i过大，则说明搜索受阻，此时系统通过调整接受概率 P_accept适当放宽解的接受条件，提高搜索的多样性，增强路径优化的灵活性。接受概率 P_accept计算公式为：

$$P_{accept}=\mathrm{e}\mathrm{x}\mathrm{p}(-∆f/T)(\mathrm{1}+trai{l}_i/k)$$

（25）

其次，动态禁忌搜索通过禁忌列表tabulist的维护，避免重复搜索和冗余操作，从而增强了解的多样性。禁忌条件根据农田路径规划的当前状态动态调整，确保无人机和地面车辆在复杂环境中探索足够多的路径选择。

精英选择策略则通过适应度排序，淘汰不适合的路径解，并使用DIG算法生成新的替代解。淘汰数量由公式Enum=N×Out确定，确保了种群的质量和多样性，有效支持了广域农田中多样化数据采集任务的优化。EABC的整体算法框架如图3所示。

图3  EABC算法框架

Fig. 3  EABC algorithm framework

EABC算法的执行过程分为4个阶段：雇佣蜂阶段、精英选择阶段、观察蜂阶段和侦察蜂阶段。

（1）雇佣蜂阶段。雇佣蜂基于当前食源的信息和邻域操作符开发新的数据采集路径解。如果新路径的目标值f（x'）优于当前路径f（x），则更新为新解；若新解不如当前解，则通过概率P_accept决定是否接受。接受新解时，访问参数trail_i重置为0，并记录在禁忌列表中；否则trail_i增加1。这一阶段有效平衡了探索与开发，使无人机和车辆能够灵活适应农田中的地形变化。

（2）精英选择阶段。在精英选择阶段，适应度较低的路径解将被淘汰，淘汰数量由公式Enum=N×Out确定。通过DIG算法（表1）生成新解，以替代被淘汰的路径。这种机制确保了在广域农田中，无人机和地面车辆能够快速调整数据采集路径，保持高效地运行。

表1  DIG算法流程

Table 1  DIG algorithm process

算法2-1 DIG算法

输入：所有客户节点 $P$ 输出：卡车路径 $TruckR$，无人机飞行航径$UavS$ 1.初始化无人机路径：$UavS\leftarrow \mathrm{\varnothing }$ 2.动态调整 K 值：$K=K_{\mathrm{m}\mathrm{i}\mathrm{n}}+⌊\alpha \cdot \left(K_{\mathrm{m}\mathrm{a}\mathrm{x}}-K_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)⌋$ 3.使用 K-means++ 聚类：$P=\{P_1,P_2,\dots ,P_k\}$ 4. for $P_n\in$$P$do 5. TR$\leftarrow ConstructTR\left(P_n\right)$ 6. while TR中有可行的采集点 do 7. 计算$\Delta influence\left(P_i\right)$ 8. $node\leftarrow GreedyDelete\left(TR\right)$ 9. 随机选择无人机$u$ 10. for $sortie\in UavS$ do 11. $IS\leftarrow Insertcase\left(sortie,node\right)$ 12. $\Delta cost\leftarrow CostChange\left(IS\right)$ 13. end for 14. $MinIS\leftarrow argmin\left(\Delta cost\right)$ 15. if $NotFeasible\left(node,MinIS\right)$then 16. $Restore\left(node,TR\right)$ 17. else 18. if $Cost\left(MinCS\right)<Cost\left(MinIS\right)$ then 19. $UavS\leftarrow UavS\bigcup MinCS$ 20. else 21. $UavS\leftarrow UavS\bigcup MinIS$ 22. end if 23. end while 24. end for 25.使用最近邻算法：$TruckR=NN\left(TR\right)$ 26. return $TruckR,UavS$

（3）观察蜂阶段。观察蜂阶段中，蜜蜂依据适应度值选择路径，并在所选路径上进一步优化。观察蜂采用轮盘赌机制结合自适应Metropolis准则进行路径选择和优化。随着搜索过程的推进，温度T根据以下公式动态降低为：

$$T=T_{\mathrm{0}}\times \mathrm{e}\mathrm{x}\mathrm{p}\left(-\alpha \times k\right)$$

这使得算法能够逐渐从全局搜索过渡到局部精细搜索，在广域环境中有效找到最优路径。

（4）侦查蜂阶段。侦查蜂阶段负责替换长时间未更新的路径解。当访问参数trail_i超过阈值limit时，当前路径解将被新生成的路径替换。禁忌表的长度Tabu_Length在此阶段动态调整，以进一步提升算法在复杂农田环境中的灵活性和适应性。

通过这4个阶段的循环迭代，EABC算法（表2）能够在广域蔬菜田地中为无人机和地面车辆构建最优的数据采集路径，显著提升传感数据的采集效率，同时降低资源消耗，为精准农业中的大规模环境监测提供了有力支持。

表2  EABC算法流程

Table 2  EABC algorithm process

算法2-2 EABC算法

输入：温度 T，蜜源 $foodsource$，访问列表 $trail$，禁忌表$tabulist$ 输出：最优成本 $bestcost$，最优解$bestsolution$，蜜源$foodsource$，访问列表 $trail$ 1. for $x_i\in foodsource$ do 2. 获取$x_i$的可行领域解 $x_i^{\text{'}}$ 3. $\Delta f\leftarrow f\left(x_i^{\text{'}}\right)-f\left(x_i\right)$ 4. if $\Delta f<0$ then 5. $x_i\leftarrow x_i^{\text{'}}$ 6. $trai{l}_i\leftarrow 0$ 7. if $f\left(x_i^{\text{'}}\right)<bestcost$ then 8. $bestcost\leftarrow f\left(x_i^{\text{'}}\right)$ 9. $bestsolution\leftarrow x_i^{\text{'}}$ 10. end if 11. else 12. $P_{accept}\leftarrow \mathrm{e}\mathrm{x}\mathrm{p}\left(-\Delta f/T\right)\left(1+trai{l}_i/k\right)$ 13. if$random\left(\left[\mathrm{0,1}\right]\right)<P_{accept}$ then 14. $x_i\leftarrow x_i^{\text{'}}$ 15. $trai{l}_i\leftarrow 0$ 16. else 17. $trai{l}_i\leftarrow trai{l}_i+1$ 18. end if 19. end if 20. 更新禁忌表 $tabulist$ 21. end for 22. return $bestcost,bestsolution,foodsource,trail$

2.2.2 数据采集路径优化交换策略

由于广域蔬菜传感数据采集中的复杂性和多重约束，传统的2-opt交换操作符已难以应对。因此，该研究设计了3种特定的交换操作符，适用于优化传感器数据采集路径，确保高效的数据覆盖与传输。这些操作符具体如下。

（1）卡车路径—卡车路径。随机选择卡车路径中的两个蔬菜传感数据采集点进行位置交换，以优化数据采集卡车的访问顺序（图4a）。

图4  卡车与无人机协同交换邻域操作符

Fig. 4  Truck and drone collaborative neighborhood exchange operator

（2）在无人机和卡车路径中随机选择蔬菜传感数据采集点进行交换，确保数据采集任务在地面与空中平台间的有效协调（图4b）。

（3）在不同无人机路径中随机选择两个蔬菜传感数据采集点进行交换，进一步优化无人机的任务分配与能量消耗（图4c）。

（4）交换发射点或会合点。在无人机航线上随机选择一个发射点或会合点，并与卡车路径中的蔬菜传感数据采集点交换位置，以增强无人机与卡车之间的协同效率，确保数据采集的时效性（图4d、e）。

2.2.3 任务重分配与路径优化

在广域蔬菜传感数据采集中，删除插入领域操作通过灵活调整无人机和地面车辆的任务分配，有效提升数据采集的效率。该操作包括随机选择一个采集点，将其从当前路径中删除并重新插入到另一位置，从而优化传感器的覆盖路径。具体来说，该领域包含6种操作方式。

（1）卡车路径—无人机路径：将卡车路径中的一个蔬菜传感数据采集点删除并插入到无人机路径中，利用无人机的空中覆盖能力，减少地面车辆的行驶距离（图5a）。

图5  删除—插入领域结构

Fig. 5  Delete-insert neighborhood structure

（2）无人机路径—卡车路径：将无人机路径中的一个采集点删除并插入到卡车路径中，使无人机可以集中力量覆盖更具挑战性的区域，而将较为方便的区域交由地面车辆处理（图5b）。

（3）卡车路径—卡车路径：从一个卡车路径中删除一个采集点，并将其插入到另一位置，以优化地面车辆的行驶顺序，减少路径冗余（图5c）。

（4）无人机路径—无人机路径：从一个无人机路径中删除一个采集点，将其插入到另一无人机路径中，以平衡任务负载，降低能耗（图5d）。

（5）无人机1—无人机2：在异构无人机队列中，将任务从一架无人机路径转移到另一架，以充分利用不同无人机的性能优势（图5e）。

（6）采集点—无人机任务航线：在无人机未覆盖的区域，将卡车路径中的一个采集点插入到无人机航线上，以确保数据采集的全面性和时效性（图5f）。

贪婪重定位操作符N3通过重新定位关键采集点，确保路径的最优选择。该操作符通过从卡车或无人机路径中选取一个蔬菜传感数据采集点，删除后计算所有可能的重新插入点，最终选择最优插入位置，从而提高数据采集的整体效率。

在蜜源采集过程中，蜜蜂会选择上述3个邻域操作符之一，依次执行所有子操作符，探索当前解的相关邻域。最终，从这些邻域中选择适应性最强的解，若未能找到可行解，则返回原始解。这一机制有助于在广域蔬菜传感数据采集中实现最优的路径规划，提高系统整体效能。

3 卡车与无人机协同采集数据模拟实验

为了验证所提出的无人机与卡车协同路径优化方法EBAC在广域蔬菜传感数据收集中的性能，该研究设计并实施了一系列对比实验，将该研究提出算法与其他经典元启发式算法进行比较，并评估不同无人机参数对数据采集效率的影响。实验中采用了来自Purdue University的真实数据集，该数据集包含了土壤湿度、温度、光照强度和空气湿度等关键环境数据^［18］。这些数据通过分布在印第安纳州多个农田中的物联网传感节点采集而得，涵盖了不同种植区域的环境条件和作物类型，为实验提供了可靠的基础。

3.1 实验设置

实验环境配置为64位Windows 10操作系统，配备Intel（R）Core（TM）i7-9700K处理器（3.60 GHz）和16 GB RAM。所有算法均使用Python编写，并在此硬件平台上运行。通过对比分析不同规模蔬菜种植区（包括30、60、90、120和150个数据采集点）的实验结果，全面评估该研究所提出方法在实际农业生产环境中的应用效果和优势。

具体地，该研究针对广域蔬菜种植区的传感数据收集任务，设计了多个实验场景，以验证无人机与卡车协同路径优化算法的有效性。为此，实验中采用了3种异构无人机和一辆卡车，并设置了不同规模的传感器数据采集点，以模拟实际农业生产中的数据收集需求。

实验中使用了3种不同类型的无人机，分别命名为U1、U2和U3。U1电池能耗容量为15 000 mAh，飞行速度为30 km/h；U2电池能耗容量为30 000 mAh，飞行速度为40 km/h；U3电池能耗容量为50 000 mAh，飞行速度为50 km/h。这3种无人机的选择旨在评估不同载重和续航能力的无人机在复杂农田环境中的性能。

实验中，卡车作为无人机的移动中继站，负责在各数据采集点之间移动，并为无人机提供补给支持。卡车的行驶速度设定为50 km/h，以保证在广域种植区内的高效移动。实验区域的划分根据不同规模的种植区域进行，具体区域尺寸为1 000 m×1 000 m至5 000 m×5 000 m不等。各节点之间的距离通过欧氏距离计算，用于评估路径的最优性和行驶时间。

为了确保实验的全面性，该研究设置了5种不同规模的实验实例，分别包括30、60、90、120和150个数据采集点。这些数据采集点分布在各自的区域内，每个采集点每天生成约1 MB到1.5 MB的传感器数据，涵盖土壤湿度、温度、光照强度和空气湿度等关键环境参数。

具体的算法参数设置为：初始温度设为30℃，温度衰减率调整为0.9，终止温度保持在0.01℃，访问阈值为10，本地迭代次数设为20，雇佣蜂和食物源的数量均设为30，旁观蜂的数量设为50，淘汰因子为0.3，权重系数设为0.5。

为了证明该研究提出的EBAC算法的优势，以仅有卡车为基准，设计了EBAC与其他算法的对比实验，包括自适应大邻域搜索算法（ALNS）^［19］、大邻域搜索（LNS）^［20］、变邻域下降算法（VND）^［21］和变邻域搜索算法（VNS）^［22］。所有算法都采用KNG生成解并结合提出的邻域算子。

3.2 实验结果分析

3.2.1 不同数据采集点数量下算法对比

（1）卡车行驶距离算法对比。在广域蔬菜种植区域中，传感数据的有效收集需要覆盖多个分布不均的采集点。EABC算法在降低卡车行驶距离方面效果显著（图6a），这与无人机辅助收集数据密切相关。通过优化路径，EABC算法能够减少卡车在复杂地形中的行驶距离，提高卡车在数据采集任务中的效率，减少油耗和时间成本。

图6  不同传感数据采集点数量下算法对比

Fig. 6  Algorithm comparison under different numbers of sensor data collection points

（2）采集时间算法对比。EABC算法在不同规模的采集点数量下均显著减少了总采集时间（图6b），直接提升了数据收集的效率。在广域蔬菜种植场景中，数据收集时间的缩短意味着传感器数据能够更及时地反馈给中央控制系统，支持实时的农业管理和决策。更短的采集时间也降低了无人机和卡车在田间停留的时间，减少了外界环境（如天气变化）对数据采集任务的影响，从而提高了系统的稳定性和可靠性。

（3）无人机能耗算法对比。EABC算法通过动态路径规划和任务分配，显著减少了无人机的能耗（图6c）。由于无人机电池续航有限，该算法能够尽可能最大化其覆盖范围并确保其在电量耗尽前返回至卡车进行电池更换，从而提升了协同数据收集的效率和持续性。

（4）采集成本算法对比。EABC算法在综合考虑时间成本和能耗成本后的总系统成本最优（图6d）。对于广域蔬菜种植而言，合理控制数据收集成本是系统设计的重要目标。传统的地面固定采集设备虽然初始成本较低，但在覆盖广域种植区时成本会急剧上升。而EABC算法的协同策略使得卡车和无人机的优势得以最大化，卡车负责在相对平坦的区域进行快速数据收集，无人机则在复杂区域提供精确数据采集，降低了整体运营成本。

表4中显示了6种方案在不同规模下的系统采集成本（平均值、标准差以及相对纯卡车模式的性能提升率）。EABC平均成本最低（75.35），且标准差（42.29）相对较小，相比纯卡车提升率达47.03%，在经济性与稳定性方面均最优；ALNS、LNS虽均有约36%~37%的改进幅度，但波动性略高；VNS、VND的成本和波动水平较大，在规模扩增时效果不及EABC。在农业传感数据采集场景下，EABC尤其能兼顾成本和稳定性，对大规模生产应用更具优势。

表4  不同规模传感数据采集点成本性能评价

Table 4  Cost performance evaluation of sensor data collection points at different scales

算法	X=30	X=60	X=90	X=120	X=150	平均值	标准差	性能提升率（%）
EABC	29.40	38.45	75.86	96.84	136.16	75.34	42.28	47.03
ALNS	34.43	49.66	88.83	117.94	153.60	88.89	47.39	37.47
LNS	33.87	49.44	91.86	117.93	158.76	90.37	49.64	36.43
VNS	33.31	56.97	93.33	124.57	169.83	95.60	52.22	32.80
VND	35.57	58.72	107.46	127.46	182.47	102.34	57.84	28.02
仅卡车	63.78	91.93	142.15	188.12	225.18	142.23	63.56	0.00

3.2.2 EABC不同无人机参数下性能分析

（1）采集时间和能耗。图7a和7b展示了不同数量的无人机对采集时间和能耗的影响。这一结果说明，在广域蔬菜种植数据采集中，选择适当的无人机类型和数量是优化系统性能的关键因素。例如，高续航能力的无人机能够在远离卡车的区域内进行更长时间的数据采集，而速度较快的无人机则能迅速返回卡车进行电池更换，从而维持持续作业。这种多样化的无人机配置有助于在不同地理条件和作业规模下实现数据收集效率的最大化。

图7  不同无人机参数下EABC性能

Fig. 7  Performance of EABC under different drone parameters

（2）卡车行驶距离。图7c展示了卡车行驶距离随着无人机数量变化的情况。从图中可以看出，当只有卡车单独执行数据采集任务时，行驶距离最长（约140 km）。随着无人机数量的增加，卡车的行驶距离显著下降，说明无人机在协同采集中的加入有效分担了数据采集任务，减少了卡车的路径长度。然而，随着无人机数量增加到3架及以上时，卡车行驶距离的下降趋势趋于平缓。这表明，超过一定数量的无人机后，卡车行驶距离的进一步减少效果不明显。这种情况可能是由于无人机的覆盖能力和任务分配已经达到优化点，额外增加无人机并未进一步提升采集效率。合理配置无人机数量能够显著降低卡车的行驶距离和相应的成本，但超过一定数量后，其边际效益将减小。

（3）系统成本。图7d分析了在不同无人机配置下，EABC算法的总系统成本表现。结果表明，合理配置无人机的电池容量和飞行速度，可以有效降低系统的时间和能耗成本，提升数据采集的覆盖率和时效性。这进一步验证了EABC算法在广域农业数据采集中的经济性和有效性。

4 结论

该研究针对广域蔬菜种植场景中的数据采集需求，提出了一种基于卡车与多无人机协同的优化策略，通过动态K均值聚类、贪心算法以及改进的人工蜂群算法（EABC）进行路径规划和任务分配，以降低采集时间和能耗。实验结果表明，EABC算法显著提高了数据收集效率，减少了卡车行驶距离和无人机能耗，实现了系统成本的优化。分析还显示，在合理配置无人机数量和参数时，能够有效平衡卡车和无人机之间的任务，最大化系统的整体效能。该方法为精准农业中的大规模传感数据采集提供了高效、灵活的解决方案，具有重要的应用前景。