1.一种基于无人机辅助的数据收集方法，其特征在于：该方法包括以下步骤：

S1：构建UAVs辅助WSN数据采集模型；

S2：设计传感器总发射功率优化方案；

S3：对传感器进行聚类，确定簇头传感器的数量及位置，同时确定相应的簇成员；

S4：优化无人机部署位置；

S5：优化簇头和无人机的关联方案；

所述S1中，构建UAVs辅助WSN的数据采集模型；

该模型由上下两层构成：

1)上层为空中网络，包括多架无人机，无人机在DC的调度下飞行到指定的位置后悬停，并对与自身相关联的CHs上传的数据进行采集和存储；在采集任务完成后，无人机携带数据返回至DC指定的位置充电，同时将数据转发给DC；

2)下层为地面层，由WSN、充电站以及DC组成；

为保证WSN中SNs传输数据的距离在最大通信距离内，采用聚类算法对SNs进行分簇，在每个簇中选出一个SN作为CH，其余SNs作为CMs；CH负责对簇内CMs发送的数据进行收集和处理，并将最终数据上传至UAV；CMs负责感知环境数据，并将数据发送至CH；簇内采用单跳的方式进行数据传输；充电站负责给UAV充电，其部署在能够使UAV与DC成功建立通信的地方；DC则负责对UAVs发送的数据进行重构，以实现对区域的环境监测、灾害预警；

所述S2中，设计传感器总发射功率优化方案；UAVs的集合为M，CHs的集合为K，CMs的集合为N；考虑UAV与CH之间视距LoS和非视距NLoS两种链路，UAV和CH之间采用正交多址接入，避免产生干扰；UAVm与CHk之间的平均路径损耗表示为：其中，ηLoS和ηNLoS为分别为LoS和NLoS链路的平均附加损失，取值因场景而异；a和b为S曲线参数；H为UAV飞行高度；f为载波频率；Dm,k表示CHk与UAVm在地面上的垂直投影之间的距离；c为光速；dm,k为CHk到UAVm的直线距离；

CHk到UAVm所需发射功率如下：

其中，δm,k为CHk到UAVm的关联系数，取值为0和1，δm,k＝1时CHk与UAVm关联，为UAVm的接收功率，PLm,k为平均路径损耗；将所有CH与UAV的关联关系表示为一个K×M的矩阵Ω，第m列表示UAVm对所有CH的关联情况；

在WSN中的通信模型采用无线通信信道模型，CMn到CHk的发射功率表示为：

其中，θn,k为CM n与CH k的关联系数，取值为0和1，θn,k＝1时表示CM n与CH k关联，反之亦然；为CH k的接收功率；dn,k表示CM n与CH k之间的距离；L为传播的系统损耗因子，L≥1；Gt和Gr分别表示CM发送和接收天线的增益；λ为波长；将所有CM与CH的关联关系表示为一个N×K的矩阵γ，第k列表示CH k对所有CM的关联情况；

提出传感器总发射功率优化方案，该方案联合优化CH的数量和位置、UAV的部署位置、UAV与CHs的关联，最小化WSN中的SNs的总发射功率，优化目标为：需满足一个CH只能与一个UAV关联，一个CM只能与一个CH关联；同时，CH的发射功率不能超过其最大发射功率，CM的发射功率也不能超过其最大发射功率；确保每架UAV的部署位置和CH的位置在目标区域Λ内；

所述S3中，首先，通过肘部法对于K-means算法聚类结果的误差平方和SSE进行评估来找到最佳聚类数k；随着聚类数k增加，聚类效果越好，SSE指标会逐渐降低；在增大k的过程中，当k值小于最优簇数时，SSE的下降速度会很快，当k值超过最优簇数后，SSE的下降速度会变得很缓慢；SSE与k的关系图像一个手肘，而肘部对应的k值就是最优簇数；

在找到最优簇数之后，利用K-mean++算法求出对应k值时的最优聚类，判断所有CM到其关联的CH的发射功率是否小于最大发射功率，若满足则输出最优k值、CH位置和CH与CM的关联关系，若不满足，则增加k值再次执行K-mean++算法聚类，直到所有CM到其关联的CH的发射功率都小于最大发射功率，输出最优k值、CH位置lk和CH与CM的关联关系；

所述S4中，当确定CH数量k、位置lk以及CH与CMs之间的关联关系Υ后，优化问题则只与UAV的部署位置lm和UAV与CHs的关联关系Ω有关；优化问题更新如下：基于DRL算法，提出了基于AC的UAV部署算法，将UAV的部署过程建模为MDP过程，通过集中式训练来确定UAV的部署位置。

2.根据权利要求1所述的一种基于无人机辅助的数据收集方法，其特征在于：所述S5中，在进行训练的过程中，提出一种基于差额功率关联算法来确定每个训练状态下的奖励，该算法在考虑无人机负载均衡的条件下，使得CHs的总发射功率最小；CHs先根据最短距离选择无人机进行关联，当出现无人机关联数超过其最大负载数时，该无人机会计算与自身相关联到其他无人机所需的发射功率，选择功率差值最大的个CHs建立关联，其余CHs重新匹配剩余UAV。

3.根据权利要求2所述的一种基于无人机辅助的数据收集方法，其特征在于：所述S4中，使用AC深度强化学习算法来进行无人机的部署；评论家网络通过状态-动作-值函数来评估演员网络选择的动作，演员网络在每次迭代中，系统会基于当前的状态si和策略πi选择相应的动作ai，采用蒙特卡罗策略梯度强化学习方法进行训练；其中,在计算动作奖励时采用步骤S5提出的基于差额功率的关联算法确定关联关系；算法收敛后输出UAV的部署位置以及UAV与CHs的关联关系。