CN107635238B - 一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法 - Google Patents

Abstract

本发明涉及基于聚类思想的多跳无线可充电传感器网络中继器布置方法。本发明首先布置多跳无线可充电传感器网络中继器的环境；再根据网络的覆盖概率确定中继节点个数；基于传感器节点的度数选择中继器的初始位置，然后利用聚类算法，根据中继器与传感器节点之间的欧式距离进行归类，通过计算每个归类的类重心来获得新的中继器位置，依次迭代直到算法收敛，以此来优化中继节点的位置，充电小车通过在线充电的方式给请求充电的传感器节点充电。本发明可合理确定中继器数量并且优化中继器的布置，可有效延长多跳无线充电环境下充电装置和传感器节点之间的充电距离，降低节点等待充电的时间延迟，从整体上提高网络的能量补充效率。

Description

一种基于聚类思想的多跳无线可充电传感器网络中继器布置 方法

技术领域

本发明涉及一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法，属于无线可充电传感器网络节点能量补充技术领域。

背景技术

随着各行业领域通信技术的飞速发展，无线传感器网络(Wireless SensorNetworks,WSN)技术已经成为了众多研究领域的焦点，许多传感器节点将收集到的数据以无线的形式发送到基站，这就是无线传感器网络的基本构成。传统的传感器节点往往使用电池供电，那么在无线通信过程中就会消耗大量传感器节点的能量，研究学家们希望通过运用一些技术来维护网络的稳定性，于是涌现出各种节能的方法以及充电的方法，但是节能的方法可能会增加网络延迟，只能有限延长网络寿命，缓解耗能的现状，而不能从根本上解决问题，最终还是会因为节点耗尽能量而死亡。在实际应用中，需要高质量的结果来保证持久的工作，这使得组多研究学家纷纷选择无线充电的方法来维持网络的寿命，因此无线充电技术便成为无线传感器领域中最重要的部分之一。许多前人的作品都有介绍无线充电的应用，如用于无线充电大量的运用在环境监测与保护、医疗护理、工业制造业等。现如今，无线充电技术也是该领域的研究热点。有学者提出多充电小车(MC)充电技术，这些小车通过相互配合完成对传感器节点的充电,其主要目标是最小化充电代价,包括最小化MC的数量或者最大化MC的充电效率等，但是在实际环境中MC是相对代价很高的一种设备，因此本发明将采用单小车充电来简化充电规划。

不仅如此，聚类思想引申出来的分析往往用于从大范围的数据库中快速、准确地寻找你所需要的数据，这也是近年来多媒体领域的研究热点，在社会各行业领域都起到很重要的作用。例如在生物学应用中，研究者经常需要对不同的东西进行聚类。比如说有很多基因的数据，我们希望对它们进行聚类，这样可以更好的理解不同种类的基因对应的生物功能。又例如市场调查的应用，假设有一个数据库，里面保存了不同顾客的行为，我们需要对这些数据执行聚类，将市场分为几个不同的部分，从而让销售者可以面对不同的部分制定相应的销售策略。而本发明就是利用对传感器节点抽象成每一个数据，使用聚类得到中继点位置。这里涉及到无监督类的概念。也就是给定一个若干点组成的数据集合，所有的点都不会给出类标签和正确的答案。在无监督学习中，用不同的算法来发现结构。

发明内容

本发明提供了一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法，该方法能合理的确定中继器数量并且优化中继器的布置，可有效延长多跳无线充电环境下充电装置和传感器节点之间的充电距离，降低节点等待充电的时间延迟，从整体上提高网络的能量补充效率。

本发明的技术方案是：一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法，首先布置多跳无线可充电传感器网络中继器的环境；再根据网络的覆盖概率确定中继节点个数；基于传感器节点的度数选择中继器的初始位置，然后利用聚类算法，根据中继器与传感器节点之间的欧式距离进行归类，通过计算每个归类的类重心来获得新的中继器位置，依次迭代直到算法收敛，以此来优化中继节点的位置，充电小车通过在线充电的方式给请求充电的传感器节点充电。

所述方法的具体步骤如下：

Step1、布置多跳无线可充电传感器网络中继器的环境：在m*m的监测区域Ω内随机布置N个传感器节点、一辆充电小车、固定基站，N≥100；用Si表示传感器节点集合，其中下标i表示第i个传感器节点，m为监测区域Ω的边长；其中每个传感器节点的剩余电量标记为Es，能量消耗为Ec，能量阈值为Et，当某一个传感器节点的Es≦Et时，将其放入充电池中，并且以Vc(m/s)的消耗速率进行耗电；充电小车所携带的电量记为Cb，并且其移动速度为V(m/s)；传感器节点从被充电小车充电开始一直到充满为止的整个充电时间为Tr，中继器的充电范围标记为R；

初始化状态下Si是随机分布在一个固定区域内的传感器集合，并且每一个传感器节点的初始电量都是E；充电小车位于该固定区域的正中心；

Step2、根据网络的覆盖概率确定中继点个数，即确定充电半径为R的类重心j的个数；

Step3、利用聚类算法来确定中继点RNi的位置，完善对整个无线可充电网络环境的布置；

Step4、充电小车通过在线充电的方式给请求充电的传感器节点充电；其中，充电小车通过计算评价量ε对充电池中传感器节点的请求来选择所移动的节点位置顺序，完成多跳充电的过程。

所述步骤Step2中，确定充电半径为R的类重心j的个数的具体步骤如下：

Step2.1、

点(x₁,y₁)∈Ω，定义它的一个邻域为：

那么传感器节点落入类重心点(x₁,y₁)邻域的概率为

假设区域Ω中部署了k个类重心，则点(x₂,y₂)被覆盖的概率为：

Step2.2、根据公式(2)，对于

点(x₁,y₁)∈Ω，它的邻域面积为πR²，所以单个节点落入该点邻域的概率为

其中m为监测区域Ω的边长，在Ω内部署k个类重心，则点(x₂,y₂)被覆盖的概率为：

上述覆盖的概率是根据具体应用指定得到的，通过公式(3)求得一个k的近似值，对k值取整得到充电半径为R的类重心j的个数，即中继点个数。

所述步骤Step3的具体步骤如下：

Step3.1、存在一个无标记的数据集合{X⁽¹⁾，X⁽²⁾，...，X^(t)}作为t个传感器节点集合，首先初始化一组数据点，称之为类重心，初始化的过程是选取传感器节点度数最大的数据点；首先定义邻居节点，即每个传感器节点的通信范围；将互为邻居节点的点用直线连接起来，节点拥有的直线数量即为它的度数；

Step3.2、对于每一个传感器节点X⁽ⁱ⁾，需要看哪个类重心j离它最近，且X⁽ⁱ⁾必须包含在类重心j的充电范围R内，这时将X⁽ⁱ⁾分配给类重心j；否则将重新寻找不在充电范围R内的X⁽ⁱ⁾距离最近的一个类重心j′，如果没有满足条件的类重心j′，即将不在中继器充电范围R内的节点视作孤立点，则将它视为孤立点；对于这一步，所要做的是选择离传感器节点最近的且符合条件那个类重心并分配给X⁽ⁱ⁾，将类重心重新分配，它的新位置就是该类重心包含的所有点的平均值；

其中，哪个类重心j离X⁽ⁱ⁾最近的判断所用的是欧式空间中两点之间的直线距离，即平面上两点A＝(a₁,b₁)和B＝(a₂,b₂)之间的欧式距离公式为：

如果有两个h维向量A'＝(a₁₁,a₁₂,...,a_1h)与B'＝(b₂₁,b₂₂,...,b_2h)则之间的欧式距离为

所述Step4的具体步骤如下：

Step4.1、确定小车的起始位置，即所有孤立点和中继点RNi的位置坐标的平均值；

Step4.2、传感器节点集合Si会周期的进行耗能，令所有传感器节点的初始电量为E，小车的初始容量Cb无穷大；

Step4.3、对于耗能的计算：周期的选取随机的传感器节点Sensor进行消耗一部分电量，其消耗的能量是Ec；当剩余电量Es＝E-Ec≤Et时，便会向基站发送充电请求，这时将发送充电请求的Sensor放入充电服务池中，让每一个在服务池中的节点进入休眠状态，此时消耗能量速率Vc(m/s)；

Step4.4、将节点按自上而下自左向右的顺序进行编号，对处于充电服务池中节点进行比较：首先找到它们所属的中继点；

(1)当服务池里节点数量为α时，小车会从α中得到每一个节点的Es，以及节点同属一个中继点的节点个数β，包括该节点，β≥1；

(2)小车根据计算评价量ε＝β/Es的值得到一个从大到小的排序，按顺序进行充电，即β越大Es越小的节点优先充电；

(3)小车移动到对应的节点A处，当节点B与A同属一个中继点时，能量会以多跳的方式传输给B。

聚类思想是把物理对象(传感器节点)的集合进行分组，分为由类似的对象组成的不同类的过程，目标就是把这些传感器节点分成不同的类用来放置中继器节点，进而实现对整个可充电网络的布局。

本发明的有益效果是：

这种布局方式可以让网络保证其更好的生存周期，并且相较于传统的单节点充电网络，多跳充电方式的网络可扩展性强；

本发明可合理确定中继器数量并且优化中继器的布置，用多跳的形式结合中继器的布置可有效延长多跳无线充电环境下充电装置和传感器节点之间的充电距离，降低节点等待充电的时间延迟，从整体上提高网络的能量补充效率；

本发明中聚类思想因其结果简单、直观、可塑性高等特点而被广泛应用在许多市场，本发明将聚类思想应用到布置中继器网络环境中，创新地提出用聚类的方式来确定中继器节点的位置。

附图说明

图1是本发明中找传感器节点度数的图形化描述示意图；

图2是本发明中传感器节点的随机初始分布图；

图3是本发明依据确定类重心(中继点)的初始位置结果图；

图4～图8是本发明中找中继点位置的聚类过程图；

图9是本发明依据Step2的判断孤立点情况图；

图10是本发明中充电小车给充电服务池中节点的充电过程示意图。

具体实施方式

实施例1：如图1-10所示，一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法，所述方法的具体步骤如下：

Step1、布置多跳无线可充电传感器网络中继器的环境：在m*m的监测区域Ω内随机布置N个传感器节点、一辆充电小车、固定基站，N≥100；用Si表示传感器节点集合，其中下标i表示第i个传感器节点，m为监测区域Ω的边长；其中每个传感器节点的剩余电量标记为Es，能量消耗为Ec，能量阈值为Et，当某一个传感器节点的Es≦Et时，将其放入充电池中，并且以Vc(m/s)的消耗速率进行耗电；充电小车所携带的电量记为Cb，并且其移动速度为V(m/s)；传感器节点从被充电小车充电开始一直到充满为止的整个充电时间为Tr，中继器的充电范围标记为R；

初始化状态下Si是随机分布在一个固定区域内的传感器集合，并且每一个传感器节点的初始电量都是E；充电小车位于该固定区域的正中心；

Step2、根据网络的覆盖概率确定中继点个数，即确定充电半径为R的类重心j的个数；由于m*m的监测区域Ω内的节点是随机部署的，它们的分布服从均匀分布；

所述步骤Step2中，确定充电半径为R的类重心j的个数的具体步骤如下：

Step2.1、

点(x₁,y₁)∈Ω，定义它的一个邻域为：

那么传感器节点落入类重心点(x₁,y₁)邻域的概率为

假设区域Ω中部署了k个类重心，则点(x₂,y₂)被覆盖的概率为：

Step2.2、根据公式(2)，对于

点(x₁,y₁)∈Ω，它的邻域面积为πR²，所以单个节点落入该点邻域的概率为

其中m为监测区域Ω的边长，在Ω内部署k个类重心，则点(x₂,y₂)被覆盖的概率为：

上述覆盖的概率P_coverage是根据具体应用指定得到的，通过公式(3)求得一个k的近似值，对k值取整得到充电半径为R的类重心j的个数，即中继点个数。

如图2～图9所示的聚类思想过程样例。其中图2初始化一些数据样本，并且利用公式(3)计算得到相对应的k的值，并且求得每个数据点的度数，当较大度数的节点个数达到k值时，将其初始化在这些度数较大的数据点位置上，如图3所示。图4是第一步迭代过程，根据欧式距离公式可计算得距每一个类重心较近的数据点，接下来更新类重心，计算各部分区域的平均值作为新的类重心位置。同样的进行反复循环，直到收敛为止。图5是第二步迭代过程，图6是第三步迭代过程，图7是第四步迭代过程，图8是第五步迭代过程。如图9所示，当最终收敛时，判断每个类的节点是否位于其对应中继器的充电范围R内，如果不在该范围内，则记为孤立点。

Step3、利用聚类算法来确定中继点RNi的位置，完善对整个无线可充电网络环境的布置；

所述步骤Step3的具体步骤如下：

Step3.1、存在一个无标记的数据集合{X⁽¹⁾，X⁽²⁾，...，X^(t)}作为t个传感器节点集合，首先初始化一组数据点，称之为类重心，初始化的过程是选取传感器节点度数最大的数据点；首先定义邻居节点，即每个传感器节点的通信范围；将互为邻居节点的点用直线连接起来，节点拥有的直线数量即为它的度数；求传感器节点度数的图示过程如图1所示。给出邻居节点的定义，也就是每个传感器节点都有它的通信范围，当节点V2、V3位于节点V1的通信范围内时，则V2、V3是V1的邻居节点，同理V1、V4是V3的邻居节点。将互为邻居节点的点用直线连接起来，节点拥有的直线数量即为它的度数。图中可看到V1、V3的度数最大为2。

Step3.2、对于每一个传感器节点X⁽ⁱ⁾，需要看哪个类重心j离它最近，且X⁽ⁱ⁾必须包含在类重心j的充电范围R内，这时将X⁽ⁱ⁾分配给类重心j；否则将重新寻找不在充电范围R内的X⁽ⁱ⁾距离最近的一个类重心j′，如果没有满足条件的类重心j′，即将不在中继器充电范围R内的节点视作孤立点，则将它视为孤立点；对于这一步，所要做的是选择离传感器节点最近的且符合条件那个类重心并分配给X⁽ⁱ⁾，将类重心重新分配，它的新位置就是该类重心包含的所有点的平均值；

其中，哪个类重心j离X⁽ⁱ⁾最近的判断所用的是欧式空间中两点之间的直线距离，即平面上两点A＝(a₁,b₁)和B＝(a₂,b₂)之间的欧式距离公式为：

如果有两个h维向量A'＝(a₁₁,a₁₂,...,a_1h)与B'＝(b₂₁,b₂₂,...,b_2h)则之间的欧式距离为

Step4、充电小车通过在线充电的方式给请求充电的传感器节点充电；其中，充电小车通过计算评价量ε对充电池中传感器节点的请求来选择所移动的节点位置顺序，完成多跳充电的过程。

所述Step4的具体步骤如下：

Step4.1、确定小车的起始位置，即所有孤立点和中继点RNi的位置坐标的平均值；

Step4.2、传感器节点集合Si会周期的进行耗能，令所有传感器节点的初始电量为E，小车的初始容量Cb无穷大；

Step4.3、对于耗能的计算：周期的选取随机的传感器节点Sensor进行消耗一部分电量，其消耗的能量是Ec；当剩余电量Es＝E-Ec≤Et时，便会向基站发送充电请求，这时将发送充电请求的Sensor放入充电服务池中，如图10，让每一个在服务池中的节点进入休眠状态，此时消耗能量速率Vc(m/s)；

Step4.4、将节点按自上而下自左向右的顺序进行编号，对处于充电服务池中节点进行比较：首先找到它们所属的中继点；

(1)当服务池里节点数量为α时，小车会从α中得到每一个节点的Es，以及节点同属一个中继点的节点个数β，包括该节点，β≥1；

(2)小车根据计算评价量ε＝β/Es的值得到一个从大到小的排序，按顺序进行充电，即β越大Es越小的节点优先充电；

(3)小车移动到对应的节点A处，当节点B与A同属一个中继点时，能量会以多跳的方式传输给B。

如图10所示，即为MC对于充电服务池中Sensor状态的判断。这里当充电服务池中的节点请求顺序为13、6、5、11、4、8时，此时节点个数α＝6，MC判断计算评价量ε从大到小的顺序为13、11、6、5、4、8，因此MC最先到达13号节点处进行充电，并且13号节点所属的中继点以多跳的形式将能量传输给11号节点，也就是说小车无需到达11号节点。同理MC此时充电路径为13-6-5-8。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于聚类思想的多跳无线可充电传感器网络中继器布置方法，其特征在于：首先布置多跳无线可充电传感器网络中继器的环境；再根据网络的覆盖概率确定中继器个数；基于传感器节点的度数选择中继器的初始位置，然后利用聚类算法，根据中继器与传感器节点之间的欧式距离进行归类，通过计算每个归类的类重心来获得新的中继器位置，依次迭代直到算法收敛，以此来优化中继器的位置，充电小车通过在线充电的方式给请求充电的传感器节点充电；

所述方法的具体步骤如下：

Step1、布置多跳无线可充电传感器网络中继器的环境：在m*m的监测区域Ω内随机布置N个传感器节点、一辆充电小车、固定基站，N≥100；用Si表示传感器节点集合，其中下标i表示第i个传感器节点，m为监测区域Ω的边长；其中每个传感器节点的剩余电量标记为Es，能量消耗为Ec，能量阈值为Et，当某一个传感器节点的Es≦Et时，将其放入充电池中，并且以Vc(m/s)的消耗速率进行耗电；充电小车所携带的电量记为Cb，并且其移动速度为V(m/s)；传感器节点从被充电小车充电开始一直到充满为止的整个充电时间为Tr，中继器的充电范围标记为R；

初始化状态下Si是随机分布在一个固定区域内的传感器集合，并且每一个传感器节点的初始电量都是E；充电小车位于该固定区域的正中心；

Step2、根据网络的覆盖概率确定中继器个数，即确定充电半径为R的类重心j的个数；

Step3、利用聚类算法来确定中继器RNi的位置，完善对整个无线可充电网络环境的布置；

Step4、充电小车通过在线充电的方式给请求充电的传感器节点充电；其中，充电小车通过计算评价量ε对充电池中传感器节点的请求来选择所移动的节点位置顺序，完成多跳充电的过程；

所述步骤Step2中，确定充电半径为R的类重心j的个数的具体步骤如下：

Step2.1、

点(x₁,y₁)∈Ω，定义它的一个邻域为：

那么传感器节点落入类重心点(x₁,y₁)邻域的概率为

假设区域Ω中部署了k个类重心，则点(x₂,y₂)被覆盖的概率为：

Step2.2、根据公式(2)，对于

点(x₁,y₁)∈Ω，它的邻域面积为πR²，所以单个节点落入该点邻域的概率为

其中m为监测区域Ω的边长，在Ω内部署k个类重心，则点(x₂,y₂)被覆盖的概率为：

上述覆盖的概率是根据具体应用指定得到的，通过公式(3)求得一个k的近似值，对k值取整得到充电半径为R的类重心j的个数，即中继器个数；

所述步骤Step3的具体步骤如下：

Step3.1、存在一个无标记的数据集合{X⁽¹⁾，X⁽²⁾，...，X^(t)}作为t个传感器节点集合，首先初始化一组数据点，称之为类重心，初始化的过程是选取传感器节点度数最大的数据点；首先定义邻居节点，即每个传感器节点的通信范围；将互为邻居节点的点用直线连接起来，节点拥有的直线数量即为它的度数；

Step3.2、对于每一个传感器节点X⁽ⁱ⁾，需要看哪个类重心j离它最近，且X⁽ⁱ⁾必须包含在类重心j的充电范围R内，这时将X⁽ⁱ⁾分配给类重心j；否则将重新寻找不在充电范围R内的X⁽ⁱ⁾距离最近的一个类重心j′，如果没有满足条件的类重心j′，即将不在中继器充电范围R内的节点视作孤立点，则将它视为孤立点；对于这一步，所要做的是选择离传感器节点最近的且符合条件那个类重心并分配给X⁽ⁱ⁾，将类重心重新分配，它的新位置就是该类重心包含的所有点的平均值；

其中，哪个类重心j离X⁽ⁱ⁾最近的判断所用的是欧式空间中两点之间的直线距离，即平面上两点A＝(a₁,b₁)和B＝(a₂,b₂)之间的欧式距离公式为：

如果有两个h维向量A'＝(a₁₁,a₁₂,...,a_1h)与B'＝(b₂₁,b₂₂,...,b_2h)，则之间的欧式距离为

所述Step4的具体步骤如下：

Step4.1、确定小车的起始位置，即所有孤立点和中继器RNi的位置坐标的平均值；

Step4.2、传感器节点集合Si会周期的进行耗能，令所有传感器节点的初始电量为E，小车的初始容量Cb无穷大；

Step4.3、对于耗能的计算：周期的选取随机的传感器节点Sensor进行消耗一部分电量，其消耗的能量是Ec；当剩余电量Es＝E-Ec≤Et时，便会向基站发送充电请求，这时将发送充电请求的Sensor放入充电服务池中，让每一个在服务池中的节点进入休眠状态，此时消耗能量速率Vc(m/s)；

Step4.4、将节点按自上而下自左向右的顺序进行编号，对处于充电服务池中节点进行比较：首先找到它们所属的中继器；

(1)当服务池里节点数量为α时，小车会从α中得到每一个节点的Es，以及节点同属一个中继器的节点个数β，包括该节点，β≥1；

(2)小车根据计算评价量ε＝β/Es的值得到一个从大到小的排序，按顺序进行充电，即β越大Es越小的节点优先充电；

(3)小车移动到对应的节点A处，当节点B与A同属一个中继器时，能量会以多跳的方式传输给B。

Images