CN108649286B - 一种基于Powercast模型的WSNs充电方法 - Google Patents

Abstract

本发明公开了一种基于Powercast模型的WSNs充电方法，包括以下步骤：基于传感器节点的再充电周期属性，采用聚类算法将所有传感器节点划分为若干个簇；基于节点构建完全无向图，采用近似算法寻找哈密顿回路，当簇内某个节点快要失效时，移动电源就沿着该簇的哈密顿回路给簇中所有节点充电，以此将二维场景转化为一维流形场景；在一维流形场景下，移动电源分组进行沿着哈密顿回路充电，具体包括：基于搜索半径定义移动电源最合适的覆盖范围；在每个小组中，使用RIA算法解决最小圆覆盖问题，并基于REUE指标确定移动电源在每个分组的充电时间。利用本发明的方法，在Powercast充电模型下，移动电源可以确保WSNs节点都不失效的同时，最小化充电过程中的能量消耗。

Description

一种基于Powercast模型的WSNs充电方法

技术领域

本发明涉及无线传感器网络和无线能量转移领域，具体涉及一种基于Powercast模型对无线传感器网络进行充电的方法。

背景技术

近年来，无线传感器网络(Wireless Sensor Networks,WSNs)取得了广泛的应用，比如在农作物生长监控、环境检测、医疗健康和智能家居等领域中。WSNs的广泛应用，实现了物与物、物与人、人与人之间更深层次的连接。

伴随着WSNs的广泛应用，WSNs的能耗问题日益突出。一般而言，传感器节点由电池供电，电池自身能提供的能量有限；如果能量耗尽，传感器节点就会失效，整个网络的生存周期就结束了。

为了增加WSNs的生存周期，研究人员已经提出了很多给传感器节点补充能量的方法。大致可以总结如下：(1)能量节省策略：通过优化传感器节点的数据采集和数据转发策略，降低传感器节点的能耗功率，变相增加节点的生存周期。显然，这种策略无法显著增加WSNs的工作周期。(2)能量提取策略：给传感器节点安装复杂的装置，让它们尝试从周围环境中提取能量，比如风能、太阳能等。但这种方式受限于自然条件，比如在阴天条件下，传感器节点无法提取太阳能；而且给节点安装复杂的装置，也增加了单个节点的成本，在大规模应用下，这种成本代价是无法接受的。(3)增量式部署：这种方法比较直接，如果有旧的传感器节点失效，就增量部署新的节点代替失效的旧节点。但是，被遗弃的旧节点可能会污染环境，而且新的传感器节点也需要额外的成本开销。(4)电池/节点的重新部署：它要求传感器节点可以被人或机器人所接触，改变其部署位置。但是在很多情况下，我们并不知道传感器节点的准确位置；或者知道了，想要接触节点的代价很高，比如节点部署在湖泊中用于检测水质。

随着无线能量转移技术(Wireless Power Transfer,WPT)和锂电池技术的发展，给传感器节点进行无线充电的想法得到越来越多的关注，具体做法是：让移动小车(或者机器人)携带大容量的电源，在WSNs部署区域活动，电源以无线电磁感应的方式给传感器节点充电。这种无线充电的方式有诸多优点，表现在：(1)非物理接触：移动电源无需和传感器节点直接接触，只要节点在移动电源的充电覆盖范围之内，就可以进行充电。(2)可重复使用：移动电源的能量耗尽，可以在基站补充能量。如此，移动电源和传感器节点都可以循环使用。(3)不受环境限制：移动电源的充电效率和部署环境条件无关，在一些恶劣环境条件下也可以使用。因此灵活性高，适用性广。

移动电源给传感器节点充电的规律服从powercast模型，该模型用公式形式表示为：

其中P(c_i,s_j)是传感器节点s_j从移动电源c_i处获得的输入功率；α和β是固定的参数，d_ij是c_i和s_j之间的距离，P是移动电源的发射功率。

在整个充电过程中，能量的消耗包括两部分：(1)辐射能量，也就是移动电源向外辐射的能量，记为E_r；此外，被所有传感器节点接收到的能量记为E_p。(2)移动能量消耗：移动小车在移动过程中消耗的能量，这部分能量记为E_m。定义能量利用效率(energy-useefficiency,EUE)指标为

显然最小化充电过程中的移动能量消耗等同于最大化EUE指标。

目前关于最小化充电过程中的移动能量消耗，已经有很多卓有成效的工作了；但这些工作大多假设移动电源和传感器节点相遇充电。至今为止，还没有工作尝试在Powercast充电模型下最小化充电过程中的能量消耗。

发明内容

发明目的：针对现有技术的空白，本发明提出了一种在Powercast模型下对WSNs充电，且以最小化充电过程中所需的能量消耗为目的的交叉移动充电方法。该方法通过精心选择移动电源的充电位置、覆盖范围和充电时间，可以有效的降低充电的能耗，提高能量使用效率。

技术方案：为实现上述目的，本发明提出一种基于Powercast模型对WSNs交叉移动充电(Cross mobile charge，CMC)的方法，该方法包括以下步骤：采用分组和降维的方法将二维部署场景转化为一维流形场景；在一维流形场景下，使用交叉移动充电的策略按分组对传感器节点进行充电，具体包括：确定移动电源的覆盖范围，确定移动电源在每个分组的充电位置，确定移动电源在每个分组的充电时间。交叉移动充电策略指的是：在每个分组内，移动电源只给靠近它的内部节点充满电，只给边缘节点补充部分能量；边缘节点仍需补充的部分能量由移动电源在下一个分组内补充；边缘节点处于两个分组的交叉范围中，被移动电源在两个不同的位置充电。

其中，将二维部署场景转化为一维流形场景包括以下步骤：

11)使用kmeans聚类方法将传感器节点按照再充电周期划分为若干个簇，使得每个簇中传感器节点的再充电周期相近；

12)在每个簇中构建无向完全图，其中传感器节点作为完全图的顶点，两个节点之间的距离作为顶点之间边的权重；

13)使用基于MST的近似算法寻找每个簇中完全无向图的最短哈密顿回路，最终移动电源可以沿着哈密顿回路给节点充电。至此实现将二维场景下的充电问题转化为一维流形下的充电问题。

基于搜索半径确定移动电源的覆盖范围包括：基于移动电源最大充电覆盖半径R构造分段函数，确定搜索半径(searchRadius)，将searchRadius当做移动电源的充电覆盖范围。

确定移动电源在每个分组的充电位置包括：

21)确定待充电节点：移动电源从基站BS出发，沿着哈密顿回路的顺时针(或逆时针)方向向前搜索，直到移动电源发现：在搜索的节点序列中，前x个节点之间的最大距离不超过2*searchRadius，但是前(x+1)个节点的最大距离已经超过了2*searchRadius，于是移动电源将这x个节点当做本分组的所有待充电节点，停止沿着哈密顿回路向前搜索；

22)确定位置：使用RIA算法找到一个半径不超过searchRadius的圆覆盖这上述所有待充电节点，将该圆的圆心作为移动电源的充电位置。

确定移动电源在每个分组的充电时间包括：针对分组中的n个节点，移动电源依次尝试给其中前i个节点充满电，而剩余n-i个节点仅补充部分能量的情形；i从1依次递增至n，分别计算i取不同值时对应的REUE指标，最终选择REUE指标最大值对应的情形，移动电源在当前分组的充电时间就是给该情形下选定的节点充满电的时间。其中，REUE的计算公式为

E_p为传感器节点接收到的能量，E_m为移动电源在移动过程中消耗的能量。

有益效果：

本发明以最小化充电过程中所需的能量消耗为目的，采用分类和降维的方法将二维场景下的充电问题转化为一维流形下的充电问题，并精心设计了一维流形下交叉移动充电的策略，包括基于搜索半径确定移动电源的覆盖范围，基于RIA算法确定移动电源在每个小组的充电位置，基于REUE指标确定移动电源在每个小组的充电时间。本发明提出的移动交叉充电策略使得处于边缘的节点能够被移动电源在不同位置多次充电，有效避免了能量浪费，提供了能量使用效率。

附图说明

图1是本发明方法总体流程图；

图2是对二维部署的传感器节点进行分类和降维的示意图；

图3是计算移动电源的覆盖范围的示意图；

图4是确定移动电源在分组的充电位置的示意图；

图5是确定移动电源在分组的充电时间的示意图。

具体实施方式

下面结合附图对本发明的技术方案作更进一步的说明。

本发明提出了一种基于Powercast模型的WSNs充电方法。如图1所示，该方法首先采用分类和降维的方法将二维部署场景转化为一维流形，然后在一维流形场景下，合理确定移动电源的覆盖范围、在每个分组内的充电位置以及在每个分组的充电时间。通过一系列优化工作，可以降低充电能耗，提高能量使用效率。以下详述具体实现过程。

(1)将二维场景转化为一维场景

在实际应用中，传感器节点在部署区域内是二维分布的，而且节点之间的再充电周期相差较大。再充电周期指的是节点从满能量状态到失效之前持续的时间。这会导致移动电源在每次充电过程中只会给少数节点充满电，会带来额外的移动能量开销，增加能量消耗。为此本发明提出了一种方法，将二维场景转化为一维场景，它包括如下两个步骤：

分类：采用kmeans聚类算法，将所有节点按照再充电周期属性进行划分成若干个簇，使得同一个簇中节点的再充电周期接近。如此只要该簇中有一个节点快要失效，就意味着该簇的其他节点也快要失效了，移动电源需要给该簇中所有节点都充电。需要说明的是再充电周期是节点的固有属性，不会发生改变。

找哈密顿回路：将同簇中的节点和移动电源出发的基站节点组织成一个完全无向图，节点就是顶点，节点之间的距离就是边的权重。为了节省移动电源的移动距离，需要寻找最短哈密顿回路，这是NP难问题，因为要寻找一条最短回路，该回路访问每个节点一次。本发明使用基于最小生成树(minimum spanning tree,MST)的近似算法寻找一条最短哈密顿回路。由于完全无向图边之间的权重满足三角不等式，可证明近似算法得到的回路长度不超过真实最优值的两倍。

参照图2，假设WSNs中总计有12个传感器节点，用黑色的圆圈表示，圆圈旁边的数字表示该节点的再充电周期。依据节点的再充电周期的分布，可以用kmeans算法将所有节点划分为4个簇，每个簇内节点的再充电周期相近，不同簇内节点的再充电周期相差较大。通常可以指定一个阈值threshold，如果同一个簇中节点的最大再充电周期与最小再充电周期之差大于threshold，就对该簇中的节点再次使用kmeans算法，分裂该簇，直到每个簇中节点的最大再充电周期与最小再充电周期之差小于等于threshold。比如在图2中，设置threshold为5，选择再充电周期为8、12、21和32这4个节点作为初始簇中心，然后将剩余8节点加入到与其再充电周期最接近的簇中心所在的簇中。然后重新计算每个簇的簇中心为8、12、23和32。然后将非簇中心的节点再次加入到与其再充电周期最接近的簇中心所在的簇中，重新计算每个簇的簇中心。当相邻两次的簇中心不变，并且每个簇中的节点最大再充电周期与最小再充电周期之差小于等于5时，停止聚类过程，得到图2所示的聚类结果。

在每个簇中，簇中所有节点和基站BS形成一个无向完全图，然后通过基于最小生成树(MST)的近似算法找到一条最短的哈密顿回路。如果该簇中某个节点快要失效了，移动电源就沿着哈密顿路径给该簇中所有节点充电。经过如上的简化，二维问题可以转化为一维流形问题。划分出了簇以后，一个簇也称为一个分组，下面描述对每个簇(即每个分组)中的充电策略。

(2)确定移动电源的覆盖范围

对于移动电源，通常用(p,R,c)三元组刻画它，其中p表示移动电源的辐射功率，R表示移动电源的最大充电半径，c表示移动电源行进单位距离的能量消耗。如果移动电源固定在某个位置处，它最多给半径为R范围内的所有节点充电。

由于在实际应用中，传感器节点随机分布在一个二维区域内，因此哈密顿回路上两个邻接顶点之间的距离较远，导致移动电源半径为R的范围内的节点个数较多，但是这些节点之间彼此较为分散，距离移动电源较远。依据给定的Powercast模型，节点的接收功率和距离的平方呈反比，这种情况会导致充电效率的降低。因此，期望的是移动电源覆盖范围之内的节点距离较近，以便同一个节点可以被移动电源在不同位置多次充电。

为了提高移动电源的充电效率，本发明提出了搜索半径searchRadius的概念。通常，SearchRadius是R的分段函数，且在数值上和R有如下关系：当R取较小值时，searchRadius等于R；当R取较大值时，searchRadius取较小值。一种可用的形式如下：

其中a是指定的阈值，其具体取值通常为哈密顿回路上相邻节点平均间隔的两倍；b为调整参数，通常属于区间(0,1)。

图3说明了如何确定移动电源合适的覆盖范围。在移动电源半径为R的最大覆盖范围c2内包括5个节点s1-s5，显然，s1、s2和s3处于c2的内部，s4和s5处于c2的边缘处。为了避免移动电源只给少量边缘节点充电，需要缩小其覆盖范围，使得移动电源只给s1、s2和s3充满电。于是通过缩小移动电源的搜索范围为c1,使得移动电源只能同时覆盖s1、s2、s3；此处c1对应的半径就被称为搜索半径searchRadius。

(3)确定移动电源在分组的充电位置

移动电源将searchRadius作为充电覆盖半径。移动电源从基站BS出发，沿着哈密顿回路的顺时针(或逆时针)方向向前搜索，直到移动电源发现：在搜索的节点序列中，前x个节点之间的最大距离不超过2*searchRadius，但是前(x+1)个节点的最大距离已经超过了2*searchRadius。于是移动电源将这x个节点当做本分组的所有待充电节点，停止沿着哈密顿回路向前搜索。

现在移动电源要选择合适的充电位置，确保它可以覆盖这x个节点，而且节点距离该位置较近。显然这是一个最小圆覆盖问题(给定一组节点，确定半径最小的圆覆盖这些点)。对于最小圆覆盖问题，本发明使用随机增量算法(Random Increment Algorithm,RIA)来确定圆心和半径，将圆心作为移动电源在当前分组的充电位置。

图4说明了如何确定移动电源在分组的充电位置。黑色圆圈表示传感器节点，黑色方块表示移动电源的充电位置，括号内数字表示节点的二维坐标，移动电源的搜索半径searchRadius等于3。当移动电源沿着哈密顿回路的某个方向向前搜索，发现s1、s2和s3内，任意两个节点之间的欧氏距离均不超过2*searchRadius；而s1、s2、s3和s4这4个点两两之间的最大欧氏距离已经超过了2*searchRadius，于是移动电源确定本分组的待充电节点为s1、s2和s3。由于分组内任意两个节点的最大距离均不超过2*searchRadius，因此一定可以找到一个半径不超过searchRadius的圆覆盖这3个节点。显然这是一个最小圆覆盖问题，使用随机增量算法(Random Increment algorithm,RIA)，求得最小覆盖半径为3，圆心坐标为(0,3)；于是选择该圆心作为移动电源在当前分组的充电位置pos1。

(4)确定移动电源在分组的充电时间

在一个分组中，不同节点到移动电源的距离不尽相同，根据powercast公式，距离越远的节点充满电的时间往往较长。因此在很长一段时间内，移动电源辐射的能量只有其覆盖范围边缘处少量节点接收。显然这段时间内，能量使用效率较低，需要避免或者终止这段能量利用效率低下的时间。

为了解决上述能量使用较低的问题，本发明提出了基于辐射能量使用效率(Radiation energy usage efficiency,REUE)指标的交叉充电策略，它的基本思想是：允许移动电源在不同充电位置的覆盖范围彼此交叉，同一个传感器节点可以在多个位置被移动电源充电，即在每个分组内，移动电源只给靠近它的内部节点充满电，而给边缘节点只补充部分能量；边缘节点仍需补充的部分能量由移动电源在下一个分组内补充；边缘节点处于两个分组的交叉范围中，被移动电源在两个不同的位置充电。具体来说：在充电过程中，移动电源的能量消耗可以分为自身辐射能量的消耗和移动的能量消耗，前者称为辐射能量消耗E_r，后者称为移动能量消耗E_m。传感器节点接收到的能量被称为有效负载E_p；REUE指标定义为

显然REUE指标越高，能量使用效率越高。在实际操作过程中，针对分组中的n个节点，移动电源依次尝试给其中前i个节点充满电，而剩余n-i个节点仅补充部分能量的情形(i从1依次递增到n)，其中前i个节点可以认为是内部节点，剩余n-i个节点视为边缘节点。分别计算不同情形对应的REUE，最终选择REUE指标最大值所对应的情形，移动电源在当前分组的充电时间就是给该情形下所有选定的内部节点充满电的时间。

图5说明了如何确定移动电源在每个分组的充电时间。假定移动电源在第一个分组内给s1至s5这5个节点充电，其充电位置为pos1。显然s1、s2和s3处于覆盖范围的内部，s4和s5处于覆盖范围的边缘处。为了避免移动电源单独给边缘处的少量节点充电，需要使用交叉充电策略。具体来说：移动电源依次尝试只给s1、{s1,s2}、{s1,s2,s3}、{s1,s2,s3,s4}、{s1,s2,s3,s4,s5}充满电的情形(不在指定范围内的节点只补充了部分电量)，分别计算不同情形下的REUE；选取使得REUE取最大值的充电方案。我们发现当移动电源以给{s1,s2,s3}充满电为目标时(此时{s4,s5}只补充了部分电量)，当前分组的REUE指标最大。于是移动电源只给内部3个节点充满电，边缘2个节点只补充部分电量。由于s4和s5在分组1中只补充了部分电量，其剩余电量由移动电源在以pos2为充电位置的第二个分组内补充。通过上面这种协同的方式，使得处于边缘的节点被移动电源在不同位置多次充电，有效避免了能量浪费，提供了能量使用效率。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (5)

1.一种基于Powercast模型的WSNs充电方法，其特征在于，所述方法包括以下步骤：采用分组和降维的方法将二维部署场景转化为一维流形场景；在一维流形场景下，使用交叉移动充电的策略按分组对传感器节点进行充电，具体包括：确定移动电源的覆盖范围，确定移动电源在每个分组的充电位置，确定移动电源在每个分组的充电时间；

其中，所述powercast模型公式形式表示为：其中P(c_i,s_j)是传感器节点s_j从移动电源c_i处获得的输入功率；α和β是固定的参数，d_ij是c_i和s_j之间的距离，P是移动电源的发射功率；

所述将二维部署场景转化为一维流形场景包括以下步骤：

11)使用kmeans聚类方法将传感器节点按照再充电周期划分为若干个簇，使得每个簇中传感器节点的再充电周期相近；

12)在每个簇中构建无向完全图，其中传感器节点作为完全图的顶点，两个节点之间的距离作为顶点之间边的权重；

13)使用基于MST的近似算法寻找每个簇中完全无向图的最短哈密顿回路；

所述交叉移动充电策略指的是：在每个分组内，移动电源只给靠近它的内部节点充满电，只给边缘节点补充部分能量；边缘节点仍需补充的部分能量由移动电源在下一个分组内补充；边缘节点处于两个分组的交叉范围中，被移动电源在两个不同的位置充电。

2.根据权利要求1所述的一种基于Powercast模型的WSNs充电方法，其特征在于，所述确定移动电源的覆盖范围包括：基于移动电源最大充电覆盖半径R构造分段函数，确定搜索半径，将搜索半径当做移动电源的充电覆盖范围。

3.根据权利要求2所述的一种基于Powercast模型的WSNs充电方法，其特征在于，所述搜索半径的函数形式为：

其中a是指定的阈值，其取值为哈密顿回路上相邻节点平均间隔的两倍；b为调整参数，取值范围为大于0且小于1。

4.根据权利要求3所述的一种基于Powercast模型的WSNs充电方法，其特征在于，所述确定移动电源在每个分组的充电位置包括：

21)确定待充电节点：移动电源从基站BS出发，沿着哈密顿回路的顺时针或逆时针方向向前搜索，直到移动电源发现：在搜索的节点序列中，前x个节点之间的最大距离不超过2*searchRadius，但是前x+1个节点的最大距离已经超过了2*searchRadius，于是移动电源将这x个节点当做本分组的所有待充电节点，停止沿着哈密顿回路向前搜索；

22)确定位置：使用RIA算法找到一个半径不超过searchRadius的圆覆盖这上述所有待充电节点，将该圆的圆心作为移动电源的充电位置。

5.根据权利要求3所述的一种基于Powercast模型的WSNs充电方法，其特征在于，所述确定移动电源在每个分组的充电时间包括：针对分组中的n个节点，移动电源依次尝试给其中前i个节点充满电，而剩余n-i个节点仅补充部分能量的情形；i从1依次递增至n，分别计算i取不同值时对应的REUE指标，最终选择REUE指标最大值对应的情形，移动电源在当前分组的充电时间就是给该情形下选定的节点充满电的时间；

其中所述REUE的计算公式为

其中，E_p为传感器节点接收到的能量，E_m为移动电源在移动过程中消耗的能量。

Images