CN110134121A

CN110134121A - 一种移动充电器的最优路径规划方法

Info

Publication number: CN110134121A
Application number: CN201910326590.XA
Authority: CN
Inventors: 雷艳静; 曹柳君; 曹迪; 王鑫; 贾景润; 雷啸; 谢敏杰; 李伟
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2019-04-23
Filing date: 2019-04-23
Publication date: 2019-08-16

Abstract

一种移动充电器的最优路径规划方法，采用基于密度的嵌套TSP(Travelling Salesman Problem，旅行商问题)路径优化算法，基于传感器网络中无线通信设备(Wireless Device，WD)的能量消耗率和分布密度对它们进行两次分簇，再对每个簇使用TSP解决方法进行路线的优化，进而构建更优化的嵌套路线。

Description

一种移动充电器的最优路径规划方法

技术领域

本发明涉及无线传感器网络充电技术,具体涉及一种移动充电器的最优路径规划方法。

背景技术

近年来，随着无线电力传输技术的进展，WPCN(Wireless Powered CommunicationNetwork，无线供电通信网络)成为国内外学者竞相研究的热点。WPCN使用了一种新兴的无线能量传输技术(Wireless Power Transfer，WPT)，其WPCN节点，即无线通信设备(Wireless Device，WD)，由专门的无线电力发射器供电。目前存在的大部分传感器网络使用电池供能，传感器网络的生存周期也由此被电池的容量所限制。因此，在无线传感器网络中的一个关键问题是能量供应问题，即：如何以最佳的方式来供应网络节点的能量。为了能够解决WDs能量受限的问题，有关于采用移动HAP来补充无线传感器网络中WDs的能量供应的方法和实践，最近也吸引了大量的关注。在实际情况下，由于HAP的移动性限制，传感器网络中WDs的充电任务调度在实现高效供能方面起着至关重要的作用。

发明内容

为解决混合型接入点在移动情况下对设备进行供能，本发明提出了一种移动充电器的最优路径规划方法，采用基于密度的嵌套TSP(Travelling Salesman Problem，旅行商问题)路径优化算法，基于传感器网络中无线通信设备(Wireless Device，WD)的能量消耗率和分布密度对它们进行两次分簇，再对每个簇使用TSP解决方法进行路线的优化，进而构建更优化的嵌套路线。

为了解决上述技术问题本发明提供如下的技术方案：

一种移动充电器的最优路径规划方法，包括以下步骤：

步骤1、收集所有WD的能量消耗率r，并基于能量消耗率r对所有WD进行分簇，生成m个簇。假定在场景中部署若干个能量消耗率随机的相同型号的WD。首先对WDs进行聚类分簇。HAP收集WDs的能量消耗率，并分别假设r_max和r_min为各节点中能量消耗率最大和最小的值。然后基于能量消耗率，进行一次成簇；

步骤2、在基于能量消耗率的一次聚类成簇之后，若干个节点已被分成m个簇。在这m个簇的基础上，进行基于密度的二次分簇的考虑，即：同一个簇中各节点对象和其密度可达的所有节点可以考虑构成一个新的簇；

步骤3、以m个簇和占据能量消耗率区间由高到低的顺序，构建嵌套的TSP路线组；

步骤4、依据路线选择算法对每个充电轮次所行驶的路线进行选择。

本发明的有益效果为：基于传感器网络中无线通信设备(Wireless Device，WD)的能量消耗率和分布密度对它们进行两次分簇，再对每个簇使用TSP解决方法进行路线的优化，进而构建更优化的嵌套路线。

附图说明

图1是p、q和o密度相连的示意图；

图2是经过一次分簇之后，各个簇的能量消耗率范围示意图；

图3是一种移动充电器的最优路径规划方法的原理框图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

参照图1和图2，一种移动充电器的最优路径规划方法，包括以下步骤：

本实施例中，在场景中部署若干个能量消耗率随机的相同型号的WD。首先对WDs进行聚类分簇。HAP收集WDs的能量消耗率，并分别假设r_max和r_min为各节点中能量消耗率最大和最小的值。然后基于能量消耗率，进行一次成簇，根据公式(1)，由r_max和r_min计算出能构建的簇的数量m。

表示返回一个大于等于x的最小整数。依据能量消耗率上升的趋势，m个簇的能量消耗率分布区间表示为公式(2)：

为了方便表述，能量消耗区间用表示，其中使用T_n,n∈[1,m]表示各个簇。

所述步骤2中，在基于能量消耗率一次成簇的基础上，进行基于密度的二次成簇。在此，首先介绍WSN中的基于密度的聚类算法DBSCAN(Density-based Spatial Clusteringof Application with Noise)。

DBSCAN算法中定义了两个量，邻域半径Eps和指定的数目MinPts。对于一个节点q，与节点q的距离小于Eps的所有点的集合D，表示为N_Eps(p)，即：{q∈D|dist(p,q)≤Eps}。同时DBSCAN算法将WSN的节点分为三类：

核心点：一个节点的半径Eps内含有超过MinPts个节点；

边界点：一个节点的半径Eps内节点的数目小于MinPts，但该节点落在其他核心点的邻域内；

噪音点：既不是核心点也不是边界点的点。

对于以上三类节点，引入三个关于密度的概念。对于两个节点p和q，如果p在核心点q的Eps邻域内，则称p直接密度可达q。而对于i个节点,如果存在对象链<p₁,p₂,...,p_n>，p_i+1是从p_i关于Eps和MinPts直接密度可达的，则称对象p_n是从对象p₁关于Eps和MinPts密度可达的。如果存在点o，使得p和q都是关于Eps，MinPts是从o密度可达的，则称点p关于Eps，MinPts与点q是密度相连的。

一个核心对象和其密度可达的所有对象构成一个聚类。而DBSCAN算法将簇定义为密度相连的点的最大集合。如图1所示，p、q和o是密度相连的，因此这些点可以归为一个簇。

当两个节点能量消耗率差别很大的时候，显然是不应该分到同一个簇中的，所以除了考虑各节点地理分布的情况，还需要考虑各节点的能量消耗率相对于各簇所占能量消耗率区间的位置分布。

当具有若干WDs的WPCN在经过一次成簇之后，形成了三个能量消耗率各不相同的簇。每个簇所拥有WD的能量消耗率范围区间分布如图2所示，能量消耗率左低右高，各节点能量消耗率的分布区间为[Rmin，Rmax]。

如图2所示，T₁中节点a的能量消耗率明显和T₃簇中的节点d、e相差很大，因此在第二次分簇中，T₁簇中的节点不应该和T₃簇中的节点分进同一个簇。同时，T₂簇中各个节点的能量消耗率与T₁簇中节点的能量消耗率的差距有大有小，比如a和b的能量消耗率比较相近，而节点a和c的能量消耗率差距很大。当两个能量消耗率相差很大的WD被分到一个簇，这将导致移动HAP在同一充电轮次中访问的WD所拥有的剩余能量可能差距很大，即：移动HAP访问了本来不需要在当前充电轮次进行充电的WD。因此，本文引入能量消耗阈值系数E_α。假设T_n簇所占的能量消耗率区间为则当我们仅考虑能量消耗率高的簇中节点向能量消耗率低的簇进行基于密度的二次成簇时，得到如下公式(3)：

s.t.dist(p,q)≤Eps,

p∈T_n,

q∈T_n+1,

T_n,n∈[1,m-1]. (3)

对于T_n簇，n∈[1,m-1]中的一个节点p，T_n+1簇中存在一个节点q使得dist(p,q)≤Eps，并且q处于能量消耗率区间则q从T_n+1簇中转移至T_n簇。即，q∈T_n。依据以上的二次成簇规则，对各个簇中的节点依据能量消耗率从低到高的顺序进行遍历，形成新的T_n′簇,其中n′∈[1,m]。

对于第二次分簇后形成的m个簇，构建嵌套的TSP路线，然后依据嵌套路线选择算法进行每一轮充电轮次执行路线的选择。依据各簇能量消耗率从高到低的顺序构建嵌套的TSP路线组，并在每个充电轮次执行充电任务时进行TSP路线的选择。

Claims

1.一种移动充电器的最优路径规划方法，其特征在于，所述方法包括以下步骤：

步骤1、收集所有WD的能量消耗率r，并基于能量消耗率r对所有WD进行分簇，生成m个簇，假定在场景中部署若干个能量消耗率随机的相同型号的WD，首先对WDs进行聚类分簇，HAP收集WDs的能量消耗率，并分别假设r_max和r_min为各节点中能量消耗率最大和最小的值，然后基于能量消耗率，进行一次成簇；

步骤2、在基于能量消耗率的一次聚类成簇之后，若干个节点已被分成m个簇，在这m个簇的基础上，进行基于密度的二次分簇的考虑，即：同一个簇中各节点对象和其密度可达的所有节点可以考虑构成一个新的簇；

2.如权利要求1所述的一种移动充电器的最优路径规划方法，其特征在于，所述步骤1中，根据公式(1)，由r_max和r_min计算出能构建的簇的数量m；

表示返回一个大于等于x的最小整数，依据能量消耗率上升的趋势，m个簇的能量消耗率分布区间表示为公式(2)：

能量消耗区间用表示，其中使用T_n,n∈[1,m]表示各个簇。

3.如权利要求1或2所述的一种移动充电器的最优路径规划方法，其特征在于，所述步骤2中，DBSCAN算法中定义了两个量，邻域半径Eps和指定的数目MinPts，对于一个节点q，与节点q的距离小于Eps的所有点的集合D，表示为N_Eps(p)，即：{q∈D|dist(p,q)≤Eps}，同时DBSCAN算法将WSN的节点分为三类：

核心点：一个节点的半径Eps内含有超过MinPts个节点；

噪音点：既不是核心点也不是边界点的点；

对于以上三类节点，引入三个关于密度的概念，对于两个节点p和q，如果p在核心点q的Eps邻域内，则称p直接密度可达q，而对于i个节点,如果存在对象链<p₁,p₂,...,p_n>，p_i+1是从p_i关于Eps和MinPts直接密度可达的，则称对象p_n是从对象p₁关于Eps和MinPts密度可达的，如果存在点o，使得p和q都是关于Eps，MinPts是从o密度可达的，则称点p关于Eps，MinPts与点q是密度相连的；

一个核心对象和其密度可达的所有对象构成一个聚类，而DBSCAN算法将簇定义为密度相连的点的最大集合，p、q和o是密度相连的，因此这些点可以归为一个簇；

当具有若干WDs的WPCN在经过一次成簇之后，形成了三个能量消耗率各不相同的簇，能量消耗率左低右高，各节点能量消耗率的分布区间为[Rmin，Rmax]；

T₁中节点a的能量消耗率明显和T₃簇中的节点d、e相差很大，因此在第二次分簇中，T₁簇中的节点不应该和T₃簇中的节点分进同一个簇；同时，T₂簇中各个节点的能量消耗率与T₁簇中节点的能量消耗率的差距有大有小，比如a和b的能量消耗率比较相近，而节点a和c的能量消耗率差距很大；当两个能量消耗率相差很大的WD被分到一个簇，这将导致移动HAP在同一充电轮次中访问的WD所拥有的剩余能量可能差距很大，即：移动HAP访问了本来不需要在当前充电轮次进行充电的WD；引入能量消耗阈值系数E_α，假设T_n簇所占的能量消耗率区间为则当考虑能量消耗率高的簇中节点向能量消耗率低的簇进行基于密度的二次成簇时，得到如下公式(3)：

s.t.dist(p,q)≤Eps,

p∈T_n,

q∈T_n+1,

T_n,n∈[1,m-1]. (3)

对于T_n簇，n∈[1,m-1]中的一个节点p，T_n+1簇中存在一个节点q使得dist(p,q)≤Eps，并且q处于能量消耗率区间则q从T_n+1簇中转移至T_n簇，即，q∈T_n，依据以上的二次成簇规则，对各个簇中的节点依据能量消耗率从低到高的顺序进行遍历，形成新的T_n′簇,其中n′∈[1,m]。