CN110175693A - 一种无线可充电传感器网络中充电节点的调度方法 - Google Patents
一种无线可充电传感器网络中充电节点的调度方法 Download PDFInfo
- Publication number
- CN110175693A CN110175693A CN201910312933.7A CN201910312933A CN110175693A CN 110175693 A CN110175693 A CN 110175693A CN 201910312933 A CN201910312933 A CN 201910312933A CN 110175693 A CN110175693 A CN 110175693A
- Authority
- CN
- China
- Prior art keywords
- node
- sensor node
- region
- sensor
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000007423 decrease Effects 0.000 description 8
- 230000004083 survival effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线可充电传感器网络中充电节点的调度方法,包括如下步骤:S1:构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小;S2:根据步骤S1构建的模型,结合LNK算法,将LNK算法分为协同阶段和充电阶段;S3:在LNK协同阶段,对传感器网络进行区域划分,得到每个区域中的虚拟质心节点;S4:在LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电;通过MATLAB进行仿真实验,分析算法效果;本发明有效解决了传统方法导致的收集能力信息困难、时效性差的问题,提高了无线传感器网络的稳定性。
Description
技术领域
本发明属于无线充电技术领域,尤其涉及一种无线可充电传感器网络中充电节点的调度方法。
背景技术
无线充电技术[1]的快速发展使得无线传感器网络中节点的能量问题可以得到有效解决,一种部署在网络中可对节点进行无线充电的移动充电节点(Moblie Charger,MC)[2]的出现受到广泛关注,它可以对网络中的能量进行有效管理,传感器节点因此可以摆脱复杂的能量管理算法带来的通信和计算方面的能量消耗,使得网络中的通信和能量管理变得更加高效。
无线可充电传感器网络(Wireless Rechargeable Sensor Networks,WRSNs)如图1所示,由MC、传感器节点、Sink组成。WRSNs中MC的调度表示指定某个MC在特定的时间内对传感器节点进行充电。MC对单个传感器节点进行充电通常需要50-80分钟[3],对于规模较大的传感器网络,则需要几天的时间才能完成充电,因此,MC的调度方案对网络的性能会产生较大的影响。
以往大量的研究主要集中讨论了单个MC在传感器网络中的充电问题[4,5,6],随着传感器网络中节点数量的大量增加,对单个MC的充电效率提出了挑战。另一方面,对于在网络中使用多个MC[7,8,9]进行充电,研究中通常假设MC可以学习到关于整个网络中所有节点的能量状况,之后使用集中离线的方式对获得的能量信息进行优化,然而在大规模无线网络中,节点的能量信息更新缓慢,同时节点的能量处在动态消耗中,因此数据的时效性无法得到保证。
[1]A.Kurs,A.Karalis,R.Moffatt,J.D.Joannopoulos,P.Fisher,and M.“Wireless power transfer via strongly coupled magnetic resonances,”Science,vol.317,no.5834,pp.83–86,2007.
[2]Chang Z,Wu X,Wang W,et al.Localization in Wireless RechargeableSensor Networks Using Mobile Directional Charger[C]//IEEE GlobalCommunications Conference.IEEE,2015.
[3]Panasonic ni-mh battery handbook.http://www2.renovaar.ee/userfiles/panasonic_ni-mh_handbook.pdf
[4]Jiang L,Dai H,Wu X,et al.On-demand Mobile Charger Scheduling forEffective Coverage in Wireless Rechargeable Sensor Networks[C]//InternationalSymposium on Pervasive Computing Paradigms for Mental Health.SpringerInternational Publishing,2014.
[5]ShuY,Cheng P,Gu Y,et al.TOC:Localizing wireless rechargeablesensors with time of charge[J].Acm Transactions on Sensor Networks,2015,11(3):1-22.
[6]Wang C,Li J,Ye F,et al.Recharging schedules for wireless sensornetworks with vehicle movement costs and capacity constraints[C]//EleventhIEEE International Conference on Sensing.IEEE,2014.
[7]Wang C,Li J,Ye F,et al.Multi-vehicle Coordination for WirelessEnergy Replenishment in Sensor Networks[C]//IEEE International Symposium onParallel&Distributed Processing.IEEE,2013.
[8]MadhjaA,Nikoletseas S E,Raptis T P.Distributed wireless powertransfer in sensor networks with multiple Mobile Chargers.[M].Elsevier North-Holland,Inc.2015.
[9]Madhja A,Nikoletseas S,Raptopoulos C,et al.Energy Aware NetworkFormation in Peer-to-Peer Wireless Power Transfer[C]//Acm InternationalConference on Modeling.ACM,2016.
发明内容
发明目的:针对以上问题,本发明提出一种无线可充电传感器网络中充电节点的调度方法。区别于现有技术的集中离线计算方法,本发明提出一种由移动充电节点(MC)进行分散在线计算的MC调度方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种无线可充电传感器网络中充电节点的调度方法,包括以下步骤:
S1:构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小;
S2:根据步骤S1构建的模型,结合局部网络知识水平算法(LNK),将LNK算法分为协同阶段和充电阶段;
S3:在LNK协同阶段,对传感器网络进行区域划分,使每个MC负责一个区域,并使每个传感器节点不可以被多个MC访问,得到每个区域中的虚拟质心节点,即每个MC在该区域中的初始位置;
S4:在LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电。
进一步,步骤S1中,构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小,方法如下:
S1.1:构建网络模型G=(V,E),V表示所有传感器节点和充电节点的集合,E表示所有边的集合,一个传感器节点对另一个传感器节点发送或接受数据的方向称为一条边,当MC用于移动的能量消耗达到最小时,模型表示如下:
式中,n表示网络中传感器节点数量,m表示MC数量,a表示第a个MC,i表示第i个传感器节点,j表示第j个传感器节点,cij表示MC沿边Eij移动所消耗的能量,表示边Eij是否被第a个MC访问过,若访问过,则为1,否则为0;
S1.2:根据限制条件计算表达式(1),使得MC用于移动的能量消耗达到最小,限制条件表达式(2)-(7)如下:
式中,k表示第k个传感器节点,xik表示边Eik是否被MC访问过,xkj表示边Ekj是否被MC访问过;式(2)保证所有传感器节点只可以被MC访问一次;
式中,di表示传感器节点i的能量需求,表示MC能够存储的能量上限,表示传感器节点i的剩余能量,表示第a个MC的剩余能量,yia表示传感器节点i是否被第a个MC访问过,若访问过,则yia为1,否则为0;式(3)和(4)确保MC不会耗尽能量,并且每个传感器节点不可以被多个MC访问;
ti≤Li (5)
式中,ti表示MC到达传感器节点i的时间,Li表示传感器节点i的存活时间,即传感器节点i的剩余能量使用时间;式(5)保证传感器节点i的能量在MC到达之前不会被耗尽;
yia∈{0,1} (7)
式(6)和(7)表示和yia的取值范围。
通过构建的模型可以得出,无线可充电传感器网络中充电节点的调度问题为非确定性多项式问题,难以在线性时间内得到解决,因此提出启发式算法,即局部网络知识水平算法(LNK),通过步骤S3-S4解决无线可充电传感器网络中充电节点的调度问题。
进一步,步骤S3中,在LNK协同阶段,使用k-means聚类算法将传感器网络划分为m个区域;所述k-means算法自适应地将网络中的传感器节点集合根据区域划分为不同的子集区域,使得每个区域上的传感器节点与该区域的质心距离的平方和最小;
经过划分后的区域,限制MC的活动范围,并满足式(4)的要求,即每个传感器节点不可以被多个MC访问,使得每个MC只服务于当前区域内的传感器节点,减少因长距离移动带来的能量消耗,并提高传感器节点能量信息的更新速度,提高充电效率;同时,MC只负责收集当前区域内的传感器节点的能量信息,保证能量信息的及时更新。
进一步,使用k-means聚类算法对传感器网络区域划分,并得到每个区域中的虚拟质心节点,步骤如下:
S3.1:从传感器网络中随机选择m个传感器节点作为各区域初始的质心节点,进入步骤S3.2;
S3.2:将网络中的传感器节点分配给距离其几何距离最小的质心节点,直到所有的传感器节点找到其对应的质心节点,得到相应的m个区域,进入步骤S3.3;
S3.3:根据步骤S3.2划分出的区域,使用区域中每个传感器节点的坐标,将区域中每个传感器节点的坐标相加,然后除以这个区域中传感器节点的个数,得到该区域的质心坐标,形成m个虚拟的质心,重复步骤S3.2,直到质心节点坐标收敛,即质心节点固定不再变化,完成区域划分;
S3.4:步骤S3.3完成区域划分后,每个区域中的传感器节点与该区域的质心距离的平方和最小,最终得到的m个区域中的虚拟质心节点,也是MC在该区域中的初始位置。
进一步,通过k-means算法获取传感器节点距离质心的平方和S的最小值,传感器节点距离质心的平方和S,表示如下:
其中,m表示传感器网络被划分的区域个数,p表示第p个区域,w表示区域p内传感器节点数量,i表示第i个传感器节点,是区域p的节点zi到区域p的质心μ(p)距离的平方。
进一步,在步骤S4中LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电,方法如下:
进行区域划分之后,MC只需要负责其区域内的节点充电,选择MC的充电路径由该区域传感器节点的两方面因素决定,即传感器节点i距离当前MC的距离以及传感器节点i的能量水平;根据距离选择传感器节点进行充电可以节省MC用于移动的能量消耗;及时补充能量水平低于正常工作所需能量下限的传感器节点的能量可以避免传感器节点因为能量不足无法进行正常通信;MC通过对传感器节点发送能量请求,从而获得传感器节点的能量信息;由于不需要在全局网络中广播消息,因此消息更新速度较快,并且减少了网络中用于传播能量信息所消耗的能量;
S4.1:MC根据权重Qij决定需要充电的传感器节点,权重Qij最小的传感器节点i被最先选择进行充电;权重Qij可表示如下:
式中,α为权重系数,dij表示传感器节点i距离编号为j的MC的距离,从式(9)中可以得出,当α=1时,MC忽略区域内传感器节点的能量状况,选择与它距离最短的传感器节点进行充电,而当α=0时,MC忽略区域内传感器节点的距离因素,选择区域内能量最低的传感器节点进行充电;
S4.2:为了满足式(5)的要求,保证传感器节点i的正常通信,设
式中,表示传感器节点能够存储的能量上限,表示传感器节点i的剩余能量;α根据传感器节点i的能量信息进行自适应的改变;α小于50%时,MC选择充电路径的决定因素中传感器节点i的剩余能量的比重会增大;相反,α大于50%时,MC选择充电路径的决定因素中传感器节点i与MC的距离比重会增大。
根据步骤S1-S4实现的MC调度算法,结合MATLAB进行仿真实验,并与No Charger和GNK两种充电方式对比,分析算法效果;步骤如下:
(1)将基站Sink放置在传感器网络的试验区域中心坐标(x,y)=(0,0),用于传感器网络中数据的收集,根据步骤S1-S4实现的MC调度算法,在MATLAB中进行传感器节点充电仿真,传感器节点的数量设置为n,MC的数量设置为m;传感器节点每一次接收或发送数据,称为一次事件;以网络中的事件数量作为时间的量度,实验中事件数量设置为e;
(2)采取多次改变网络拓扑的方式,并且重复每个实验T次,实现统计上的一般性,体现LNK的普遍适用性,得到仿真结果;
(3)根据仿真结果分析评价实验中不同充电方式对于传感器网络中关键性能指标的影响,得出与No Charger和GNK相比LNK可以有效提高无线可充电传感器网络中的关键性能指标;所述关键性能指标包括网络中节点的存活数量、路由稳健性、区域衰退以及MC用于移动的能量消耗;所述网络中节点的存活数量是指在实验进行中,可以进行正常通信的节点的数量;所述路由稳健性是指节点附近,实验进程中平均的存活邻居节点数量;所述区域衰退是指在网络区域中随机选取P个定点,测量随实验进程,覆盖每个定点的传感器节点的数量。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:本发明使用k-means聚类算法实现了传感器网络区域的高效划分;MC通过对附近节点发送能量请求,从而获得节点的能量信息,由于不需要在全局网络中广播消息,因此消息更新速度较快,并且减少了网络中用于传播能量信息所消耗的能量;本发明采用启发式的算法,采用分散在线的方式,有效解决了使用传统优化算法解决充电问题导致的收集能力信息困难、时效性差的问题,提高了无线传感器网络的稳定性。
附图说明
图1是无线可充电传感器网络示意图;
图2是LNK算法流程图;
图3是LNK区域划分示意图;
图4是节点随时间存活的数量折线图;
图5是路由稳健性折线图;
图6是不同算法的区域衰退柱状图;
图7是MC用于移动的能量消耗折线图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种无线可充电传感器网络中充电节点的调度方法,包括以下步骤:
S1:构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小;
S2:根据步骤S1构建的模型,结合局部网络知识水平算法(LNK),将LNK算法分为协同阶段和充电阶段;LNK算法流程如图2所示;
S3:在LNK协同阶段,对传感器网络进行区域划分,使每个MC负责一个区域,并使每个传感器节点不可以被多个MC访问,得到每个区域中的虚拟质心节点,即每个MC在该区域中的初始位置;
S4:在LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电;
在步骤S1中,构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小,方法如下:
S1.1:构建网络模型G=(V,E),V表示所有传感器节点和充电节点的集合,E表示所有边的集合,一个传感器节点对另一个传感器节点发送或接受数据的方向称为一条边,当MC用于移动的能量消耗达到最小时,模型表示如下:
式中,n表示网络中传感器节点数量,m表示MC数量,a表示第a个MC,i表示第i个传感器节点,j表示第j个传感器节点,cij表示MC沿边Eij移动所消耗的能量,表示边Eij是否被第a个MC访问过,若访问过,则为1,否则为0;
S1.2:根据限制条件计算表达式(1),使得MC用于移动的能量消耗达到最小,限制条件表达式(2)-(7)如下:
式中,k表示第k个传感器节点,xik表示边Eik是否被MC访问过,xkj表示边Ekj是否被MC访问过;式(2)保证所有传感器节点只可以被MC访问一次;
式中,di表示传感器节点i的能量需求,表示MC能够存储的能量上限,表示传感器节点i的剩余能量,表示第a个MC的剩余能量,yia表示传感器节点i是否被第a个MC访问过,若访问过,则yia为1,否则为0;式(3)和(4)确保MC不会耗尽能量,并且每个传感器节点不可以被多个MC访问;
ti≤Li (5)
式中,ti表示MC到达传感器节点i的时间,Li表示传感器节点i的存活时间,即传感器节点i的剩余能量使用时间;式(5)保证传感器节点i的能量在MC到达之前不会被耗尽;
yia∈{0,1} (7)
式(6)和(7)表示和yia的取值范围。
通过构建的模型可以得出,无线可充电传感器网络中充电节点的调度问题为非确定性多项式问题,难以在线性时间内得到解决,因此提出启发式算法,即局部网络知识水平算法(LNK),通过步骤S3-S4解决无线可充电传感器网络中充电节点的调度问题。
步骤S3中,在LNK协同阶段,使用k-means聚类算法将传感器网络划分为m个区域;所述k-means算法自适应地将网络中的传感器节点集合根据区域划分为不同的子集区域,使得每个区域上的传感器节点与该区域的质心距离的平方和最小;
经过划分后的区域,限制MC的活动范围,并满足式(4)的要求,即每个传感器节点不可以被多个MC访问,使得每个MC只服务于当前区域内的传感器节点,减少因长距离移动带来的能量消耗,并提高传感器节点能量信息的更新速度,提高充电效率;同时,MC只负责收集当前区域内的传感器节点的能量信息,保证能量信息的及时更新。
使用k-means聚类算法对传感器网络区域划分,并得到每个区域中的虚拟质心节点,步骤如下:
S3.1:从传感器网络中随机选择m个传感器节点作为各区域初始的质心节点,进入步骤S3.2;
S3.2:将网络中的传感器节点分配给距离其几何距离最小的质心节点,直到所有的传感器节点找到其对应的质心节点,得到相应的m个区域,进入步骤S3.3;
S3.3:根据步骤S3.2划分出的区域,使用区域中每个传感器节点的坐标,将区域中每个传感器节点的坐标相加,然后除以这个区域中传感器节点的个数,得到该区域的质心坐标,形成m个虚拟的质心,重复步骤S3.2,直到质心节点坐标收敛,即质心节点固定不再变化,完成区域划分;
S3.4:步骤S3.3完成区域划分后,每个区域中的传感器节点与该区域的质心距离的平方和最小,最终得到的m个区域中的虚拟质心节点,也是MC在该区域中的初始位置。
通过k-means算法获取传感器节点距离质心的平方和S的最小值,传感器节点距离质心的平方和S,表示如下:
其中,m表示传感器网络被划分的区域个数,p表示第p个区域,w表示区域p内传感器节点数量,i表示第i个传感器节点,是区域p的节点zi到区域p的质心μ(p)距离的平方。
在步骤S4中LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电,方法如下:
S4.1:MC根据权重Qij决定需要充电的传感器节点,权重Qij最小的传感器节点i被最先选择进行充电;权重Qij可表示如下:
式中,α为权重系数,dij表示传感器节点i距离编号为j的MC的距离,从式(9)中可以得出,当α=1时,MC忽略区域内传感器节点的能量状况,选择与它距离最短的传感器节点进行充电,而当α=0时,MC忽略区域内传感器节点的距离因素,选择区域内能量最低的传感器节点进行充电;
S4.2:为了满足式(5)的要求,保证传感器节点i的正常通信,设
式中,表示传感器节点能够存储的能量上限,表示传感器节点i的剩余能量;α根据传感器节点i的能量信息进行自适应的改变;α小于50%时,MC选择充电路径的决定因素中传感器节点i的剩余能量的比重会增大;相反,α大于50%时,MC选择充电路径的决定因素中传感器节点i与MC的距离比重会增大。
根据步骤S1-S4实现的MC调度算法,结合MATLAB进行仿真实验,并与No Charger和GNK两种充电方式对比,分析算法效果;步骤如下:
(1)将基站Sink放置在传感器网络的试验区域中心坐标(x,y)=(0,0),用于传感器网络中数据的收集,根据步骤S1-S4实现的MC调度算法,在MATLAB中进行传感器节点充电仿真,传感器节点的数量n设置为2000,MC的数量m设置为10;传感器节点每一次接收或发送数据,称为一次事件;以网络中的事件数量作为时间的量度,实验中事件数量设置为3000;
(2)采取多次改变网络拓扑的方式,并且重复每个实验100次,实现统计上的一般性,体现LNK的普遍适用性,得到仿真结果;
(3)根据仿真结果分析评价实验中不同充电方式对于传感器网络中关键性能指标的影响,得出与No Charger和GNK相比LNK可以有效提高无线可充电传感器网络中的关键性能指标;所述关键性能指标包括网络中节点的存活数量、路由稳健性、区域衰退以及MC用于移动的能量消耗;所述网络中节点的存活数量是指在实验进行中,可以进行正常通信的节点的数量;所述路由稳健性是指节点附近,实验进程中平均的存活邻居节点数量;所述区域衰退是指在网络区域中随机选取1000个定点,测量随实验进程,覆盖每个定点的传感器节点的数量。
本实施例仿真结果中所述关键性能指标分析如下:
(1)节点存活数量:随着网络中节点能量的消耗,大量节点会因能量不足停止通信;从图4可以看出GNK表现明显好于LNK,因为GNK可以掌握全局网络的能量状况,从而更好的管理网络能量;LNK只掌握附近节点的能量状况,在实验初期的表现效果可以媲美GNK,但随着时间的增加,由于只可以控制其所负责连通区域内节点的能量,导致区域间能量分布不均匀,最终与GNK的差距逐渐拉大;同时,与没有MC进行充电(No Charger)相比,可以看出CNK和LNK可以对网络中能量进行更好的管理。
(2)路由稳健性:路由稳健性是无线传感器网络的重要指标,传感器节点发出的消息,最终都会经过路由发送到Sink节点,良好的网络连接性对路由稳健性至关重要,因此可以通过计算每个传感器节点周围活动节点数量的平均值,对路由稳健型进行评价。实验结果如图5所示,在没有MC的No charger中,路由稳健性随着实验时间的增加,快速下降,同节点的存活数量具有相似的下降趋势。
(3)区域衰退:区域衰退通过计算覆盖网络区域中随机数量定点的传感器节点数量,评价无线传感器网络的性能。将k个传感器覆盖的定点称为k-covered。图6的柱形图展示了区域衰退随实验时间的变化。No charger中,节点对区域的覆盖度随着时间减弱,大量的节点死亡,表明网路中很多区域无法进行检测,而通过LNK和GNK对网络进行充电后,相对于No charger的下降趋势,LNK和GNK均可以保持较为稳定的水平。
(4)MC用于移动的能量消耗:MC在移动过程中,由于LNK和GNK均只需要负责区域内节点的充电,并且在节点选择上考虑移动距离,因此MC可以根据距离决定充电路径。从图7中可以看出,MC在每个时间段用于移动的能量消耗相对均匀。
Claims (6)
1.一种无线可充电传感器网络中充电节点的调度方法,其特征在于:该方法包括如下步骤:
S1:构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小;
S2:根据步骤S1构建的模型,结合局部网络知识水平算法(LNK),将LNK算法分为协同阶段和充电阶段;
S3:在LNK协同阶段,对传感器网络进行区域划分,使每个MC负责一个区域,并使每个传感器节点不可以被多个MC访问,得到每个区域中的虚拟质心节点,即每个MC在该区域中的初始位置;
S4:在LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电。
2.根据权利要求1所述的一种无线可充电传感器网络中充电节点的调度方法,其特征在于:步骤S1中,构建网络模型,使得移动充电节点(MC)用于移动的能量消耗达到最小,方法如下:
S1.1:构建网络模型G=(V,E),V表示所有传感器节点和充电节点的集合,E表示所有边的集合,一个传感器节点对另一个传感器节点发送或接受数据的方向称为一条边,当MC用于移动的能量消耗达到最小时,模型表示如下:
式中,n表示网络中传感器节点数量,m表示MC数量,a表示第a个MC,i表示第i个传感器节点,j表示第j个传感器节点,cij表示MC沿边Eij移动所消耗的能量,表示边Eij是否被第a个MC访问过,若访问过,则为1,否则为0;
S1.2:根据限制条件计算表达式(1),使得MC用于移动的能量消耗达到最小,限制条件表达式(2)-(7)如下:
式中,k表示第k个传感器节点,xik表示边Eik是否被MC访问过,xkj表示边Ekj是否被MC访问过;式(2)保证所有传感器节点只可以被MC访问一次;
式中,di表示传感器节点i的能量需求, 表示MC能够存储的能量上限,表示传感器节点i的剩余能量,表示第a个MC的剩余能量,yia表示传感器节点i是否被第a个MC访问过,若访问过,则yia为1,否则为0;式(3)和(4)确保MC不会耗尽能量,并且每个传感器节点不可以被多个MC访问;
ti≤Li (5)
式中,ti表示MC到达传感器节点i的时间,Li表示传感器节点i的存活时间,即传感器节点i的剩余能量使用时间;式(5)保证传感器节点i的能量在MC到达之前不会被耗尽;
yia∈{0,1} (7)
式(6)和(7)表示和yia的取值范围。
3.根据权利要求2所述的一种无线可充电传感器网络中充电节点的调度方法,其特征在于:步骤S3中,在LNK协同阶段,选用k-means聚类算法对传感器网络进行区域划分,通过k-means算法获取传感器节点距离质心的平方和的最小值,得到每个区域中的虚拟质心节点。
4.根据权利要求3所述的一种无线可充电传感器网络中充电节点的调度方法,其特征在于:所述k-means聚类算法对传感器网络进行区域划分,并得到每个区域中的虚拟质心节点,方法如下:
S3.1:从传感器网络中随机选择m个传感器节点作为各区域初始的质心节点,进入步骤S3.2;
S3.2:将网络中的传感器节点分配给距离其几何距离最小的质心节点,直到所有的传感器节点找到其对应的质心节点,得到相应的m个区域,进入步骤S3.3;
S3.3:根据步骤S3.2划分出的区域,使用区域中每个传感器节点的坐标,将区域中每个传感器节点的坐标相加,然后除以这个区域中传感器节点的个数,得到该区域的质心坐标,形成m个虚拟的质心,重复步骤S3.2,直到质心节点坐标收敛,即质心节点固定不再变化,完成区域划分;
S3.4:步骤S3.3完成区域划分后,每个区域中的传感器节点与该区域的质心距离的平方和最小,最终得到的m个区域中的虚拟质心节点,也是MC在该区域中的初始位置。
5.根据权利要求3或4所述的一种无线可充电传感器网络中充电节点的调度方法,其特征在于:通过k-means算法获取传感器节点距离质心的平方和的最小值,传感器节点距离质心的平方和S,表示如下:
其中,m表示传感器网络被划分的区域个数,p表示第p个区域,w表示区域p内传感器节点数量,i表示第i个传感器节点,是区域p的节点zi到区域p的质心μ(p)距离的平方。
6.根据权利要求2-4任一所述的一种无线可充电传感器网络中充电节点的调度方法,其特征在于:在步骤S4中LNK充电阶段,MC根据传感器节点能量状况以及MC与传感器节点之间的距离,选择充电路径,并依次对传感器节点进行充电,方法如下:
S4.1:MC根据权重Qij决定需要充电的传感器节点,权重Qij最小的传感器节点i被最先选择进行充电;权重Qij可表示如下:
式中,α为权重系数,dij表示传感器节点i距离编号为j的MC的距离,从式(9)中可以得出,当α=1时,MC忽略区域内传感器节点的能量状况,选择与它距离最短的传感器节点进行充电,而当α=0时,MC忽略区域内传感器节点的距离因素,选择区域内能量最低的传感器节点进行充电;
S4.2:为了满足式(5)的要求,保证传感器节点i的正常通信,设
式中,表示传感器节点能够存储的能量上限,表示传感器节点i的剩余能量;α根据传感器节点i的能量信息进行自适应的改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312933.7A CN110175693B (zh) | 2019-04-18 | 2019-04-18 | 一种无线可充电传感器网络中充电节点的调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312933.7A CN110175693B (zh) | 2019-04-18 | 2019-04-18 | 一种无线可充电传感器网络中充电节点的调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175693A true CN110175693A (zh) | 2019-08-27 |
CN110175693B CN110175693B (zh) | 2023-04-28 |
Family
ID=67689694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312933.7A Active CN110175693B (zh) | 2019-04-18 | 2019-04-18 | 一种无线可充电传感器网络中充电节点的调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175693B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101478A (zh) * | 2015-06-04 | 2015-11-25 | 中国联合网络通信集团有限公司 | 一种无线网络传感器的充电方法及装置 |
CN105896672A (zh) * | 2016-05-31 | 2016-08-24 | 河海大学常州校区 | 一种无线充电传感器网络系统中移动机器人的充电方法 |
CN107613540A (zh) * | 2017-11-07 | 2018-01-19 | 合肥工业大学 | 一种无线可充电传感器网络聚类分簇路由方法 |
CN108509742A (zh) * | 2018-04-10 | 2018-09-07 | 南京大学 | 一种鲁棒安全的无线可充电传感器网络中的充电调度方法 |
-
2019
- 2019-04-18 CN CN201910312933.7A patent/CN110175693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101478A (zh) * | 2015-06-04 | 2015-11-25 | 中国联合网络通信集团有限公司 | 一种无线网络传感器的充电方法及装置 |
CN105896672A (zh) * | 2016-05-31 | 2016-08-24 | 河海大学常州校区 | 一种无线充电传感器网络系统中移动机器人的充电方法 |
CN107613540A (zh) * | 2017-11-07 | 2018-01-19 | 合肥工业大学 | 一种无线可充电传感器网络聚类分簇路由方法 |
CN108509742A (zh) * | 2018-04-10 | 2018-09-07 | 南京大学 | 一种鲁棒安全的无线可充电传感器网络中的充电调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110175693B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
Zhao et al. | Spatiotemporal charging scheduling in wireless rechargeable sensor networks | |
CN105515110B (zh) | 一种电动汽车有序充电实时控制系统 | |
CN102244892B (zh) | 一种基于免疫算法的移动传感网分簇方法 | |
CN102149158A (zh) | 基于网格分簇的传感器网格数据融合方法 | |
CN107743308A (zh) | 一种用于环境监测的节点分簇数据收集方法及装置 | |
Ouyang et al. | Importance-different charging scheduling based on matroid theory for wireless rechargeable sensor networks | |
CN107613480B (zh) | 一种基于树状簇与移动元素的数据收集方法 | |
CN109451556A (zh) | 基于uav对无线传感网充电的方法 | |
Tu et al. | Real-time route recommendations for E-taxies leveraging GPS trajectories | |
CN107820321A (zh) | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法 | |
CN113887138A (zh) | 一种基于图神经网络和强化学习的wrsn充电调度方法 | |
CN109982452A (zh) | 一种基于拟阵的无线可充电传感器网络充电调度方法 | |
CN108012345B (zh) | 一种无线传感器网络中单对多移动能量补充方法 | |
Huang et al. | Energy harvesting algorithm considering max flow problem in wireless sensor networks | |
Yang et al. | Wireless Rechargeable Sensor Networks-Current Status and Future Trends. | |
Chao et al. | Predictive trajectory-based mobile data gathering scheme for wireless sensor networks | |
Li et al. | Predicting-scheduling-tracking: Charging nodes with non-deterministic mobility | |
Mohiddin et al. | Energy-efficient enhancement for the prediction-based scheduling algorithm for the improvement of network lifetime in WSNs | |
CN109275170A (zh) | 一种无线可充电传感网络的充电方法及系统 | |
CN110049500B (zh) | 基于模拟退火算法的无线可充电传感网中uav能量补偿方法 | |
Wei et al. | A multi-objective algorithm for joint energy replenishment and data collection in wireless rechargeable sensor networks | |
CN110175693A (zh) | 一种无线可充电传感器网络中充电节点的调度方法 | |
Wang et al. | Charging path optimization for wireless rechargeable sensor network | |
CN110248330A (zh) | 一种基于中继充电模型最大化充电小车休息时间调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |