CN110267324A - 一种基于中继充电模型最短完成任务时间优化方法 - Google Patents

Abstract

本发明提出了一种基于中继充电模型最短完成任务时间优化方法。本发明采用的无线传感网络为：在一个2D平面区域中，随机部署了N个传感器，一个服务基站和多跳充电小车，传感器节点和充电小车均可以中继能量；具体的步骤如下：步骤1：获取传感器节点的地理位置和剩余能量信息，计算每个传感器节点的能量需求；步骤2：选择充电小车的锚点和锚点的充电集合步；3：计算充电小车在每个锚点的充电时间步骤；4：为多辆充电小车规划移动路径。本发明采用基于贪心和分解TSP的调度策略，缩短的充电延时，提升充电效率，从而能够适用于传感器部署稠密的无线传感器网络能量补充。

Description

一种基于中继充电模型最短完成任务时间优化方法

技术领域

本发明涉及无线传感器网络领域，特别涉及一种基于中继充电模型最短完成任务时间优化方法。

背景技术

无线传感器网络是由众多传感器节点构成，传感器节点具有数据感知、信息采集、信息处理和数据转发的功能。由于传感器节点造价低廉、部署方便、功能强大等特点，无线传感器网络有着众多的应用场景，比如森林火灾预防、地震监控和环境保护等。传感器节点维持正常工作持续消耗能量。在过去的无线传感器网络中，每个传感器节点一般配备一个能量有限且不可充电的纽扣电池。为了维持无线传感器网络持续正常工作，需要定期的为传感器节点更换电池或重新部署新的传感器。当网络规模较大时，传统以纽扣电池为能源的无线传感器网络有着很大的不便。伴随电池技术的进步和无线充电技术的发展，无线传感器网络中充电优化方法研究成为一个热点话题。

在现有的无线传感器网络充电优化方法研究中，学者大多关注于点对点和点对多点充电模型，如在《Making SensorNetworks Immortal:An Energy-Renewal ApproachWith Wireless Power Transfer》中，Yi Shi et.al通过充电小车对传感器网络点对点充电，最大化MC在基站中的休息时间比率。在《Multi-vehicle Coordination for WirelessEnergy Replenishment in SensorNetworks》中，Chong W et.al对传感器网络分区，把整个网络根据地域分成多个层次，选取各层次代表节点，然后分配MC对网络充电，以最大化充电效率。在《A Study on Wireless Charging for Prolonging the Lifetime ofWirelessSensor Networks》中，WeijianTu et.al通过优化充电时间和充电小车移动路径，以最大化网络的生命周期。在《Multi-Node Wireless Energy Charging in Sensor Networks》中，Xie Le et.al通过优化移动路径，充电时间和数据路由来最大化充电小车的休息时间与充电周期的比率。通过离散化和重构线性化技术，可获得任意精度下，可证明的近似最优解。

针对多跳中继充电模型最短完成任务时间优化方法，目前的研究较少。Cong W等人在《A Novel Framework of Multi-Hop Wireless Charging for Sensor NetworksUsing Resonant Repeaters》一文中，旨在研究最小化充电过程中的能量消耗，包括最小化充电消耗和最小移动消耗。作者首先提出了基于贪心的锚点选择算法；然后，基于分解TSP为每辆充电小车规划移动路径；最后，通过插入新的锚点，进一步优化能量消耗。他们研究的问题与本发明不同，他们旨在研究最小化能量消耗。而本发明研究的则是如何在最短的时间内完成充电任务。

发明内容

本发明提出了一种基于中继充电模型最短完成任务时间优化方法。首先，通过无线通信获取每个传感器节点的地理位置和剩余能量，计算传感器节点的能量需求，并根据获取的传感器节点位置信息构建无线传感器网络的2D平面网络。然后，为充电小车选择锚点(充电小车停靠位置)并确定当前锚点的充电集合，充电小车停靠在锚点，为充电集合的传感器节点充电并收集它们感知的数据。接着，根据充电集合中传感器节点的能量需求计算充电小车在该锚点的充电时间。最后，为充电小车规划移动路径，以最小化完成充电任务时间。

本发明解决其技术问题采用的技术方案步骤如下：

一种基于中继充电模型最短完成任务时间优化方法，采用的无线传感网络为：在一个感兴趣的平面区域中，随机部署了N个全向传感器，一个服务基站和多跳充电小车；具体的步骤如下：

步骤1：获取传感器节点的地理位置和剩余能量信息，计算每个传感器节点的能量需求；

步骤2：选择充电小车的锚点和锚点的充电集合；

步骤3：计算充电小车在每个锚点的充电时间；

步骤4：为多辆充电小车规划移动路径。

步骤1所述的获取传感器节点的地理位置和剩余信息，是通过基站与传感器节点无线通信的方式获取，传感器节点的能量需求为传感器节点的电池容量减去当前剩余电量，d_i＝E_s-e_i，其中d_i是传感器节点i的能量需求，E_s是传感器节点i的电池容量，e_i是传感器节点i的当前剩余电量。

步骤2所述的为充电小车选择锚点和锚点的充电集合分为以下步骤：

2-1、计算每个传感器节点的充电集合。传感器节点i的充电集合为S_i，若η_ij≤δ,则传感器j∈S_i，其中η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率，δ是最低充电效率阈值。

2-2、计算每个传感器节点i的权重

其中P_MC是充电小车的输出功率，η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率。

2-3、在待充电传感器集合中选择权重最小的传感器i作为锚点，更新待充电集合直至待充电

步骤3所述的充电小车在锚点的充电时间t_a:

其中P_MC是充电小车的输出功率，η_aj是充电小车停靠在锚点a时对传感器j的充电效率，S_a是锚点a的充电集合。

步骤4所述的为多辆充电小车规划移动路径，具体如下：

4-1、构建一条经过所有锚点的哈密尔顿回路，表示为p＝(b,π₁,π₂,…,π_n,b)。

4-2、计算充电小车沿着哈密尔顿回路移动所需的移动时间t_move,充电时间t_charge，并计算每辆充电小车需要的平均服务时间t_aver:

其中l_i,j是节点i到节点j的欧式距离，m是充电小车的数量，v是充电小车的移动速度。

4-3、根据充电小车所需的平均服务时间t_aver为阈值，对哈密尔顿回路进行分解，最终获得每辆充电小车的充电路径。

本发明的有益效果：

1.本发明针对实际部署区域的二维平面应用场景，提出基于中继充电模型最短完成任务时间优化方法，与传统的点对点和点对多点充电方案相比，更有利于缩短充电延时，延长网络生命周期。

2.本发明采用基于贪心和分解TSP的调度策略，缩短的充电延时，提升充电效率，从而能够适用于传感器部署稠密的无线传感器网络能量补充。

附图说明

图1为本发明采用的无线传感器网络示意图；

图2为本发明基于中继充电模型最短完成任务时间优化方法的具体流程图；

图3为中继充电数据传输示意图；

图4为中继充电能量传递示意图；

图5为经过所有锚点的哈密尔顿回路示意图；

具体实施方式

下面结合附图对本发明作进一步说明。

本发明主要提出一种基于中继充电模型最短完成任务时间优化方法。在基于多跳中继充电模型的无线传感器网络中，N个传感器随机分布在LxL的2D平面区域中。传感器节点感知、传输和接受数据需要消耗能量。传感器网络中有M辆充电小车，充电小车电量容量有限为E_MC。充电小车从基站出发，中途停靠在锚节点对传感器节点补充能量和收集数据，最终返回基站。本发明通过设计高效优化方法，以最短完成任务的时间。

本发明所使用的是多跳中继充电模型。由于在传感器部署稠密的无线传感器网络中，点对点和点对多点充电模型有较大的充电延长，可能导致传感器节点。多跳中继充电模型可以同时为多个传感器节点补充能量，同时充电范围远，充电效率高。

图1展现了基于多跳中继充电模型的无线传感器网络模型的基本组成。N个等待充电的传感器节点随机部署在LxL的平面区域中，所有传感器同质且不可移动。在平面区域的中心有一静止基站，基站可以周期性地收集传感器节点的剩余能量信息和充电小车收集的信息。基站可以根据近似算法，把充电任务分配给若干辆充电小车。在基站中有M辆充电小车，充电小车负责给传感器节点补充能量和收集传感器节点获取息。每个传感器和充电小车均内置谐振中继器，谐振中继器用于多跳中继充电。如图2所示，本发明具体步骤描述如下：

步骤1：获取传感器节点的地理位置和剩余能量信息，计算每个传感器节点的能量需求，具体实现如下：

1-1.基站与传感器节点进行无线通信获取传感器节点的地理位置和剩余能量信息。

1-2.计算每个传感器节点的能量需求d_i＝E_s-e_i，其中d_i是传感器节点i的能量需求，E_s是传感器节点i的电池容量，e_i是传感器i的当前剩余电量。

步骤2：为充电小车选择锚点和锚点的充电集合分为以下步骤：

2-1、根据图3计算每个传感器节点的充电集合。传感器节点i充电集合为S_i，若η_ij≤δ,则传感器j∈S_i，其中η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率，δ是最低充电效率阈值。

2-2、根据图3和图4计算每个传感器节点i的权重

其中P_MC是充电小车的输出功率，η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率。

2-3、在待充电传感器集合中选择权重最小的传感器i作为锚点，

更新待充电集合直至待充电

步骤3：计算充电小车在锚点的充电时间t_a:

其中P_MC是充电小车的输出功率，η_aj是充电小车停靠在锚点a时对传感器j的充电效率，S_a是锚点a的充电集合。

步骤4：为多辆充电小车规划移动路径，具体如下：

4-1、如图5所示，构建一条经过所有锚点的哈密尔顿回路，表示为p＝(b,π₁,π₂,…,π_n,b)。

4-2、计算充电小车沿着哈密尔顿回路移动所需的移动时间t_move,充电时间t_charge，并计算每辆充电小车需要的平均服务时间t_aver:

其中l_i,j是节点i到节点j的欧式距离，m是充电小车的数量，v是充电小车的移动速度。

4-3、根据充电小车所需的平均服务时间t_aver为阈值，对哈密尔顿回路进行分解，如图1所示，最终获得每辆充电小车的充电路径。

Claims (4)

1.一种基于中继充电模型最短完成任务时间优化方法，采用的无线传感网络为：在一个感兴趣的平面区域中，随机部署了N个全向传感器，一个服务基站和多跳充电小车；其特征在于具体的步骤如下：

步骤1：获取传感器节点的地理位置和剩余能量信息，计算每个传感器节点的能量需求

步骤2：选择充电小车的锚点和锚点的充电集合

步骤3：计算充电小车在每个锚点的充电时间

步骤4：为多辆充电小车规划移动路径；

步骤1所述的获取传感器节点的地理位置和剩余信息是通过基站与传感器节点无线通信的方式获取，传感器节点的能量需求为传感器节点的电池容量减去当前剩余电量，d_i＝E_s-e_i，其中d_i是传感器节点i的能量需求，E_s是传感器节点i的电池容量，e_i是传感器i的当前剩余电量。

2.根据权利要求1所示的一种基于中继充电模型最短完成任务时间优化方法，其特征在于步骤2所述的为充电小车选择锚点和锚点的充电集合分为以下步骤：

2-1、计算每个传感器节点的充电集合；传感器节点i的充电集合为S_i，若η_ij≤δ，则传感器j∈S_i，其中η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率，δ是最低充电效率阈值；

2-2、计算每个传感器节点i的权重

其中P_MC是充电小车的输出功率，η_ij是充电小车停靠在锚点i时对传感器节点j的充电效率；

2-3、在待充电传感器集合中选择权重最小的传感器i作为锚点，更新待充电集合直至待充电

3.根据权利要求2所示的一种基于中继充电模型最短完成任务时间优化方法，其特征在于步骤3所述的充电小车在锚点的充电时间t_a：

其中P_MC是充电小车的输出功率，η_aj是充电小车停靠在锚点a时对传感器j的充电效率，S_a是锚点a的充电集合。

4.根据权利要求3所示的一种基于中继充电模型最短完成任务时间优化方法，其特征在于步骤4所述的为多辆充电小车规划移动路径，具体如下：

4-1、构建一条经过所有锚点的哈密尔顿回路，表示为p＝(b，π₁，π₂，…，π_n，b)；

4-2、计算充电小车沿着哈密尔顿回路移动所需的移动时间t_move，充电时间t_charge，并计算每辆充电小车需要的平均服务时间t_aver：

其中l_i，j是节点i到节点j的欧式距离，m是充电小车的数量，v是充电小车的移动速度；

4-3、根据充电小车所需的平均服务时间t_aver为阈值，对哈密尔顿回路进行分解，最终获得每辆充电小车的充电路径。