CN112996076B - 一种无线传感器网络中移动充电和数据收集方法 - Google Patents

Abstract

一种无线传感器网络中移动充电和数据收集方法，本发明重点考虑了无线可充电传感器网络在实际部署中的情形(节点分布不均匀、电池容量不一致)，提出了适用于此场景的移动充电和数据收集方法。本发明中根据节点的密度和相互间距离选择聚类中心、根据距离远近分簇，使簇结构能够更贴近节点的真实分布。在合理分簇的基础上，簇内节点根据剩余能量和距离选择簇头，避免低能量节点和偏僻节点作为簇头，簇头每周期选举一次，从而将网络能耗均衡到每个节点。最后，MPMD根据每个簇的位置或每个簇内待充电节点的个数制定移动路径，依次访问每个簇，为簇内节点充电并从节点收集数据，从而延长了网络寿命，并均衡了节点间能耗。

Description

一种无线传感器网络中移动充电和数据收集方法

技术领域

本发明属于无线传感器网络领域，具体涉及一种无线传感器网络移动充电和数据收集方法。

背景技术

无线传感器网络(Wireless sensor networks,WSNs)是由一定数量分布在监测区域的传感器节点，利用无线通信技术组成的一个自组织网络。WSNs具有自组织、隐蔽性强、高容错、部署迅速等特点，用途广泛，目前已经应用于智慧交通、智慧城市、智能家居、公共安全、环境监测、战场侦察等各个方面。WSNs中传感器节点配备一定容量的电池来支撑节点执行各种任务，而电池电量有限，总有一日电量会耗尽，网络陷入死亡。且由于传感器节点常部署在危险环境中，人为更换节点电池不现实，由此产生了各种延长节点寿命的技术。主要技术分为三类：开源，即从外部环境获取能量；增量部署，即在监测区域内部署大量冗余节点；节流，即尽量降低节点能耗。其中增量部署和节流方案只能尽量延长节点寿命，但不能从根本上解决能量问题。而开源方案能够采用适当的能量供应装备，通过无线能量传输的方式为节点补充能量，从而维持WSNs的正常工作，因此无线可充电传感器网络(wirelessrechargeable sensor networks,WRSNs)应运而生。

在WRSNs中引入移动设备通过无线能量传输的方式为节点补充能量能够从根本上解决节点能量问题。除此之外，WRSNs中存在能量空洞问题，由于节点以多跳方式将数据传输到基站，距离基站近的传感器节点会承担比远端节点更重的数据转发任务，具有更大的通信负载，导致了基站附近的节点因为能耗过大而过早死亡，从而造成无线传感器网络能量空洞问题，能量空洞会造成网络路由链路的割裂，使远端节点的数据无法发送到BS。如果使引入的移动设备同时负担起数据汇聚的工作，当移动设备为节点充电时节点将收集到的数据直接提交给移动设备，由移动设备充电结束后返回后再将此数据提交给基站，就可以较好的缓解能量空洞问题。同时负责无线充电和数据收集任务的移动设备称为多用途移动设备(multipurpose mobile device,MPMD)。

现有的无线充电和数据收集方案都是基于节点均匀分布且节点电池容量相同的场景，而实际网络部署中具有多种类型的节点、电池容量不一致、节点分布有疏有密，若在此场景中仍旧使用传统方案，会导致分簇不合理，每周期簇头的选择也不合理，比如会导致分簇大小不均匀，部分簇头的通信负载过高导致簇头耗电剧烈加快网络死亡；同时不合理的分簇也会导致部分节点数据传输链路过长，数据采集不稳定，更易产生能量空洞。

发明内容

针对现有技术存在的不足，本发明提出一种更适用于实际无线传感器网络的移动充电和数据收集算法，以达到延长网络寿命、均衡节点能耗的目的。

一种无线传感器网络中移动充电和数据收集方法，包括以下步骤：

步骤1、搭建网络环境；

主要由三部分组成：基站、移动设备MPMD及无限可充电传感器节点；

其中，基站用于接收MPMD从节点处收集的数据并进行处理、转发、存储，同时作为MPMD的能量站为MPMD充电，移动设备MPMD用于为节点发送能量并从节点收集数据，大量不均匀分布且电池容量不一致的无线可充电传感器节点用于执行各类任务，从环境中收集数据、发送、接收等。

步骤2、基于网络内节点分布密度和相互间距离选举聚类中心；

步骤2-1、将所有传感器放入集合中，确定聚类中心个数及节点密度半径，定义聚类中心集合；

步骤2-2、每个传感器节点基于感知半径计算自身密度；对节点密度定义为位于自身传感器半径内的节点个数；

步骤2-3、对所有传感器节点，根据节点密度从大到小排序；

步骤2-4、将密度最大的第一个节点作为第一个聚类中心；

步骤2-5、更新传感器节点集合；

步骤2-6、计算得出每个节点的聚类中心选择权值；

步骤2-7、确定最终的聚类中心；

步骤3、计算普通节点到每个聚类中心的距离，将普通节点归入最近的聚类中心，多个普通节点和一个聚类中心共同组成一个簇结构；

步骤4、簇内节点根据剩余能量和相互间距离每周期轮换选举簇头，从而将网络内能耗均衡到每个节点，具体如下：

步骤4-1、计算簇中节点个数，统计簇内节点的剩余能量；

步骤4-2、计算簇内节点到簇内其他节点的平均距离；

步骤4-3、根据簇内节点的剩余能量和相互间距离计算每个节点的权值；

步骤4-4、选择簇内权值最大的节点作为簇头；

步骤4-5、重复步骤4直到每个簇选择出一个簇头；

步骤5、MPMD根据待充电簇的分布位置，使用贪心算法制定最短访问路径，依次访问每个簇头；

步骤6、MPMD到达一个簇，为簇内的所有待充电节点充电，同时从节点收集数据。访问完所有待充电簇后MPMD返回基站处提交自己从节点收集的所有数据。

本发明优点：

本发明为一种无线传感器网络移动充电和数据收集方法。本发明重点考虑了无线可充电传感器网络在实际部署中的情形(节点分布不均匀、电池容量不一致)，提出了适用于此场景中的移动充电和数据收集算法。传统的WRSNs中移动充电和数据收集方案大多是基于LEACH算法的改进，因此使用随机分簇算法，分簇个数不确定且簇头选择不合理，对网络寿命和节点能耗均匀性的改进不足，而在实际环境中，这种缺点更致命，甚至会降低网络性能。而本发明中根据节点的密度和相互间距离选择聚类中心、根据距离远近划分簇结构能够更贴近节点的真实分布。在合理分簇的基础上，簇内节点根据剩余能量和距离选择簇头，避免低能量节点和偏僻节点作为簇头，簇头每周期选举一次，从而将网络能耗均衡到每个节点。最后，MPMD根据每个簇的位置或每个簇内待充电节点的个数制定移动路径，依次访问每个簇，为簇内节点充电并从节点收集数据，从而延长了网络寿命，并均衡了节点间能耗。

附图说明

图1为本发明提供的节点分布不均匀电池容量异构的系统模型图；

图2为本发明中采用的无线信号传输模型；

图3为本发明基于密度-距离选举聚类中心图；

图4为本发明基于密度-距离聚类中心分簇图；

图5为本发明基于剩余能量-距离选举簇头图；

图6为本发明OPNET网络仿真图；

图7为本发明网络剩余能量均值随时间变化曲线图；

图8为本发明网络内存活节点比例随时间变化曲线图；

图9为本发明网络内节点剩余能量热力图；

图10为本发明网络内簇头个数对节点剩余能量均值的影响图；

图11为本发明网络内簇头个数对存活节点率的影响图；

图12为本发明网络内节点剩余能量随簇头个数变化的热力图。

具体实施方式

下面结合附图对本发明做进一步说明。

一种无线传感器网络中移动充电和数据收集方法，包括以下步骤：

步骤1、搭建网络环境；

无线可充电传感器网络环境如图1所示，在一定区域范围内有一个基站BS、一个多功能移动设备MPMD、大量的无线可充电传感器节点。

BS直接与电网相连，因此电量等效为无限，BS负责为MPMD充电，并且接收MPMD从节点处收集的数据进行处理、转发、存储等工作。

MPMD携带大容量电池，且假设MPMD所携带的电池电量足够任一周期的电量消耗。且MPMD集成了无线能量传输模块和数据收集模块，负责为节点充电的同时收集来自节点的数据。

网络内分布有大量无线可充电传感器节点，节点使用电池供电，且节点以簇为单位从环境中收集信息，等MPMD到达本簇后，为当前簇内的待充电节点充电，同时簇内的所有节点将收集存储的信息提交给MPMD，由MPMD返回基站后提交给BS，完成数据收集过程，传感器节点的集合表示为SN＝{n₁,...,n_i,...,n_N}且1≤i≤N，N为传感器节点个数。

传感器节点位置分布不均匀且每个节点的电池容量不一致，每个传感器节点的电池容量为

且每个传感器节点的充电阈值为

当节点剩余能量低于充电阈值时，节点向BS发送充电请求。节点死亡阈值为

当节点剩余能量低于死亡阈值时节点死亡。

无线可充电传感器节点使用如图2所示的简单无线模型进行能耗计算，两个收发节点间的距离使用自由空间模型和多径衰落信道模型。发送节点向距离d处的接收节点发送k-bit数据消耗的能量按式(1)计算，接收节点接收k-bit数据消耗的能量按式(2)计算：

E_RX(k)＝E_RX-elec(k)＝kE_elec (2)

其中E_elec为发射或接收电路中每bit数据消耗的能量，常用参数为50nJ/bit；ε_amp为和距离相关的信号放大成本；ε_fs为自由空间损耗系数，常用参数为10pJ/bit/m²；ε_mp为多径损耗系数，常用参数为0.013pJ/bit/m⁴；d₀为数据传输距离阈值，超过此距离后传输数据能耗急剧增加。E_TX-elec(k)表示发送k-bit数据发射机消耗的能量，E_TX-amp(k,d)表示发送k-bit数据放大器消耗的能量。

MPMD使用无线传输方式为节点补充能量，能量随距离增加衰减严重，因此传感器节点的接收功率如下式(4)：

其中

为能量经过衰减，到达某个节点的接受功率；G_r为接收天线增益；G_t为发射天线增益；η为接收节点整流器效率；L_p为极化损耗；λ为发送能量所用波长；d为发射器和接收器间距离；D为能量最大传输距离，超出此距离后接收节点处的功率等于零；β为调整短距离发射的Frii's自由空间方程的常数，常取值为0.2316。P_t为MPMD给节点发送能量的功率。

步骤2、基于网络内节点分布密度和相互间距离选举聚类中心；

步骤2-1、网络中分布的传感器节点集合表示为SN＝(n₁,...,n_i,...,n_N),1≤i≤N，其中n_i表示一个节点，N为网络中节点的个数。确定聚类中心个数Y，节点密度半径R，定义聚类中心集合CC_Set；

步骤2-2、每个传感器节点基于感知半径计算自身密度；对节点密度定义为位于自身传感器半径内的节点个数；具体为：

定义传感器节点n_i的密度集合

计算节点n_j到此节点的距离：

其中dis_ij表示节点n_j到节点n_i的距离，(x_i,y_i)为节点n_i的坐标，(x_j,y_j)为节点n_j的坐标。

若dis_ij<R则表明节点n_j位于节点n_i的密度范围内，此时将节点n_j加入到n_i的密度集合，即Γ_i＝Γ_i+n_j；否则Γ_i＝Γ_i；

采用迭代计算方式，直到计算出所有节点的密度集合{Γ₁,...,Γ_i,...,Γ_N},1≤i≤N；

每个节点的密度为Dens_i＝count(Γ_i)，则可得所有节点的密度为{Dens₁,...,Dens_i,...,Dens_N},1≤i≤N；

步骤2-3、对所有传感器节点，根据节点密度从大到小排序得到排序后的节点集合D＝{d₁,...,d_i,...,d_N},1≤i≤N；

步骤2-4、选择集合D中第一个节点d₁作为第一个聚类中心，将此节点加入到聚类中心集合，即CC_Set＝CC_Set+d₁；

步骤2-5、将节点d₁从传感器节点集合中移除，即传感器节点集合剩余N-1个节点，即更新传感器节点集合为SN＝SN-d₁＝{n₁,...,n_i,...,n_N-1}；

步骤2-6、计算得出每个节点的聚类中心选择权值；

计算聚类中心集合中所有聚类中心的平均坐标，如下式(7)：

其中(cc_jx,cc_jy)表示CC_Set中聚类中心节点cc_j的坐标；

计算传感器节点集合中任一节点n_i到CC_{ave_position}的距离ave_dis_{i_to_all_CC}，从而计算得出每个节点的聚类中心选择权值，权值计算如下式(8)：

其中σ和ε表示聚类中心选择中，密度和距离的重要程度。本实施例中分别取0.5。

步骤2-7、确定最终的聚类中心；

对更新后的集合SN中所有节点按照权值从大到小排序得到密度距离集合DD＝{dd₁,...,dd_i,...,dd_n}；

选择集合DD中权值最大的节点dd₁加入到聚类中心集合，即CC_Set更新为CC_Set＝CC_Set+dd₁；

更新集合SN＝SN-dd₁；

若count(CC_Set)<Y，则迭代步骤2-6至步骤2-7循环选举新的聚类中心；直到count(CC_Set)≥Y，结束循环；

输出Y个聚类中心的集合CC_Set＝{cc₁,...,cc_i,...,cc_Y}。基于密度距离算法得到的聚类中心如图3所示；

步骤3、计算普通节点到每个聚类中心的距离，将普通节点归入最近的聚类中心，多个普通节点和一个聚类中心共同组成一个簇，分簇结果如图4所示；

步骤4、簇内节点根据剩余能量和相互间距离选举簇头，簇头每周期都需要重新选举一次，将网路能耗均衡到每个节点；

步骤4-1、计算簇中节点个数，统计簇内节点的剩余能量；

输入Y个簇cluster₁,cluster₂,...,cluster_Y，定义簇头集合CH_Set；

计算簇中节点个数num_i＝count(cluster_i)，则每个簇中节点个数分别为{num₁,...,num_i,...,num_Y}；

统计一个簇内所有节点

的剩余能量

步骤4-2、计算节点n_o到此簇内其余num_i-1个节点的平均距离为：

其中(x_o,y_o)是节点n_o的坐标，(x_l,y_l)是节点n_l的坐标；

步骤4-3、计算节点n_o的簇头选择权值，如下式(10)：

其中

和μ和表示簇头选择中剩余能量和距离的重要程度，本实施例中均取值0.5。

则当前簇内所有节点的权值为

对簇内num_i个节点按权值从大到小排序得到排序后节点集合

步骤4-4、将权值最大的节点作为当前簇内的簇头，加入到簇头集合，即更新簇头集合为CH_Set＝CH_Set+w₁；

步骤4-5、重复上述步骤4-3到步骤4-4，得到Y个簇的簇头集合CH_Set＝{ch₁,...,ch_i,...,ch_Y}，最终选择出的簇头如图5所示；

步骤5、MPMD根据Y个待充电簇的分布位置，使用贪心算法制定最短访问路径，依次访问每个簇头；

步骤6、MPMD到达一个簇，为簇内的所有待充电节点一对多充电，同时从节点收集数据。访问完所有待充电簇后MPMD返回基站处提交自己收集的所有数据。

本实施例中，为了验证本发明所提出方法的性能，将其与I-LEACH、P-greedy及K-CHRA2算法进行仿真比较。图7至图11中的K-CHRA曲线为本发明的性能曲线。本发明的目的是延长网络寿命，均衡节点间能耗，通过网络内节点剩余能量均值、网络内存活节点比例、节点剩余能量热力图来体现。

图6为OPNET网络仿真图，在100×100m的监测区域内，不均匀分布着50个传感器节点，每个节点的电池容量为[5000～10800]J间的随机值，MPMD移动速度为10m/s，开始仿真时分簇个数为6。

图7为网络内节点剩余能量均值随时间变化的曲线图，网络内节点剩余能量均值被定义为网络寿命，剩余能量均值越高表示网络的寿命越长，越能长时间运行从环境中采集数据并发送到BS。

如果没有引入MPMD移动充电和数据收集方案，网络内剩余能量均值理论上会呈现直线下降的趋势，直到剩余能量均值为0，这是因为如果没有引入MPMD，节点不能降低能耗，且没有外部能量来源，总有一个时刻网络内所有节点耗尽能量死亡。

而当引入MPMD后，可以由图7看出，四条曲线虽然都呈下降趋势，但下降趋势随着网络运行逐渐放缓，最后趋向于稳定在一个水平线，维持了网络生存，使网络不至于断电死亡。且在网络运行的任意时刻本发明方法K-CHRA都优于两个对比算法I-LEACH和P-greedy。

左上角四条曲线不从同一点出发是因为MPMD在等待网络运行一段时间后才开始启动能量传输和数据收集方案，此时因为两对比算法分簇的不合理，在这段时间内节点造成了较大的能耗。

同时也可以看到，在分簇和簇头选举相同时，MPMD采用不同的路径规划算法最终也会对网络寿命造成影响，MPMD采用最短移动路径(曲线K-CHRA)的性能优于MPMD根据各簇充电紧迫性制定移动路径(曲线K-CHRA2)。这是因为最短移动路径时MPMD能节省移动消耗的时间尽快赶往下一个簇进行充电和数据收集，而考虑到充电紧迫性时MPMD在移动上消耗了较多时间，不能最及时的为接下来的簇充电，因此性能略微较低。

图8为网络内存活节点比例随时间变化的曲线图，可以看到在网络开始运行阶段网络内所有节点都在正常工作，节点存活率为100％，随着网络运行，5min时P-greedy最先出现死亡节点，7min时I-LEACH出现死亡节点，8min时MPMD根据充电紧迫度制定移动路径方案出现死亡节点，而最优的方案直到13min才出现第一个死亡节点。且在整个网络运行中，MPMD最短移动路径节点存活率都稳定的高于其他三个方案，充分证明了本发明在实际网络分布情形下的优越性。

图9为某一时刻网络内节点剩余能量分布热力图，深色区域表示节点剩余能量较多，浅色区域表示节点剩余能量较少，甚至节点已经断电死亡形成了能量空洞。从图中可以明显看出，K-CHAR方案能量空洞数最少，且剩余能量比较均匀；K-CHAR2算法性能次之，而其他几个方案I-LEACH和P-greedy算法浅色区域较多且能耗极不均匀。可知本发明方法在平衡节点间能耗上比其他几个对比方案更优。

图10为簇头个数对网络内节点剩余能量均值影响曲线图。网络中簇头的个数会对算法性能造成强烈影响，若簇头个数较少，网络中簇的区域较大，因为无线能量传输随距离损耗严重，MDMP为簇内节点充电会消耗极长时间，导致后续的簇内所有的节点不能被充电而能量耗尽死亡，从而导致算法性能较低。

由图可以看出，在簇头个数较少(2、3个)的情况下网络内剩余能量均值很低，随簇头个数增加，网络内剩余能量均值直线上涨，在簇头个数增加到一定值后，即使再增大簇头个数网络内剩余能量均值上涨不再明显。这是因为虽然分簇个数越多，MPMD为一个簇充电越快，理论上随分簇个数增加性能应该呈现持续上涨趋势。但是簇个数多会导致移动路径复杂，MPMD浪费在移动上的时间较多，不能及时为后续节点充电，因此复杂的移动路径限制了性能的上涨，两者相互抵消从而使性能维持在一个稳定水平。

且如果考虑到MPMD的能量利用率，因为现实中移动设备MPMD的能量是有限的，如果簇头过多，使网络中的分簇粒度很细，MPMD制定的移动路径非常复杂，总路径长度极长，因此在簇头个数较大时MPMD会在移动上浪费较多能量，这是不可取的。因此，在本实施例的仿真环境中最优簇头个数为6，再增加簇头个数对性能的提升不再会起到正面作用，相反，甚至会降低网络性能。

图11为网络内存活节点比例随簇头变化的曲线图。同样的，可以看到任一时刻簇头较少(2、3个)时节点存活率较低，簇头较多时节点存活率较高。且在簇头大于某个值时，几条曲线的差距较小。

图12为不同簇头个数下节点剩余能量热力图。可以看到在簇头较少时，比如簇头个数为2、3、4，热力图中大部分区域颜色较浅，表明节点剩余能量极低，甚至一定产生了能量空洞，且此时还有极少数节点颜色很深，表明剩余能量较多，此时节点间能耗很不均衡。而当簇头个数变多之后，比如6、7、8，可以看到热力图中浅色区域较少，能耗比较均匀。

Claims (4)

1.一种无线传感器网络中移动充电和数据收集方法，其特征在于，包括以下步骤：

步骤1、搭建网络环境；

在一定区域范围内有一个基站BS、一个多功能移动设备MPMD、一定数量的无线可充电传感器节点；

其中，BS直接与电网相连，因此电量等效为无限，BS负责为MPMD充电，并且接收MPMD从节点处收集的数据进行处理、转发、存储工作；

MPMD携带大容量电池，MPMD所携带的电池电量足够任一周期的电量消耗，MPMD集成了无线能量传输模块和数据收集模块，负责为节点充电的同时收集来自节点的数据；

网络内分布有一定数量的无线可充电传感器节点，节点使用电池供电，且节点以簇为单位从环境中收集信息，等MPMD到达本簇后，为当前簇内的待充电节点充电，同时簇内的所有节点将收集存储的信息提交给MPMD，由MPMD返回基站后提交给BS，完成数据收集过程；

步骤2、基于网络内节点分布密度和相互间距离选举聚类中心；

步骤2-1、根据节点分布，确定聚类中心个数Y，节点密度半径R，定义聚类中心集合CC_Set；分布的传感器节点集合表示为SN＝(n₁，...，n_i，...，n_N)，1≤i≤N，N为传感器节点个数；

步骤2-2、每个传感器节点基于感知半径计算自身密度；对节点密度定义为位于自身传感器半径内的节点个数；

步骤2-3、对所有传感器节点，根据节点密度从大到小排序得到排序后的节点集合D＝{d₁，...，d_i，...，d_N}，1≤i≤N；

步骤2-4、选择集合D中第一个节点d₁作为第一个聚类中心，将此节点加入到聚类中心集合，即CC_Set＝CC_Set+d₁；

步骤2-5、将节点d₁从传感器节点集合中移除，即传感器节点集合剩余N-1个节点，即更新传感器节点集合为SN＝SN-d₁＝{n₁，...，n_i，...，n_N-1}；

步骤2-6、计算得出每个节点的聚类中心选择权值；

步骤2-7、确定最终的聚类中心；

步骤3、计算普通节点到每个聚类中心的距离，将普通节点归入最近的聚类中心，多个普通节点和一个聚类中心共同组成一个簇；

步骤4、簇内节点根据剩余能量和相互间距离选举簇头，簇头每周期都需要重新选举一次，将网路能耗均衡到每个节点；

步骤4-1、计算簇中节点个数，统计簇内节点的剩余能量；

输入Y个簇cluster₁，cluster₂，...，cluster_Y，定义簇头集合CH_Set；

计算簇中节点个数num_i＝count(cluster_i)，则每个簇中节点个数分别为{num₁，...，num_i，...，num_Y}；

统计一个簇内所有节点

1≤o≤num_i的剩余能量

步骤4-2、计算节点n_o到此簇内其余num_i-1个节点的平均距离为：

其中(x_o，y_o)是节点n_o的坐标，(x_l，y_l)是节点n_l的坐标；

步骤4-3、根据簇内节点的剩余能量和相互间距离计算每个节点的权值；

计算节点n_o的簇头选择权值，如下式(2)：

其中

和μ和表示簇头选择中剩余能量和距离的重要程度，

表示本簇中节点n_o的剩余能量，1≤o≤num_i；

则当前簇内所有节点的权值为

步骤4-4、将权值最大的节点作为当前簇内的簇头，加入到簇头集合；

步骤4-5、重复上述步骤4-3到步骤4-4，得到Y个簇的簇头集合；

步骤5、MPMD根据Y个待充电簇的分布位置，使用贪心算法制定最短访问路径，依次访问每个簇头；

步骤6、MPMD到达一个簇，为簇内的所有待充电节点一对多充电，同时从节点收集数据；访问完所有待充电簇后MPMD返回基站处提交自己收集的所有数据。

2.根据权利要求1所述的一种无线传感器网络中移动充电和数据收集方法，其特征在于，所述步骤2-2每个传感器节点基于感知半径计算自身密度；对节点密度定义为位于自身传感器半径内的节点个数；具体为：

定义传感器节点n_i的密度集合

计算节点n_j到此节点的距离：

其中dis_ij表示节点n_j到节点n_i的距离，(x_i，y_i)为节点n_i的坐标，(x_j，y_j)为节点n_j的坐标；

若dis_ij＜R则表明节点n_j位于节点n_i的密度范围内，此时将节点n_j加入到n_i的密度集合，即Γ_i＝Γ_i+n_j；否则Γ_i＝Γ_i；

采用迭代计算方式，直到计算出所有节点的密度集合{Γ₁，...，Γ_i，...，Γ_N}，1≤i≤N；

每个节点的密度为Dens_i＝count(Γ_i)，则可得所有节点的密度为{Dens₁，...，Dens_i，...，Dens_N}，1≤i≤N。

3.根据权利要求2所述的一种无线传感器网络中移动充电和数据收集方法，其特征在于，所述步骤2-6计算得出每个节点的聚类中心选择权值；具体为：

计算聚类中心集合中所有聚类中心的平均坐标，如下式(4)：

其中(ccjx，ccjy)表示CC_Set中聚类中心节点cc_j的坐标；

计算传感器节点集合中任一节点n_i到CC_{ave_position}的距离ave_dis_{i_to_all_CC}，从而计算得出每个节点的聚类中心选择权值，权值计算如下式(5)：

其中σ和ε表示聚类中心选择中，密度和距离的重要程度。

4.根据权利要求3所述的一种无线传感器网络中移动充电和数据收集方法，其特征在于，所述步骤2-7确定最终的聚类中心；具体为：

对更新后的集合SN中所有节点按照权值从大到小排序得到密度距离集合DD＝{dd₁，...，dd_i，...，dd_n}；

选择集合DD中权值最大的节点dd₁加入到聚类中心集合，即CC_Set更新为CC_Set＝CC_Set+dd₁；

更新集合SN＝SN-dd₁；

若count(CC_Set)＜Y，则迭代步骤2-6到步骤2-7循环选举新的聚类中心；直到count(CC_Set)≥Y，结束循环；输出Y个聚类中心的集合CC_Set＝{cc₁，...，cc_i，...，cc_Y}。

Images