CN115190560A - 基于簇的自适应充电路径优化方法 - Google Patents

Abstract

本发明公开了基于簇的自适应充电路径优化方法。本发明采用的无线传感网络包括在一个二维平面区域中随机部署多个可充电传感器，一个服务基站，一个移动充电器和一个仓库，充电器可以为多个传感器同时充电。首先获取传感器节点的剩余电量信息，结合空间位置和剩余电量信息将网络分簇；然后将该簇的停止位置选择问题视为函数最优化问题；通过梯度下降方法来进行优化停止位置，确定最终选出的充电车停止点；最后根据停止位置和相应的停止时间求解充电路径，同时计算相应的簇平均充电延迟。本发明采用聚类方法和自适应优化方法减少了充电等待时间来缩短充电延迟，并使用贪心策略来规划充电路径减少了充电车的移动距离，进一步降低了充电延迟。

Description

基于簇的自适应充电路径优化方法

技术领域

本发明属于无线传感器网络技术领域，具体涉及一种基于簇的自适应充电路径优化方法。

背景技术

无线传感器节点广泛应用于物联网中，无线传感网需要面对的最关键问题之一是由于其电池供电的传感器而导致的网络寿命有限。因为一旦节点耗尽能量，其感知质量和整个网络连通性就会下降。在可充电传感器网络中，通过调度充电车为传感器节点充电的移动充电调度问题已经成为了一个热门的研究问题。

无线能量传输技术的多节点充电方案中，充电器能够在其充电范围内同时为多个相邻节点充电，这极大地提高了充电效率。最近的一些文献通过使用能量有限的充电车为传感器节点充电，以此来降低充电延迟延长网络运行的寿命，如Han等人在《A Coverage-Aware Hierarchical Charging Algorithm in Wireless Rechargeable SensorNetworks》中提出在选择停止位置时需要综合考虑了能量消耗和传感器覆盖程度。然而由于传感器覆盖程度计算方法的局限性，对于不同的网络参数和传感器状态需要设定不同的参数值。而较优的参数值需要通过人为经验设定或者进行多次实验比较获得，因此该方案的普适性较弱。文献《A Joint Energy Replenishment and Data Collection Algorithmin Wireless Rechargeable Sensor Networks》在选择停止位置时考虑了传感器的能量消耗，作者将每个簇中停止位置的确定转化为求解分布着不同密度的多个粒子的二维域的质心问题。然后将路径优化问题转化为TSP问题。然而该方法通过固定的计算公式来确定停止位置，这种处理方式导致其所提算法在停止位置选择问题上仍不够灵活。在《A Multi-nodeRenewable Algorithm Based on Charging Range in Large-Scale Wireless SensorNetwork》一文中Wu等人将能量传输模型抽象为圆盘结构，并以传感器为圆心放置该圆盘结构。然后选择结构之间的交集作为充电车的候选停止位置。遗憾的是，该方法没有考虑传感器能量分布的变化。可以看出，目前的充电车移动充电研究中在停车位置选择时并未充分考虑传感器能量分布的变化，采用的停止位置的选择方式不够灵活，这样会增加网络的充电延迟。

发明内容

本发明的目的就是针对现有技术存在的问题，提供一种基于簇的自适应充电路径优化方法，在满足充电车电量约束的前提下降低充电等待时间，有效缩短网络的簇平均充电延迟。

本发明方法首先通过带权重的聚类算法来实现网络传感器节点的分簇；其次将停止位置选择问题视为函数最优化问题，通过梯度下降方法来进行优化；最后为充电车规划安全的充电移动路径，在确定了停止位置的基础上算法通过考虑传感器节点的空间约束和充电车的电量约束，通过贪婪算法求解路径规划问题来确定最终充电路径。

本发明方法采用的无线传感网络包括：m个电池容量为e_o的传感器节点O＝{o₁,o₂,...,o_m}随机部署在感兴趣的二维区域Ω中，传感器节点能够接收无线能量传输，维持长时间工作；容量为IE的充电车，充电车配备同时为多个传感器充电的无线能量传输设备；位于网络中心的基站，为传感数据的汇聚节点，负责协调和调度充电车，实现及时的数据收集和能量补充。充电车从基站出发，沿着规划的巡游路线为传感器节点充能，行驶速度为ν。网络的每个簇中都有一个停止位置，即锚点，充电车在该停止位置为其能量传输范围内的传感器节点充能，并从簇头收集感知数据。优化方法具体如下：

步骤(1)获取传感器节点的剩余电量信息，结合每个传感器节点的空间位置和剩余电量信息将网络分簇；

步骤(2)对每一个簇，定义充电车在对应停止位置处的停留时间，将该簇的停止位置选择问题视为函数最优化问题；

步骤(3)通过梯度下降方法进行优化停止位置，确定最终选出的充电车停止点；

步骤(4)根据停止位置和相应的停止时间求解充电路径，计算相应的簇平均充电延迟。

进一步，步骤(1)具体是：

(1-1)通过前一轮充电过程中传感器节点和充电车之间的无线通信传输，获取节点o_j的当前剩余电量信息

返回基站时，充电车将收集的数据上传到基站并更换自己的电池；基站根据收集到的传感器节点能量数据计算下一轮的停止位置；若当前为第一轮充电，则默认所有节点剩余电量信息为e_o。

(1-2)初始化簇心，根据剩余电量升序，选择耗电量

最大的k个节点作为初始加权均值向量{u₁,u₂,...u_k}。

(1-3)计算每个传感器节点的簇归属，遍历每一个传感器节点o_j；

计算节点o_j到每一个簇心u_i的距离d_ji＝||o_j-u_i||₂，1≤i≤k；

计算与节点o_j距离最近的簇心λ_j＝argmin_{i∈{1,2,...,k}}d_ji；

将o_j归属到相应的λ_j簇，表示为：

(1-4)更新簇心，遍历每一个簇C_i，计算新的加权均值向量，得到新的簇心

向量的两个分量为：

其中，E_threshold表示传感器能量补充过程中需要满足的最低阈值，x_j和y_j分别表示节点o_j的位置坐标分量。

(1-5)如果|u′_i-u_i|＞η，表示簇心发生变化，返回(1-3)，否则网络分簇的计算完成，结束步骤(1)，η为设定阈值，为一个较小的数。

更进一步，步骤(2)具体是：

(2-1)充电车满足任意传感器节点o_j能量补充需求所需要持续的时间

其中，

是传感器节点o_j的接收功率，

α和β是与充电器物理配置相关参数，d_j是充电器发射天线和节点o_j接收天线之间的距离，R_c是充电器的最大充电覆盖距离，当充电车和传感器节点之间的距离超过R_c时，充电车无法为传感器节点充能。

(2-2)对每一个簇C_i给定一个停止位置a_i，充电车在位置a_i处需要对o_j∈N(a_i)的所有传感器进行能量传输，N(a_i)指当充电车处于位置a_i时其充电半径内的所有传感器的集合；保证o_j∈N(a_i)的传感器的充能需求都能被满足，则充电车在a_i处停留的时间

(2-3)对每一个簇C_i给定一个停止位置a_i，将每一个簇C_i的停止位置a_i选择问题视为函数最优化问题：将停止位置a_i表示为该簇范围内传感器节点位置加权计算得到的一个位置坐标，即：a_i＝(x_i,y_i)＝W^iter·locⁱ；W^iter＝(W_x,W_y)表示第iter轮权重向量，

为簇N(a_i)内的传感器节点位置向量集合，

为每个节点o_j∈N(a_i)的位置信息，即

(2-4)权重矩阵W⁰初始化为全1矩阵，即簇内所有点等权重。

再进一步，步骤(3)具体是：

(3-1)计算每一个停止位置a_i的停留时间

得到关于a_i的表达式：

(3-2)将停止位置优化问题视为关于T_i的函数的参数优化问题，该问题通过梯度下降方法进行求解：假设需要最大充电时间的传感器节点为o_max，其相应的剩余能量为

根据梯度下降方法，max函数只在o_max节点处偏导数不为0，在o_max节点位置loc_max＝(x_max,y_max)处计算对W＝(W_x,W_y)的偏导数，即：

计算化简后得到偏导数Δ_x和Δ_y：

其中，d_max表示o_max和a_i之间的距离，X、Y分别表示簇内节点x轴和y轴方向的向量，W_x和W_y分别表示W在x轴和y轴方向上的分量。

(3-3)根据偏导数更新权重W^k+1，表示为：

learningrate为定义的超参，表示每一轮迭代权重更新的程度，learningrate越大代表权重更新的幅度越大。

(3-4)重复(3-1)～(3-3)直到迭代iteration轮，其中iteration为定义的超参。

(3-5)得到停止位置集合A＝{a_i}并计算对应的T_i。

又进一步，步骤(4)具体是：

(4-1)初始化过程，设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE，候选时间集合

充电任务序列为空，即

(4-2)遍历停止位置a_i，判断是否满足

且a_i的加入不会造成E_mc不满足电量限制，表示为：

P_charge和P_move分别为充电车充电过程和行进过程中的功率，停止位置a_i与当前位置O_cur的距离D_i＝||O_cur-a_i||₂。

如果同时满足，则计算D_i；

计算从当前位置O_cur出发到a_i完成充能任务所需时间

在候选时间集合T_set中存储表示为：T_set＝T_set∪{t_i}。

(4-3)如果候选时间集合T_set为空，则充电车返回基站充能，即设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE；否则，停止位置算法，每次从候选时间集合T_set选择花费时间最少的点作为下一个需要访问的停止位置，表示为：

A_finish＝A_finish+O_cur，同时令

(4-4)重复(4-2)和(4-3)，直到所有停止位置访问完毕，得到最终的充电路径A_finish。

本发明的有益效果包括：

1.本发明针对实际部署区域的二维平面应用场景，提出基于聚类的簇平均充电延迟最小化自适应优化方法，与传统方法相比，可以在不预设参数并满足充电车电量约束的前提下优化停止位置,降低充电等待时间，缩短簇平均充电延迟。

2.本发明通过带权重的聚类算法来实现分簇，将停止位置选择问题视为函数最优化问题，然后通过梯度下降方法来进行优化。通过一定轮次的迭代可以逐渐逼近理论上的最优停止位置。最后通过一种贪婪路径规划策略，该策略确保在充电车能量受到容量约束下，进一步降低了充电延迟。

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为本发明采用的充电器模型示意图；

图3为本发明的具体流程图；

图4为步骤4的实现示意图。

具体实施方式

以下结合附图和实施例对本发明方法进一步详细说明。

一种基于簇的自适应充电路径优化方法，图1的网络示意图中展示了该方法所采用的无线传感网络模型的基本构成。在大型无线传感器网络中随机分布了m个可充电传感器节点，传感器集合O中的传感器都配备了可充电电池，其容量为e_o。每个传感器o_i都对通过数据流和自感应数据执行数据聚合。在真实传感器能耗模型下计算传感器的能耗，数据感知、接收和传输时的能耗分别为P_sense、P_Rx和P_Tx，P_sense＝λ×b_v，

其中b_v(以bps为单位)是传感器o_i的数据监测速率，

和

分别是其数据接收和传输速率，d_uv是传感器u和v之间的欧式距离，α等于2。传感器节点被组织成簇C＝{C₁,C₂,...,C_i}，其中数据通过多跳传输的方式传输到簇头。基站位于网络的中心，是传感数据的汇聚节点，同时负责协调和调度充电车，以实现及时的数据收集和能量补充。充电车从基站出发，沿着规划的巡游路线为传感器充能，行驶速度为ν。网络的每个簇中都有一个停止位置(或者称为锚点)，充电车在该停止位置为其能量传输范围内的传感器节点充能并从簇头收集感知数据。在每一轮充电之前，基站根据传感器节点的能耗为充电车计算最佳停止位置，用于对传感器进行能量补充，并收集每个簇中的感知数据。同时基站还将传感器的位置信息同步给充电车。在确定每个簇中的停止位置后，由基站规划充电车的巡游路径。然后，充电车沿着计划的轨迹行进，并按顺序访问前一步骤所计算的停止位置。返回基站时，充电车将收集的数据上传到基站并更换自己的电池。基站根据收集到的传感器节点能量数据计算新一轮的停止位置。本发明在满足充电车电量约束的前提下降低充电等待时间，有效缩短网络的簇平均充电延迟。

如图2所示，该方法采用的是全向充电模型，其中充电车是传输方，传感器节点是接收方。在此模型中，接收节点的接收功率与其和充电车之间距离的平方成反比。随着距离的增加，接收功率会随之急剧下降。

如图3所示，该方法具体如下：

步骤(1)获取传感器节点的剩余电量信息，结合每个传感器节点的空间位置和剩余电量信息将网络分簇；具体是：

(1-1)通过前一轮充电过程中传感器节点和充电车之间的无线通信传输，获取节点o_j的当前剩余电量信息

返回基站时，充电车将收集的数据上传到基站并更换自己的电池。基站根据收集到的传感器节点能量数据计算下一轮的停止位置；若当前为第一轮充电，则默认所有节点剩余电量信息为e_o。

(1-2)初始化簇心，根据剩余电量升序，选择耗电量

最大的k个节点作为初始加权均值向量{u₁,u₂,...u_k}。

(1-3)计算每个传感器节点的簇归属，遍历每一个传感器节点o_j；

计算节点o_j到每一个簇心u_i的距离d_ji＝||o_j-u_i||₂，1≤i≤k；

计算与节点o_j距离最近的簇心λ_j＝argmin_{i∈{1,2,...,k}}d_ji；

将o_j归属到相应的λ_j簇，表示为：

(1-4)更新簇心，遍历每一个簇C_i，计算新的加权均值向量，得到新的簇心

向量的两个分量为：

其中，E_threshold表示传感器能量补充过程中需要满足的最低阈值，x_j和y_j分别表示节点o_j的位置坐标分量。

(1-5)如果|u′_i-u_i|＞η，表示簇心发生变化，返回(1-3)，否则网络分簇的计算完成，结束步骤(1)，η为设定阈值，为一个较小的数。

步骤(2)对每一个簇，定义充电车在对应停止位置处的停留时间，将该簇的停止位置选择问题视为函数最优化问题；具体是：

(2-1)充电车满足任意传感器节点o_j能量补充需求所需要持续的时间

其中，

是传感器节点o_j的接收功率，

α和β是与充电器物理配置相关参数，d_j是充电器发射天线和节点o_j接收天线之间的距离，R_c是充电器的最大充电覆盖距离，当充电车和传感器节点之间的距离超过R_c时，充电车无法为传感器节点充能。

(2-2)对每一个簇C_i给定一个停止位置a_i，充电车在位置a_i处需要对o_j∈N(a_i)的所有传感器进行能量传输，N(a_i)指当充电车处于位置a_i时其充电半径内的所有传感器的集合；保证o_j∈N(a_i)的传感器的充能需求都能被满足，则充电车在a_i处停留的时间

(2-3)对每一个簇C_i给定一个停止位置a_i，将每一个簇C_i的停止位置a_i选择问题视为函数最优化问题：将停止位置a_i表示为该簇范围内传感器节点位置加权计算得到的一个位置坐标，即：a_i＝(x_i,y_i)＝W^iter·locⁱ；W^iter＝(W_x,W_y)表示第iter轮权重向量，

为簇N(a_i)内的传感器节点位置向量集合，

为每个节点o_j∈N(a_i)的位置信息，即

(2-4)权重矩阵W⁰初始化为全1矩阵，即簇内所有点等权重。

步骤(3)通过梯度下降方法进行优化停止位置，确定最终选出的充电车停止点；具体是：

(3-1)计算每一个停止位置a_i的停留时间

得到关于a_i的表达式：

(3-2)将停止位置优化问题视为关于T_i的函数的参数优化问题，该问题通过梯度下降方法进行求解：假设需要最大充电时间的传感器节点为o_max，其相应的剩余能量为

根据梯度下降方法，max函数只在o_max节点处偏导数不为0，在o_max节点位置loc_max＝(x_max,y_max)处计算对W＝(W_x,W_y)的偏导数，即：

计算化简后得到偏导数Δ_x和Δ_y：

其中，d_max表示o_max和a_i之间的距离，X、Y分别表示簇内节点x轴和y轴方向的向量，W_x和W_y分别表示W在x轴和y轴方向上的分量。

(3-3)根据偏导数更新权重W^k+1，表示为：

learningrate为定义的超参，表示每一轮迭代权重更新的程度，learningrate越大代表权重更新的幅度越大。

(3-4)重复(3-1)～(3-3)直到迭代iteration轮，其中iteration为定义的超参。

(3-5)得到停止位置集合A＝{a_i}并计算对应的T_i。

步骤(4)根据停止位置和相应的停止时间求解充电路径，计算相应的簇平均充电延迟；具体是：

(4-1)初始化过程，设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE，候选时间集合

充电任务序列为空，即

(4-2)遍历停止位置a_i，判断是否满足

且a_i的加入不会造成E_mc不满足电量限制，表示为：

P_charge和P_move分别为充电车充电过程和行进过程中的功率，停止位置a_i与当前位置O_cur的距离D_i＝||O_cur-a_i||₂。

如果同时满足，则计算D_i；

计算从当前位置O_cur出发到a_i完成充能任务所需时间

在候选时间集合T_set中存储表示为：T_set＝T_set∪{t_i}。

(4-3)如果候选时间集合T_set为空，则充电车返回基站充能(如图4所示)，即设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE；否则，停止位置算法，每次从候选时间集合T_set选择花费时间最少的点作为下一个需要访问的停止位置，表示为：

A_finish＝A_finish+O_cur，同时令

(4-4)重复(4-2)和(4-3)，直到所有停止位置访问完毕，得到最终的充电路径A_finish。

Claims (5)

1.基于簇的自适应充电路径优化方法，该方法采用的无线传感网络包括：m个电池容量为e_o的传感器节点O＝{o₁,o₂,...,o_m}随机部署在感兴趣的二维区域Ω中，传感器节点能够接收无线能量传输，维持长时间工作；容量为IE的充电车，充电车配备同时为多个传感器充电的无线能量传输设备；位于网络中心的基站，为传感数据的汇聚节点，负责协调和调度充电车，实现及时的数据收集和能量补充；充电车从基站出发，沿着规划的巡游路线为传感器节点充能，行驶速度为ν；网络的每个簇中都有一个停止位置，充电车在该停止位置为其能量传输范围内的传感器节点充能，并从簇头收集感知数据；其特征在于，具体方法如下：

步骤(1)获取传感器节点的剩余电量信息，结合每个传感器节点的空间位置和剩余电量信息将网络分簇；

步骤(2)对每一个簇，定义充电车在对应停止位置处的停留时间，将该簇的停止位置选择问题视为函数最优化问题；

步骤(3)通过梯度下降方法进行优化停止位置，确定最终选出的充电车停止点；

步骤(4)根据停止位置和相应的停止时间求解充电路径，计算相应的簇平均充电延迟。

2.如权利要求1所述基于簇的自适应充电路径优化方法，其特征在于，步骤(1)具体是：

(1-1)通过前一轮充电过程中传感器节点和充电车之间的无线通信传输，获取节点o_j的当前剩余电量信息

返回基站时，充电车将收集的数据上传到基站并更换自己的电池；基站根据收集到的传感器节点能量数据计算下一轮的停止位置；若当前为第一轮充电，则默认所有节点剩余电量信息为e_o；

(1-2)初始化簇心，根据剩余电量升序，选择耗电量

最大的k个节点作为初始加权均值向量{u₁,u₂,...u_k}；

(1-3)计算每个传感器节点的簇归属，遍历每一个传感器节点o_j；

计算节点o_j到每一个簇心u_i的距离d_ji＝||o_j-u_i||₂，1≤i≤k；

计算与节点o_j距离最近的簇心λ_j＝arg min_{i∈{1,2,...,k}}d_ji；

将o_j归属到相应的λ_j簇，表示为：

(1-4)更新簇心，遍历每一个簇C_i，计算新的加权均值向量，得到新的簇心

向量的两个分量为：

其中，E_threshold表示传感器能量补充过程中需要满足的最低阈值，x_j和y_j分别表示节点o_j的位置坐标分量；

(1-5)如果|u′_i-u_i|＞η，表示簇心发生变化，返回(1-3)，否则网络分簇的计算完成，结束步骤(1)，η为设定阈值。

3.如权利要求2所述基于簇的自适应充电路径优化方法，其特征在于，步骤(2)具体是：

(2-1)充电车满足任意传感器节点o_j能量补充需求所需要持续的时间

其中，

是传感器节点o_j的接收功率，

α和β是与充电器物理配置相关参数，d_j是充电器发射天线和节点o_j接收天线之间的距离，R_c是充电器的最大充电覆盖距离，当充电车和传感器节点之间的距离超过R_c时，充电车无法为传感器节点充能；

(2-2)对每一个簇C_i给定一个停止位置a_i，充电车在位置a_i处需要对o_j∈N(a_i)的所有传感器进行能量传输，N(a_i)指当充电车处于位置a_i时其充电半径内的所有传感器的集合；保证o_j∈N(a_i)的传感器的充能需求都能被满足，则充电车在a_i处停留的时间

(2-3)对每一个簇C_i给定一个停止位置a_i，将每一个簇C_i的停止位置a_i选择问题视为函数最优化问题：将停止位置a_i表示为该簇范围内传感器节点位置加权计算得到的一个位置坐标，即：a_i＝(x_i,y_i)＝W^iter·locⁱ；W^iter＝(W_x,W_y)表示第iter轮权重向量，

为簇N(a_i)内的传感器节点位置向量集合，

为每个节点o_j∈N(a_i)的位置信息，即

(2-4)权重矩阵W⁰初始化为全1矩阵，即簇内所有点等权重。

4.如权利要求3所述基于簇的自适应充电路径优化方法，其特征在于，步骤(3)具体是：

(3-1)计算每一个停止位置a_i的停留时间

得到关于a_i的表达式：

(3-2)将停止位置优化问题视为关于T_i的函数的参数优化问题，该问题通过梯度下降方法进行求解：假设需要最大充电时间的传感器节点为o_max，其相应的剩余能量为

根据梯度下降方法，max函数只在o_max节点处偏导数不为0，在o_max节点位置loc_max＝(x_max,y_max)处计算对W＝(W_x,W_y)的偏导数，即：

计算化简后得到偏导数Δ_x和Δ_y：

其中，d_max表示o_max和a_i之间的距离，X、Y分别表示簇内节点x轴和y轴方向的向量，W_x和W_y分别表示W在x轴和y轴方向上的分量；

(3-3)根据偏导数更新权重W^k+1，表示为：

learningrate为定义的超参，表示每一轮迭代权重更新的程度，learningrate越大代表权重更新的幅度越大；

(3-4)重复(3-1)～(3-3)直到迭代iteration轮，其中iteration为定义的超参；

(3-5)得到停止位置集合A＝{a_i}并计算对应的T_i。

5.如权利要求4所述基于簇的自适应充电路径优化方法，其特征在于，步骤(4)具体是：

(4-1)初始化过程，设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE，候选时间集合

充电任务序列为空，即

(4-2)遍历停止位置a_i，判断是否满足

且a_i的加入不会造成E_mc不满足电量限制，表示为：

P_charge和P_move分别为充电车充电过程和行进过程中的功率，停止位置a_i与当前位置O_cur的距离D_i＝||O_cur-a_i||₂；

如果同时满足，则计算D_i；

计算从当前位置O_cur出发到a_i完成充能任务所需时间

在候选时间集合T_set中存储表示为：T_set＝T_set∪{t_i}；

(4-3)如果候选时间集合T_set为空，则充电车返回基站充能，即设当前位置为基站O_cur＝BS，充电车电量E_mc＝IE；否则，停止位置算法，每次从候选时间集合T_set选择花费时间最少的点作为下一个需要访问的停止位置，表示为：

A_finish＝A_finish+O_cur，同时令

(4-4)重复(4-2)和(4-3)，直到所有停止位置访问完毕，得到最终的充电路径A_finish。

Images