CN117689096A - 一种具有避障功能的移动充电调度方法 - Google Patents

Abstract

本发明提供一种具有避障功能的移动充电调度方法，包括：获取传感器节点、移动充电车的各项参数和障碍物位置，建立无线可充电传感器网络模型；以最小化节点死亡率为目标，以移动充电车的有限能量为约束，规划移动充电车的充电计划；基于无线充电的能量预算，定义每一个传感器节点的充电奖励，以最大化充电奖励为目标，在能量约束下选择出任务节点；根据选择出的任务节点，得到基站和各任务节点间的避障路径后，以最小化移动消耗为目标，确定任务节点的充电顺序，输出一条避障后的最短充电路径。本发明有效解决了网络中存在障碍物以及其它一些实际情况时的充电调度问题，提高了能量利用率，降低了节点死亡率。

Description

一种具有避障功能的移动充电调度方法

技术领域

本发明涉及无线可充电传感器网络技术领域，更具体地，涉及一种具有避障功能的移动充电调度方法。

背景技术

近年来，无线传感器网络(Wireless Sensor Networks，WSNs)在物联网中起着至关重要的作用，广泛应用于环境监测、医疗保健、军事、工业、家庭等领域。然而，在传统的WSNs中，传感器节点由自身携带的电池供电，限制了网络的性能和寿命，因此能量问题成为了传统WSNs的瓶颈。得益于无线能量传输技术(Wireless Power Transfer，WPT)的突破，传感器节点的电池能量可以进行无线补充，网络的能量供应问题迎来了转机，无线可充电传感器网络(Wireless Rechargeable Sensor Networks, WRSNs)应运而生。与WSNs相比，WRSNs在网络中引入移动充电器(Mobile Charger, MC)为传感器节点充电，在延长网络寿命方面有明显优势。

按照充电周期进行划分，移动充电方案可分为周期充电和按需充电。在周期充电方案中，MC每间隔一定时间重复相同的充电巡回，为固定的多个节点进行充电。而在按需充电方案中，MC只服务于发送了充电请求的传感器节点，而不必访问当前不需要充电的节点。因此，按需充电方案被认为能更有效地利用有限的能量。

然而，现有的移动充电方案研究大多假设MC携带能量不受限、传感器能耗均匀、网络区域无障碍物等理想条件，这并不适用于实际环境。因此，如何在移动充电方案中考虑到各种实际情况，特别是障碍物的影响，同时考虑MC的充电成本和移动成本，提高对有限能量的利用率是一个亟待解决的问题。

发明内容

本发明针对现有技术中存在的技术问题，提供一种具有避障功能的移动充电调度方法，包括：

获取传感器节点和移动充电车的各项参数，以及获取障碍物位置，建立无线可充电传感器网络模型；

以最小化无线可充电传感器网络的节点死亡率为目标，以移动充电车的有限能量为约束，规划移动充电车的充电计划；

基于无线充电的能量预算，定义每一个传感器节点的充电奖励，以最大化充电奖励为目标，在能量约束下选择出任务节点；

根据选择出的任务节点，得到基站和各任务节点间的避障路径后，以最小化移动充电车的移动消耗为目标，确定任务节点的充电顺序，输出一条避障后的最短充电路径。

本发明提供的一种具有避障功能的移动充电调度方法，首先充分利用无线充电的能量预算设计任务节点选择算法，然后规划一条避障后的最短充电路径，提高能量利用率，从而在有限能量的约束下降低网络的节点死亡率。

附图说明

图1为本发明提供的一种具有避障功能的移动充电调度方法流程图；

图2为无线可充电传感器网络模型图；

图3为本发明所提的移动充电方案的整体运行过程；

图4为本发明充电路径规划部分的算法流程图；

图5-1为TSCP-O充电路径示意图；

图5-2为贪婪算法充电路径示意图；

图6为本发明一个实施例的节点死亡率趋势图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

图1为本发明提供的一种具有避障功能的移动充电调度方法流程图，如图1所示，方法包括：

步骤1，获取传感器节点和移动充电车的各项参数，以及获取障碍物位置，建立无线可充电传感器网络模型。

可理解的是，起始阶段，初始化无线可充电传感器网络模型、传感器节点能耗模型以及移动充电车各项参数。

其中，初始化建立无线可充电传感器网络模型，无线可充电传感器网络模型如图2所示。多个障碍物分布在的网络区域内，模拟真实场景中的建筑物和墙壁，且障碍物位置固定并已知。/>个传感器节点/>随机均匀地分布在无障碍物区域，每个传感器节点都由容量为/>的可充电电池供电，且配备无线电源接收器，允许移动充电车通过WPT为其充电。基站部署在网络中心，收集、处理数据并为移动充电车提供能量补充。本发明采用单个移动充电车对传感器节点进行充电，且移动充电车在同一时刻只对一个传感器节点充电。

传感器节点从监测区域内采集数据，并通过多跳的方式传输给基站。同时，每个节点持续地监测自身剩余能量，一旦剩余能量低于预设的最小能量阈值/>，该节点向基站发出充电请求（忽略节点发送请求的能耗）。基站将传感器节点的请求信息储存在充电请求池中。

建立无线可充电传感器网络模型的过程为：获取障碍物[obs]的数量和位置，个传感器节点/>分布的位置。网络模型开始工作，传感器节点动态消耗能量，并时刻监测自身的剩余能量，由节点电池容量/>减去节点该时刻前消耗的总能量/>计算得到剩余能量/>。设定传感器节点能量消耗和移动充电车的相关参数。

具体地，以传感器节点为例，传感器节点消耗模型为：

在时间间隔t内，传感器节点用于感知数据的能量消耗为：/>，其中，/>为在t内感知的数据，/>为感知每比特数据所消耗的能量；

用于传输数据的能量消耗为：，其中，/>为数据感知、编码和调制的能量消耗，/>为数据传输过程中的损耗系数，d为当前跳到下一跳的距离，也就是数据传输的距离，/>为路径损耗系数，/>为/>在t内传输的数据；

用于接收数据的能量消耗为：，其中，/>为常值，/>为/>在t内接收的数据。

传感器节点在时间间隔t内的总能量消耗率为：/>。其中，为二元决策变量，值为1表示传感器节点/>从传感器节点/>接收到数据，值为0则表示没有接收；/>为传感器节点/>传输给传感器节点/>的数据。

因此，对于传感器节点，在/>内的能量消耗为：/>。

移动充电车的运动模型为：设定移动充电车用于无线充电和移动消耗的能量分别为和/>。移动充电车每米的能量消耗为/>，最大行驶距离为/>，且以恒定的速度/>行驶在网络区域内，单位时间内为传感器节点传输/>电量。

步骤2，以最小化无线可充电传感器网络的节点死亡率为目标，以移动充电车的有限能量为约束，规划移动充电车的充电计划。

可理解的是，由于移动充电车携带的能量有限，无法在一次充电巡回中为所有发出充电请求的传感器节点充满电，故当充电请求池中的传感器节点数量达到一定值时，基站将根据各传感器节点的请求信息和预设的选择规则对传感器节点进行优先级排序，选择出本轮的任务节点，任务节点即为本轮需要充电的传感器节点。

在无线传感器网络中，节点死亡率影响网络连接性和覆盖率，为了维持网络的正常运行，如何降低节点死亡率非常重要。因此，本发明旨在各种实际情况约束下降低网络的节点死亡率Z。其中，实际情况包括：网络区域中存在的障碍物，移动充电车有限的能量，节点不均衡的能量消耗，以及移动充电车的移动消耗。

根据所述无线可充电传感器网络模型中存在障碍物、传感器节点能量消耗不均衡、移动充电车能量有限以及移动充电车在运动中能量的消耗，建立以移动充电车的有限能量为约束条件、最小化节点死亡率为目标的充电计划。

本发明在考虑如网络中存在障碍物、节点能量消耗不均衡、MC能量有限、MC在运动中能量的消耗等实际情况下，对网络中节点的能量补充问题进行讨论。该问题表述如下：

(1)；

(2)；

(3)；

(4)；

(5)；

其中，Z为网络的节点死亡率；为移动充电车向传感器节点/>传输的能量，即移动充电车离开基站的时刻/>，传感器节点/>的能量需求/>，所有任务节点的总能量需求受到/>的约束；/>为移动充电车一次充电巡回的移动距离，受到最大行驶距离的约束；/>为二元决策变量，值为1表示该请求节点被选为任务节点，反之则没有；任务节点/>，也称为目标节点，即将在本轮充电巡回中被充电的节点，从充电请求池中的节点选择。

步骤3，基于无线充电的能量预算，定义每一个传感器节点的充电奖励，以最大化充电奖励为目标，在能量约束下选择出任务节点。

可理解的是，本发明中的移动充电方案包含任务节点选择和充电路径规划两部分。首先，将能最大化利用无线充电的能量预算的请求节点选为任务节点；接着，为移动充电车规划一条避障后的最短充电路径，以减少移动充电车移动时的能量消耗。方案整体运行过程如图3所示。

首先，执行任务节点的选择算法，为了充分利用无线充电的能量预算，定义传感器节点的充电奖励，以最大化充电奖励为目标，在能量约束下选择出任务节点。

为了充分利用无线充电的能量预算，优先选择更重要、能量更匮乏的节点作为任务节点去充电。

更靠近基站的节点作为路由路径中的中继节点转发更多的数据，应具有更高的充电优先级。采用紧密度中心性反映节点靠近基站的程度。传感器节点的紧密度中心性为：。其中，/>为传感器节点/>与传感器节点/>的距离，/>为其距离平均值。除了紧密度中心性，传感器节点的剩余能量/>也被考虑其中，剩余能量越少的传感器节点，充电紧迫性越高，具有更高的充电优先级。

因此，本发明结合紧密度中心性和剩余能量引入充电奖励这一新指标，传感器节点的充电奖励/>定义为：

；

其中，表示归一化的紧密度中心性，/>为最大紧密度中心性。

任务节点选择问题是离散空间中典型的0-1背包问题，因此本发明采用离散粒子群算法进行求解。与传统粒子群算法相同，粒子速度根据其当前状态、历史局部最优/>和历史全局最优/>更新。在离散粒子群算法中，二进制粒子的值仅为0或1，粒子位置/>更新公式为：/>，/>，其中，/>为[0,1]内的一个随机数。每个粒子的位置/>都是一个可行解，通过更新迭代后，/>为1则表示该粒子所代表的请求节点被选为任务节点，反之则未被选择。

由于可行解的总能量需求受到能量预算的约束，粒子群在迭代过程中需进行检查和修复。每个粒子的适应度值代表每个节点的充电奖励，经过多次迭代，适应度值达到最大时，算法结束，意味着使充电奖励最大的任务节点子集被选出。在本发明实施例中，四个任务节点/>从充电请求池/>中被选出。

步骤4，根据选择出的任务节点，得到基站和各任务节点间的避障路径后，以最小化移动消耗为目标，确定任务节点的充电顺序，输出一条避障后的最短充电路径。

可理解的是，根据选择出的任务节点，得到基站以及各任务节点间的避障路径，以最小化移动消耗为目标，确定任务节点的充电顺序，最终输出一条避障后的最短充电路径。其中，充电路径规划算法流程如图4所示。

具体地，根据选择出的任务节点，利用A*算法结合模拟退火算法为移动充电车规划一条充电路径。首先，利用A*算法得到包括基站和各任务节点在内的任意两个目标点之间的所有避障路径及其长度；然后，采用模拟退火算法对多个目标节点进行优化排序，得到移动成本最小的充电序列；最后，生成一条能经过所有目标节点、距离最短且能避开障碍物的全局最优充电路径。

充电路径规划过程包括：

第一步，初始化。设定为基站，/>为/>个目标节点（任务节点）。初始化栅格地图。输入任务节点子集、/>个目标节点和基站的位置、模拟退火算法中的初始温度/>和终止温度/>。

第二步，从任务节点和基站中任选两点运行A*算法搜索路径。这两点分别作为A*算法的起始点和目标点，计算起始点周围的每个子节点的评价函数，并选择评价函数最小的子节点进行扩展。被扩展的点作为当前节点继续扩展，直到搜索到目标点，溯源生成路径。其中，/>是由A*生成的从起始点至当前节点的实际路径代价，/>是当前点至目标点的估计代价。由欧几里德距离表示估算代价函数 ，其中，/>和/>分别为目标点的横纵坐标，/>和/>分别为当前点的横纵坐标。最后由A*得到/>条避障路径，并计算每条路径的长度。

计算代价函数，将能组合成一轮完整充电回路的路径长度累加作为代价函数。

第三步，更新充电序列解：

交换充电序列中第m和第k个解元素的位置，生成新的充电序列解/>。

计算交换前后代价函数之差。

(1)若，交换后的解/>的代价函数小于交换前的解/>，则新解为/>；

(2)若，交换后的解/>的代价函数小于交换前的解/>，那么/>是否为新解由接收概率/>决定，/>越大，/>越有可能是新解。

由降温函数更新，r为[0,1]之间的随机数，其中/>为当前解的温度，/>为新解降温后的温度。

第四步，循环执行第三步，并更新温度，直到/>降温至/>，输出一条避障后的最短充电路径。

在上述所有算法的最后，选出了使充电奖励最大的任务节点，规划了一条全局最优的避障充电路径，有限的能量被有效利用以此降低节点死亡率。

最后，为了评估所提方案TSCP-O的避障功能，将其充电路径仿真图与下文定义的贪婪算法作对比。该贪婪算法是一个同样适用于栅格地图的路径规划算法，并且选择曼哈顿距离最近的节点为下一充电节点。然而，由于该贪婪算法无法绕开障碍物，所以当下一节点被障碍物挡住时，移动充电车不得不放弃为其充电。如图5-1所示为TSCP-O的充电路径示意图，图5-2为贪婪算法的充电路径示意图，在本实例中，传感器节点被障碍物挡住了，TSCP-O可以避开障碍去为/>充电，而贪婪算法却因障碍阻挡无法为/>充电。两者充电顺序也不相同。在贪婪算法中，/>被放弃充电，充电顺序为/>；而为了给被障碍物挡住的节点充电，TSCP-O的充电顺序为/>。由此，验证了TSCP-O的避障功能。

除此之外，为了评估所提充电方案在任务节点选择部分的改进，与未进行选择处理的情况对节点死亡率进行比较。在未进行选择处理的情况中，MC直接在能量预算约束下对最先请求(First Requesting, FR)节点子集进行充电。另外，还比较了TSCP-O与贪婪算法的节点死亡率，以观察TSCP-O是否能拯救被障碍物阻挡的节点。为此，比较三种不同的情况，即TSCP-O、基于任务节点选择的贪心算法(TS-G)和基于无选择处理的贪心算法(FR-G)。如图6所示，在本发明实例中，随着充电轮数的增加，三种情况下的节点死亡率都呈现出增加的趋势，但增长的速度不同。与FR-G相比，TS-G考虑了节点的地理位置信息，及时对重要的中继节点充电，降低了节点死亡率。与FR-G和TS-G相比，TSCP-O实现了避障功能，对被障碍物阻挡的节点进行充电，使其免于死亡，从而降低了节点死亡率。

综上所述，本发明有效解决了网络中存在障碍物时的充电调度问题，提高能量利用率的同时，降低了节点死亡率。

本发明实施例提供的一种具有避障功能的移动充电调度方法及系统，充分利用无线充电的能量预算设计任务节点选择算法，然后规划一条进行避障后的全局最优充电路径，从而在有限能量的约束下降低网络的节点死亡率。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (8)

1.一种具有避障功能的移动充电调度方法，其特征在于，包括：

获取传感器节点和移动充电车的各项参数，以及获取障碍物位置，建立无线可充电传感器网络模型；

以最小化无线可充电传感器网络的节点死亡率为目标，以移动充电车的有限能量为约束，规划移动充电车的充电计划；

基于无线充电的能量预算，定义每一个传感器节点的充电奖励，以最大化充电奖励为目标，在能量约束下选择出任务节点；

根据选择出的任务节点，得到基站和各任务节点间的避障路径后，以最小化移动充电车的移动消耗为目标，确定任务节点的充电顺序，输出一条避障后的最短充电路径。

2.根据权利要求1所述的移动充电调度方法，其特征在于，所述获取传感器节点和移动充电车的各项参数，以及获取障碍物位置，建立无线可充电传感器网络模型，包括：

获取障碍物[obs]的数量和位置，个传感器节点/>的分布位置，设定传感器节点能量消耗和移动充电车的运动模型参数；

传感器节点动态消耗能量，并时刻监测自身的剩余能量，其中，由传感器节点电池容量减去传感器节点当前时刻之前消耗的总能量/>计算得到传感器节点的剩余能量，i表示第i个传感器节点，其中，传感器节点消耗模型为：

在时间间隔t内，传感器节点用于感知数据的能量消耗为：/>，其中，/>为/>在t内感知的数据，/>为感知每比特数据所消耗的能量；

用于传输数据的能量消耗为：，其中，/>为数据感知、编码和调制的能量消耗，/>为数据传输过程中的损耗系数，/>为当前跳到下一跳的距离，即数据传输的距离，/>为路径损耗系数，/>为/>在t内传输的数据；

用于接收数据的能量消耗为：，其中，/>为常值，/>为/>在t内接收的数据；

传感器节点在时间间隔t内的总能量消耗率为：/>，其中，/>为二元决策变量，值为1表示传感器节点/>从传感器节点/>接收到数据，值为0则表示没有接收；/>为传感器节点/>传输给传感器节点/>的数据；

对于传感器节点，在/>内的能量消耗为：/>；

所述移动充电车的运动模型为：设定移动充电车用于无线充电和移动消耗的能量分别为和/>，移动充电车每米的能量消耗为/>，最大行驶距离为/>，且以恒定的速度/>行驶在网络区域内，单位时间内为传感器节点传输/>电量。

3.根据权利要求1或2所述的移动充电调度方法，其特征在于，所述以最小化无线可充电传感器网络的节点死亡率为目标，以移动充电车的有限能量为约束，规划移动充电车的充电计划，包括：

根据所述无线可充电传感器网络模型中存在障碍物、传感器节点能量消耗不均衡、移动充电车能量有限以及移动充电车在运动中能量的消耗，建立以移动充电车的有限能量为约束条件、最小化节点死亡率为目标的充电计划，数学表述为：

；

；

；

；

；

其中，Z为无线可充电传感器网络的节点死亡率；为移动充电车向传感器节点/>传输的能量，即移动充电车离开基站的时刻/>，传感器节点/>的能量需求/>，所有任务节点的总能量需求受到移动充电车用于无线充电的有限能量/>的约束；/>为移动充电车一次充电巡回的移动距离，受到最大行驶距离/>的约束；/>为二元决策变量，值为1表示该请求节点被选为任务节点，反之则没有；任务节点子集/>，即将在本轮充电巡回中被充电的传感器节点，从充电请求池中的节点/>选择；其中，当传感器节点的剩余能量小于预设的最小能量阈值/>时，传感器节点向基站发出充电请求，基站将充电请求信息储存在充电请求池中。

4.根据权利要求3所述的移动充电调度方法，其特征在于，所述基于无线充电的能量预算，定义每一个传感器节点的充电奖励，包括：

基于每一个传感器节点的紧密度中心性和剩余能量，计算传感器节点的充电奖励，其中，传感器节点的充电奖励/>定义为：

；

；

；

其中，表示归一化的紧密度中心性，/>为最大紧密度中心性，/>为传感器节点的容量，/>为传感器节点的剩余能量，/>为传感器节点/>对基站的紧密度中心性，/>为传感器节点/>与传感器节点/>的距离，/>为其距离平均值。

5.根据权利要求4所述的移动充电调度方法，其特征在于，所述以最大化充电奖励为目标，在能量约束下选择出任务节点，包括：

以最大化充电奖励为目标，在能量约束下，基于离散粒子群算法进行求解，从充电请求池中选择出任务节点；

其中，在离散粒子群算法中，二进制粒子的值仅为0或1，粒子位置更新公式为：/>，/>，其中，/>为[0,1]内的一个随机数；

每个粒子的位置都是一个可行解，通过更新迭代后，/>为1表示该粒子所代表的请求节点被选为任务节点，反之则未被选择；

可行解的总能量需求受到能量预算的约束，粒子群在迭代过程中需进行检查和修复，每个粒子的适应度值代表每个传感器节点的充电奖励，经过多次迭代，适应度值达到最大时，算法结束，获取此时充电奖励最大的任务节点子集。

6.根据权利要求1所述的移动充电调度方法，其特征在于，所述根据选择出的任务节点，得到基站和各任务节点间的避障路径后，以最小化移动消耗为目标，确定任务节点的充电顺序，输出一条避障后的最短充电路径，包括：

利用A*算法得到包括基站和各任务节点在内的任意两点之间的所有避障路径及其长度；

基于任意两点之间的所有避障路径及其长度，采用模拟退火算法对多个任务节点进行优化排序，得到移动成本最小的充电序列；

生成一条能经过所有任务节点、距离最短且能避开障碍物的全局最优充电路径；

基于全局最优充电路径，调遣移动充电车为每一个任务节点充电。

7.根据权利要求6所述的移动充电调度方法，其特征在于，所述利用A*算法得到包括基站和各任务节点在内的任意两点之间的所有避障路径及其长度，包括：

为起始点周围的每个子节点定义一个评价函数，并选择评价函数最小的子节点进行扩展，被扩展的子节点作为当前节点继续扩展，直到搜索到目标点，溯源生成路径；

其中，，/>是由A*算法生成的从起始点至当前节点的实际路径代价，/>是当前节点至目标点的估计代价；

由欧几里德距离表示估算代价函数 ，其中，/>和/>分别为目标点的横纵坐标，/>和/>分别为当前节点的横纵坐标。

8.根据权利要求6所述的移动充电调度方法，其特征在于，所述基于任意两点之间的所有避障路径及其长度，采用模拟退火算法对多个任务节点进行优化排序，得到移动成本最小的充电序列，包括：

输入任务节点子集、个任务节点和基站的位置、模拟退火算法中的初始温度/>和终止温度/>；

计算条基于A*算法得到的包括基站和各任务节点在内的两点之间的避障路径长度，将能组合成一轮完整充电回路的路径长度累加作为代价函数，其中，/>代表基站，/>代表/>个任务节点；

交换充电序列中第m和第k个解元素的位置，生成新的充电序列解/>；

计算交换前后代价函数之差，若/>，交换后的解/>的代价函数小于交换前的解/>，则新解为/>；若/>，交换后的解/>的代价函数小于交换前的解/>，那么/>是否为新解由接收概率/>决定；

由降温函数更新，/>，r为[0,1]之间的随机数，其中/>为当前解的温度，/>为新解降温后的温度；

循环交换充电序列，更新温度，直到/>降温至/>，输出一条避障后的最短充电路径。