基于WRSN的多節點按需充電策略研究

楊佳 寇東山 余斌 吳佩林 楊理

摘 要：

針對無線可充電傳感器網絡（WRSN）中的節點死亡率過高問題，為了降低節點死亡率，以按需充電架構為基礎，提出了一種動態不均勻分簇的單移動充電設備（MC）多節點在線充電策略SMMCS（single MC multi-node charging strategy）。策略首先將無線可充電傳感器網絡進行動態不均勻分簇，以此劃分移動充電設備的服務分區；然后在此模型基礎上以最小網絡節點死亡率為目標，進行路徑規劃時綜合考慮節點剩余能量、距離以及能耗等因素。仿真實驗結果表明，與SAMER、VTMT以及FCFS策略相比，該策略減少了節點等待時間，縮短了MC總充電代價，減小了節點死亡率。基于仿真條件，網絡節點死亡率為4.31%。

關鍵詞：無線可充電傳感器網絡；多節點充電；節點死亡率；路徑規劃

中圖分類號：TP393?? 文獻標志碼：A??? 文章編號：1001-3695（2023）09-026-2736-07

doi：10.19734/j.issn.1001-3695.2022.11.0797

Research on multi-node on-demand charging strategy based on WRSN

Yang Jia， Kou Dongshan， Yu Bin， Wu Peilin， Yang Li

（College of Electrical & Electronic Engineering， Chongqing University of Technology， Chongqing 400054， China）

Abstract：

Aiming at the problem of high node mortality in wireless rechargeable sensor networks （WRSN）， in order to reduce the node mortality， based on the on-demand charging architecture， this paper proposed a dynamic uneven clustering single mobile charging device （MC） multi-node online charging strategy （SMMCS）.Firstly， the strategy dynamically unevenly clustered the wireless rechargeable sensor network to divide the service partition of the mobile charging device. Then， based on this model， the minimum mortality rate of network nodes was the goal， and the remaining energy， distance， and energy consumption of nodes were comprehensively considered in the path planning. The simulation results show that compared with SAMER strategy， VTMT strategy and FCFS strategy， this strategy reduces the waiting time of nodes， shortens the total charging cost of MC， and reduces the node mortality. Based on simulation conditions， the network node mortality is 4.31%.

Key words：wireless rechargeable sensor network; multi-node charging; nodal mortality; path planning

0 引言

無線傳感器網絡（WSN）是由很多具有監測、感知、和采集網絡中節點所處的環境信息的傳感器節點構成的網絡［1］，可以進行采集、處理并發送信息，現在已經應用于諸多領域，如軍事監視［2］、災害預警［3］、醫療監測［4］以及智能市場［5］等。但傳感器節點的能量十分有限，導致網絡不能持續運行，一度成為WSN研究的瓶頸［6］。隨著無線充電技術的出現，對WSN的能量需求方面有了很大的幫助，進而出現并推動了無線可充電傳感器網絡（WRSN）［7］的快速發展。為傳感器節點提供能量的研究集中于無線電能傳輸（wireless power transfer，WPT）［8］，相比于能量收集和節點節能，WPT解決節點能量問題的性能更加可靠。

在現有研究中，周期性充電和按需充電是無線充電規劃中常用兩種方式［9］。

在周期性充電的研究中，文獻［10］提出模糊邏輯充電調度方法（fuzzy logic-based charging schedule determination，FLCSD）來設置MC充電時間表，多個MC從起始點BS開始周期性地遍歷待充電節點進行充電，由于設置固定閾值充電，未考慮到節點能耗的不同，導致充電效率較低，使能量充電效率很難達到最優。文獻［11］針對問題的NP-hard問題，提出了一種混合粒子群優化遺傳算法（hybrid particle swarm optimization genetic algorithm，HPSOGA），周期性地規劃單MC對節點充電，但由于充電請求和能量消耗的不確定性，單MC充電代價過大，對大規模WRSN可能是不切實際的，很難實現的。文獻［12］采用周期性規劃策略，將路徑規劃視為TSP（traveling salesman problem）問題，運用哈密頓回路（Hamiltonian cycle，HC）算法規劃多MC充電路徑，雖然提高了MC充電效率，但忽略了節點的動態性，網絡中能量并未達到平衡。

按需充電彌補了周期性充電的不足并進行了改進，文獻［13］中采用單MC收集請求充電信號，MC根據NJNP（nearest-job-next with preemption）充電策略優先對近距離的節點進行充電，同時考慮到了節點最大存活時間和MC服務的節點數，使得網絡中的節點及時充電的幾率得到提高，但忽略了MC攜帶的能量，增大了遠距離節點充電等待時間。文獻［14］提出了基于時空協同的路徑規劃算法， 策略基于時間因素和空間因素對待充電節點進行充電優先級排序，從而規劃MC的充電路徑。該策略能有效提高MC的能量利用率，但其未能有效解決網絡能量空洞率高的問題。文獻［15］結合非支配排序遺傳算法（non-dominated sorting genetic algorithm，NSGA-Ⅱ）和多屬性決策（multi-attribute decision making，MADM）方法，采用多個MC進行協同充電，根據最近優先策略對節點進行充電，并未體現充電響應的公平性。

以往研究中很多近似認為傳感器節點結構相同以及能耗一樣，忽視了WRSN中節點的異構和動態能耗率［16～18］，并不符合工程上的實際情況，因此不能保證節點充電調度的可行性［19～24］。未處理充電請求造成的時間和能量約束等不平衡的綜合影響，導致充電調度不能達到最優，降低了MC充電性能致使節點死亡率增大。針對WRSN中存在的能量問題，本文以降低節點死亡率為目標提出SMMCS策略，其創新點有：a）對傳感器網絡進行動態不均勻分簇，同時對多個節點進行充電，縮短MC移動開銷以及節點等待時間；b）考慮節點能耗率不同和位置，確定MC充電位置，保證網絡能量平衡；c）設置雙重閾值，綜合考慮距離、能量和能耗率等多重因素，確保優先級更高的節點及時充電，保證充電響應的公平性。

1 網絡模型

如圖1所示，網絡中的傳感器節點隨機布撒在L×L矩形網絡中，網絡中布置一個移動充電器MC和n個傳感器節點Np（p=1，2，3，…，n），采用磁耦合諧振充電方式對網絡中的傳感器節點充電，充電設備MC和節點Np中都攜帶中繼器，MC的初始能量為Emc，節點初始能量為ENp。整個網絡的結構包括攜帶中繼器的移動充電器MC、傳感器節點Np和基站（base station，BS）。

網絡中傳感器節點時刻監控著自身的剩余能量，每個節點達到充電請求的門限值時，都會將自身的信息傳遞給簇頭節點，并由簇頭節點匯總需要充電的節點信息，簇頭發送的信息數據包含〈POSi，μstay，Pi，Ti，Ersi〉，其中POSi是節點的位置信息，μstay是簇內充電停留點位置信息，Pi為網絡中節點i的能量消耗率，Ti為節點i發出請求充電信息的時間戳，Ersi〈i=1，2，…，n〉是該節點i發送信息時的剩余能量。MC在開始任務之前，簇內節點剩余能量變化較大時，簇頭再次更新數據信息〈Pi，Ti，Ersi〉發送給BS，MC根據收到請求充電的信息開始對網絡進行充電。

6 仿真與分析

6.1 參數設置

本文基于MATLAB-2019a進行仿真分析，在網絡中建立一個邊長為400 m的方形區域，網絡中隨機放置基站和25～200個不等的傳感器節點，MC初始位置為基站，傳感器節點與MC都攜帶諧振中繼器，傳輸電能時調整相同的諧振頻率可進行多節點同時充電，數據信息的產生遵循平均時間間隔為60 s的泊松分布，網絡帶寬為10 kbps。仿真持續時間為72 000 s，仿真參數如表1所示。

通過與VTMT［28］、SAMER［29］以及FCFS［30］策略進行性能對比可知，本文充電策略能夠降低節點空洞率，提高能量使用率，平衡網絡能量。VTMT策略是一種可以對死亡節點進行充電的策略研究，可以通過節點死亡率的比較來判定策略性能的好壞，SAMER策略是經典的在線充電策略，FCFS策略充電性能比較低，用來比較SMMCS策略的性能。對策略進行性能比較的指標有：

a）節點死亡率。因能量不足導致死亡的節點數占全部節點數的比值，死亡節點率的大小是評定充電策略的重要指標。其值越小，說明策略越好。

b）充電等待時間。指明節點發出充電請求信息到MC為其充電所等待時間。

c）充電代價。MC進行一輪充電任務時所行駛的距離之和。

本文主要研究三個不同的因素對四個策略的指標的影響，其影響因素為節點數量、MC移動速度和MC充電速率。

6.2 仿真比較

本節對四種算法進行充電任務比較如圖4所示。圖4（a）中FCFS策略遵循先來先服務的原則，沒有考慮到緊急節點的等待充電時間，導致網絡內節點死亡率與另外三個策略相比尤為突出，由圖可知MC的充電代價很大，遠遠超過了VTMT、SAMER和SMMCS策略，同時也減低了MC的充電效率。圖4（b）和（c）中的VTMT和SAMER策略充電代價相近，性能比較得出在最優的情況上VTMT的性能始終略高于SAMER策略。圖4（d）中即為本文采用的SMMCS策略，由于優先考慮瀕臨死亡的節點，同時考慮距離因素和能耗因素來確定節點的優先級，所以在死亡節點率的性能中表現最優，待充電節點的等待時間將會大大縮減，在性能比較中，SMMCS策略的充電代價也會低于其他三種策略。SMMCS策略減小了節點充電等待時間，提高了MC充電效率，降低能量的損耗，充分體現了該策略的充電公平性和高效性。

四種策略仿真結果對比如表2所示。結果顯示，SMMCS策略能縮短MC充電代價，減少SN充電等待時間，減小SN死亡率。

6.3 節點數量對性能的影響

本組實驗節點數量以25為間隔，將節點數量從25增加到200時，分析節點的變化對策略各個性能的影響，策略變化如圖5所示。

如圖5（a）所示，節點數量較少時，四種充電策略的節點死亡率都普遍不高，這是因為MC能夠及時為網絡中待充電節點補充能量，當節點數量變化到75時，四個充電策略的節點死亡率都在不斷增加，尤其是FCFS策略尤為顯著，隨著網絡中節點數量的增多，FCFS的先來先服務策略使得待充電節點不能及時充電而出現能量空洞導致節點死亡的頻率增加，效果最為劇烈。同條件下，SAMER和VTMT策略在性能上相差不大，本文策略的節點死亡率始終低于另外三種策略，主要是因為本文策略設置了雙重閾值，優先為緊急節點充電，實時得到節點數據信息，根據節點的實時動態變化確定最優的待充電節點，使得節點的死亡率最低，表明SMMCS策略較好地兼顧了充電的公平性。

如圖5（b）所示，隨著節點的增多，VTMT、SAMER和SMMCS策略平均充電等待時間的變化規律幾乎類似，相對來講，SMMCS策略的平均待充電等待時間略低于VTMT和SAMER，這是因為本文策略不僅能夠為緊急節點優先充電，同時還能對簇內發送待充電信息的節點同時充電，能夠最快為下一個節點充電。節點數量達到75時，FCFS策略中對節點的充電選擇增多，于是MC在網絡中的移動總路程增加，導致節點的等待充電時間變長。

如圖5（c）所示，四種策略的充電代價都是先增后減，在節點增長到75之前，節點數量比較少，分布比較稀疏，MC移動距離不斷增加，但隨著節點數量不斷增加，節點分布較為密集，MC的充電代價相應降低，當節點數量高于75時，本文策略基于充電響應的公平性，考慮了節點的能耗動態變化，相較其他三種策略，本文策略充電代價最低。

6.4 MC移動速度對性能的影響

本組實驗通過改變MC的移動速度觀測每個策略的性能優劣，設定MC移動速度從1～8 m/s呈梯度增長，其性能結果如圖6所示。

如圖6（a）所示，隨著MC移動速度的增加，四種策略的節點死亡率都隨之降低，FCFS策略死亡節點率依舊高于VTMT、SAMER和SMMCS策略，這是因為FCFS策略在網絡中選擇下一充電節點的公平性較低，導致移動距離增加，節點等待時間變長，所以節點死亡率偏高。由于SMMCS策略能合理設置閾值，實時接收到節點的剩余能量，通過能耗率確定下一充電節點，節點死亡率始終小于其他三種策略，顯示了本文策略的優越性。

如圖6（b）所示，MC移動速度增加后，FCFS的節點充電等待時間先增后減，移動速度增加時FCFS中節點等待時間變長，這是因為MC的服務節點數增加了，在網絡中往返運動的幾率大大提高，所以距離稍遠的節點等待時間會相對變大。另外，VTMT、SAMER和SMMCS策略隨著MC移動速度的增加，網絡中節點的充電等待時間也在不斷減小。

如圖6（c）所示，MC移動速度增加后，其對節點充電能力也在不斷提高，對網絡中服務的節點數也在不斷遞增，所以MC總的移動距離也會逐漸變大。由于FCFS策略的充電本質是先來先服務，對于遠距離的節點并不能按時充上電，來回往復的充電使得充電代價增大。VTMT和SAMER策略隨著MC速度的增加，都是選擇最近的節點進行充電，所以充電代價的變化也極為相似。隨著移動速度的提高，本文策略的充電代價雖在不斷上升，但都低于其他三種策略，總體性能最優。

6.5 MC充電速率對性能的影響

本組實驗通過改變MC對節點的充電速率變化觀測四種策略的性能好壞，設定充電速率變化范圍是75～250 mJ/s，其性能變化結果如圖7所示。

如圖7（a）所示，隨著MC對節點的充電速率不斷增大，四種策略中MC服務的節點數量也相應增加，節點能及時得到充電的幾率也在不斷增大，所有四種策略的節點死亡率都隨著充電速率的增大而減小，FCFS的節點死亡率相比于VTMT、SAMER和SMMCS策略，FCFS只根據待充電節點發送信息的時間順序進行充電，所以性能最差。VTMT和SAMER策略的死亡節點率變化幅度小。本文策略是在減小節點死亡率的前提下，使得MC充電的效率最高，盡管服務節點數在增加，也不會增大死亡節點率。

如圖7（b）所示，MC的充電速率變大之后，四種策略的充電等待時間都有所減小，但是FCFS的等待時間最長，其他三種策略的等待時間都相對較低，本文策略對多個節點進行充電，相應地減少了節點等待充電的時長，其充電效率最好。VTMT策略中主要選擇等待時間最長的節點作為下一個充電節點，其公平性相對較差，因此充電等待時間高于SAMER和SMMCS策略。

如圖7（c）所示，隨著充電速率的加快，MC在網絡中服務的節點數會不斷增加，FCFS策略在網絡中往返移動，導致其充電代價高于其他三種策略，VTMT策略旨在減小節點死亡率，并沒有考慮到充電代價和充電效率，在死亡節點率小的情況下，VTMT的充電代價高于SAMER和SMMCS策略。由于SMMCS策略選擇更優的充電對象，考慮了節點死亡率和能耗的變化，本文策略的充電代價最低，整體性能高于其他幾種策略。

7 結束語

針對傳感器網絡研究了充電規劃問題，本文提出了一對多在線充電策略。該策略為了減小節點死亡率，采用了不均勻動態分區，MC可同時多節點充電，簇頭節點匯聚簇內節點數據信息，單跳傳輸至基站，極大地緩解了網絡中的能量分布，MC選擇充電效率最高的節點進行充電。仿真實驗結果表明，SMMCS策略的公平性和高效性使得網絡中的節點存活時間更長，MC的充電效率更高，能夠有效地延長網絡運行時長。在未來研究中將本文策略與其他優秀方法相結合，基于節點的能耗異構率，對閾值的精確判定進行研究。

參考文獻：

［1］Wang Kun，Zeng Gang，Wang Lei，et al. MPSA： a real-time collaborative scheduling algorithm for wireless rechargeable sensor networks ［J］. International Journal of Communication Systems，2021，34（18）：4995.

［2］Singh S，Manju，Malik A，et al. A threshold-based energy efficient military surveillance system using heterogeneous wireless sensor networks ［J］. Soft Computing，2023，27： 1163-1176.

［3］Yoo C，Kim S，Baek S，et al. Application for disaster prediction of re-servoir dam wireless sensor network system based on field trial construction ［J］. Journal of the Korean Geo-Environmental Society，2019，20（1）： 19-25.

［4］Attaoui A E，Salma L，Abdelilah J，et al. Wireless medical sensor network for blood pressure monitoring based on machine learning for real-time data classification ［J］. Journal of Ambient Intelligence and Humanized Computing，2021，12：8777-8792.

［5］Mosaif A，Rakrak S. A new system for real-time video surveillance in smart cities based on wireless visual sensor networks and fog computing ［J］. Journal of Communications，2021，16（5）：175-184.

［6］戴海鵬，陳貴海，徐力杰，等. 一種高效有向無線充電器的布置算法 ［J］. 軟件學報，2015，26（7）： 1711-1729. （Dai Haipeng，Chen Guihai，Xu Lijie，et al. A layout algorithm for high-efficiency directed wireless charger ［J］. Journal of Software，2015，26（7）： 1711-1729.）

［7］Sheikhi M，Kashi S S，Samaee Z. Energy provisioning in wireless rechargeable sensor networks with limited knowledge ［J］. Wireless Networks，2019，25（6）： 3531-3544.

［8］Sabale K，Mini S. Transmission power control for anchor-assisted localization in wireless sensor networks ［J］. IEEE Sensors Journal，2021，21（8）： 10102-10111.

［9］胡誠，汪蕓，王輝. 無線可充電傳感器網絡中充電規劃研究進展 ［J］. 軟件學報，2016，27（1）： 72-95. （Hu Cheng，Wang Yun，Wang Hui. Research progress of charging planning in wireless rechargeable sensor networks ［J］. Journal of Software，2016，27（1）： 72-95.）

［10］Tomar A，Muduli L，Jana P K. A fuzzy logic-based on-demand charging algorithm for wireless rechargeable sensor networks with multiple chargers ［J］. IEEE Trans on Mobile Computing，2021，20（9）： 2715-2727.

［11］Lyu Zengwei，Wei Zhenchun，Pan Jie，et al. Periodic charging planning for a mobile WCE in wireless rechargeable sensor networks based on hybrid PSO and GA algorithm ［J］. Applied Soft Computing Journal，2018，75： 388-403.

［12］Hu Cheng，Wang Yun.Minimizing the number of mobile chargers to keep large-scale WRSNs working perpetually［J］.International Journal of Distributed Sensor Networks，2015，2015（6）：537-568.

［13］He Liang，Kong Linghe，Gu Yu，et al. Evaluating the on-demand mobile charging in wireless sensor networks ［J］. IEEE Trans on Mobile Computing，2015，14（9）： 1861-1875.

［14］Lin Chi，Wang Zhiyuan，Han Ding，et al. TADP： enabling temporal and distantial priority scheduling for on-demand charging architecture in wireless rechargeable sensor networks ［J］. Journal of Systems Architecture，2016，70： 26-38.

［15］Priyadarshani S，Tomar A，Jana P K. An efficient partial charging scheme using multiple mobile chargers in wireless rechargeable sensor networks ［J］. Ad hoc Networks，2021，113： 102407.

［16］Zhao Chuanxin，Zhang Hengjing，Chen Fulong，et al. Spatiotemporal charging scheduling in wireless rechargeable sensor networks ［J］. Computer Communications，2020，152： 155-170.

［17］Khelladi L，Djenouri D，Rossi M，et al. Efficient on-demand multi-node charging techniques for wireless sensor networks ［J］. Compu-ter Communications，2017，101： 44-56.

［18］Lin Chi，Han Ding，Deng Jing，et al. P2S： a primary and passer-byscheduling algorithm for on-demand charging architecture in wireless rechargeable sensor networks ［J］. IEEE Trans on Vehicular Technology，2017，66（9）： 8047-8058.

［19］Tomar A，Jana P K. A multi-attribute decision making approach for on-demand charging scheduling in wireless rechargeable sensor networks ［J］. Computing，2021，103： 1677-1701.

［20］Zhu Jinqi，Feng Yong，Liu Ming，et al. Adaptive online mobile charging for node failure avoidance in wireless rechargeable sensor networks ［J］. Computer Communications，2018，126： 28-37.

［21］Mo Lei，Kritikakou A，He Shibo. Energy-aware multiple mobile char-gers coordination for wireless rechargeable sensor networks ［J］. IEEE Internet of Things Journal，2019，6（5）： 8202-8214.

［22］Kaswan A，Tomar A，Jana P K. An efficient scheduling scheme for mobile charger in on-demand wireless rechargeable sensor networks ［J］. Journal of Network and Computer Applications，2018，114： 123-134.

［23］Yang Xuan，Han Guangjie，Liu Li，et al. IGRC： an improved grid-based joint routing and charging algorithm for wireless rechargeable sensor networks ［J］. Future Generation Computer Systems，2019，92： 837-845.

［24］Chen Feiyu，Zhao Zhiwei，Ge Yongmin，et al. Speed control of mobile chargers serving wireless rechargeable networks ［J］. Future Gene-ration Computer Systems，2018，80： 242-249.

［25］Tomar A，Muduli L，Jana P K. An efficient scheduling scheme for on-demand mobile charging in wireless rechargeable sensor networks ［J］. Pervasive and Mobile Computing，2019，59： 101074.

［26］Lin Chi，Zhou Jingzhe，Guo Chunyang，et al. TSCA： a temporal-spatial real-time charging scheduling algorithm for on-demand architecture in wireless rechargeable sensor networks ［J］. IEEE Trans on Mobile Computing，2018，17（1）： 211-224.

［27］Kim Y W，Boo S，Kim G，et al. Wireless power transfer efficiency formula applicable in near and far fields ［J］. Journal of Electromagnetic Engineering and Science，2019，19（4）： 239-244.

［28］Wu Jiaxian，Li Shuangjuan，Huang Qiong. Reducing sensor failure and ensuring scheduling fairness for online charging in heterogeneous rechargeable sensor networks ［C］//Proc of IEEE Symposium on Computers and Communications.Piscataway，NJ：IEEE Press，2020： 1-6.

［29］Feng Yong，Liu Nianbo，Wang Feng，et al. Starvation avoidance mobile energy replenishment for wireless rechargeable sensor networks ［C］//Proc of IEEE International Conference on Communications. Piscataway，NJ： IEEE Press，2016： 1-6.

［30］He Liang，Zhuang Yanyan，Pan Jianping，et al. Evaluating on-demand data collection with mobile elements in wireless sensor networks［C］//Proc of the 72nd IEEE Vehicular Technology Conference.Piscataway，NJ： IEEE Press，2010：1-5.

收稿日期：2022-11-21；修回日期：2023-01-28? 基金項目：國家自然科學基金資助項目（52177129）；重慶市教委科學技術研究重點項目（KJZD-K201901102）；重慶市技術創新與應用發展專項面上項目（cstc2020jscx-msxmX0210）；重慶理工大學研究生創新項目（gzlcx20233111）

作者簡介：楊佳（1973-），女，副教授，碩導，博士，主要研究方向為無線傳感器網絡；寇東山（1997-），男，碩士研究生，主要研究方向為無線可充電傳感器網絡（koudongshan.chn@qq.com）；余斌（1997-），男，碩士研究生，主要研究方向為傳感器網絡路由優化算法；吳佩林（1999-），男，碩士研究生，主要研究方向為機器人智能控制；楊理（1999-），女，碩士研究生，主要研究方向為無人抓鋼機的智能控制

.