基于WRSN的多节点按需充电策略研究

杨佳 寇东山 余斌 吴佩林 杨理

摘 要：

针对无线可充电传感器网络（WRSN）中的节点死亡率过高问题，为了降低节点死亡率，以按需充电架构为基础，提出了一种动态不均匀分簇的单移动充电设备（MC）多节点在线充电策略SMMCS（single MC multi-node charging strategy）。策略首先将无线可充电传感器网络进行动态不均匀分簇，以此划分移动充电设备的服务分区；然后在此模型基础上以最小网络节点死亡率为目标，进行路径规划时综合考虑节点剩余能量、距离以及能耗等因素。仿真实验结果表明，与SAMER、VTMT以及FCFS策略相比，该策略减少了节点等待时间，缩短了MC总充电代价，减小了节点死亡率。基于仿真条件，网络节点死亡率为4.31%。

关键词：无线可充电传感器网络；多节点充电；节点死亡率；路径规划

中图分类号：TP393   文献标志码：A    文章编号：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

無线传感器网络（WSN）是由很多具有监测、感知、和采集网络中节点所处的环境信息的传感器节点构成的网络［1］，可以进行采集、处理并发送信息，现在已经应用于诸多领域，如军事监视［2］、灾害预警［3］、医疗监测［4］以及智能市场［5］等。但传感器节点的能量十分有限，导致网络不能持续运行，一度成为WSN研究的瓶颈［6］。随着无线充电技术的出现，对WSN的能量需求方面有了很大的帮助，进而出现并推动了无线可充电传感器网络（WRSN）［7］的快速发展。为传感器节点提供能量的研究集中于无线电能传输（wireless power transfer，WPT）［8］，相比于能量收集和节点节能，WPT解决节点能量问题的性能更加可靠。

在现有研究中，周期性充电和按需充电是无线充电规划中常用两种方式［9］。

在周期性充电的研究中，文献［10］提出模糊逻辑充电调度方法（fuzzy logic-based charging schedule determination，FLCSD）来设置MC充电时间表，多个MC从起始点BS开始周期性地遍历待充电节点进行充电，由于设置固定阈值充电，未考虑到节点能耗的不同，导致充电效率较低，使能量充电效率很难达到最优。文献［11］针对问题的NP-hard问题，提出了一种混合粒子群优化遗传算法（hybrid particle swarm optimization genetic algorithm，HPSOGA），周期性地规划单MC对节点充电，但由于充电请求和能量消耗的不确定性，单MC充电代价过大，对大规模WRSN可能是不切实际的，很难实现的。文献［12］采用周期性规划策略，将路径规划视为TSP（traveling salesman problem）问题，运用哈密顿回路（Hamiltonian cycle，HC）算法规划多MC充电路径，虽然提高了MC充电效率，但忽略了节点的动态性，网络中能量并未达到平衡。

按需充电弥补了周期性充电的不足并进行了改进，文献［13］中采用单MC收集请求充电信号，MC根据NJNP（nearest-job-next with preemption）充电策略优先对近距离的节点进行充电，同时考虑到了节点最大存活时间和MC服务的节点数，使得网络中的节点及时充电的几率得到提高，但忽略了MC携带的能量，增大了远距离节点充电等待时间。文献［14］提出了基于时空协同的路径规划算法， 策略基于时间因素和空间因素对待充电节点进行充电优先级排序，从而规划MC的充电路径。该策略能有效提高MC的能量利用率，但其未能有效解决网络能量空洞率高的问题。文献［15］结合非支配排序遗传算法（non-dominated sorting genetic algorithm，NSGA-Ⅱ）和多属性决策（multi-attribute decision making，MADM）方法，采用多個MC进行协同充电，根据最近优先策略对节点进行充电，并未体现充电响应的公平性。

以往研究中很多近似认为传感器节点结构相同以及能耗一样，忽视了WRSN中节点的异构和动态能耗率［16～18］，并不符合工程上的实际情况，因此不能保证节点充电调度的可行性［19～24］。未处理充电请求造成的时间和能量约束等不平衡的综合影响，导致充电调度不能达到最优，降低了MC充电性能致使节点死亡率增大。针对WRSN中存在的能量问题，本文以降低节点死亡率为目标提出SMMCS策略，其创新点有：a）对传感器网络进行动态不均匀分簇，同时对多个节点进行充电，缩短MC移动开销以及节点等待时间；b）考虑节点能耗率不同和位置，确定MC充电位置，保证网络能量平衡；c）设置双重阈值，综合考虑距离、能量和能耗率等多重因素，确保优先级更高的节点及时充电，保证充电响应的公平性。

1 网络模型

如图1所示，网络中的传感器节点随机布撒在L×L矩形网络中，网络中布置一个移动充电器MC和n个传感器节点Np（p=1，2，3，…，n），采用磁耦合谐振充电方式对网络中的传感器节点充电，充电设备MC和节点Np中都携带中继器，MC的初始能量为Emc，节点初始能量为ENp。整个网络的结构包括携带中继器的移动充电器MC、传感器节点Np和基站（base station，BS）。

网络中传感器节点时刻监控着自身的剩余能量，每个节点达到充电请求的门限值时，都会将自身的信息传递给簇头节点，并由簇头节点汇总需要充电的节点信息，簇头发送的信息数据包含〈POSi，μstay，Pi，Ti，Ersi〉，其中POSi是节点的位置信息，μstay是簇内充电停留点位置信息，Pi为网络中节点i的能量消耗率，Ti为节点i发出请求充电信息的时间戳，Ersi〈i=1，2，…，n〉是该节点i发送信息时的剩余能量。MC在开始任务之前，簇内节点剩余能量变化较大时，簇头再次更新数据信息〈Pi，Ti，Ersi〉发送给BS，MC根据收到请求充电的信息开始对网络进行充电。

6 仿真与分析

6.1 参数设置

本文基于MATLAB-2019a进行仿真分析，在网络中建立一个边长为400 m的方形区域，网络中随机放置基站和25～200个不等的传感器节点，MC初始位置为基站，传感器节点与MC都携带谐振中继器，传输电能时调整相同的谐振频率可进行多节点同时充电，数据信息的产生遵循平均时间间隔为60 s的泊松分布，网络带宽为10 kbps。仿真持续时间为72 000 s，仿真参数如表1所示。

通过与VTMT［28］、SAMER［29］以及FCFS［30］策略进行性能对比可知，本文充电策略能够降低节点空洞率，提高能量使用率，平衡网络能量。VTMT策略是一种可以对死亡节点进行充电的策略研究，可以通过节点死亡率的比较来判定策略性能的好坏，SAMER策略是经典的在线充电策略，FCFS策略充电性能比较低，用来比较SMMCS策略的性能。对策略进行性能比较的指标有：

a）节点死亡率。因能量不足导致死亡的节点数占全部节点数的比值，死亡节点率的大小是评定充电策略的重要指标。其值越小，说明策略越好。

b）充电等待时间。指明节点发出充电请求信息到MC为其充电所等待时间。

c）充电代价。MC进行一轮充电任务时所行驶的距离之和。

本文主要研究三个不同的因素对四个策略的指标的影响，其影响因素为节点数量、MC移动速度和MC充电速率。

6.2 仿真比较

本节对四种算法进行充电任务比较如图4所示。图4（a）中FCFS策略遵循先来先服务的原则，没有考虑到紧急节点的等待充电时间，导致网络内节点死亡率与另外三个策略相比尤为突出，由图可知MC的充电代价很大，远远超过了VTMT、SAMER和SMMCS策略，同时也减低了MC的充电效率。图4（b）和（c）中的VTMT和SAMER策略充电代价相近，性能比较得出在最优的情况上VTMT的性能始终略高于SAMER策略。图4（d）中即为本文采用的SMMCS策略，由于优先考虑濒临死亡的节点，同时考虑距离因素和能耗因素来确定节点的优先级，所以在死亡节点率的性能中表现最优，待充电节点的等待时间将会大大缩减，在性能比较中，SMMCS策略的充电代价也会低于其他三种策略。SMMCS策略减小了节点充电等待时间，提高了MC充电效率，降低能量的损耗，充分体现了该策略的充电公平性和高效性。

四种策略仿真结果对比如表2所示。结果显示，SMMCS策略能缩短MC充电代价，减少SN充电等待时间，减小SN死亡率。

6.3 节点数量对性能的影响

本组实验节点数量以25为间隔，将节点数量从25增加到200时，分析节点的变化对策略各个性能的影响，策略变化如图5所示。

如图5（a）所示，节点数量较少时，四种充电策略的节点死亡率都普遍不高，这是因为MC能够及时为网络中待充电节点补充能量，当节点数量变化到75时，四个充电策略的节点死亡率都在不断增加，尤其是FCFS策略尤为显著，随着网络中节点数量的增多，FCFS的先来先服务策略使得待充电节点不能及时充电而出现能量空洞导致节点死亡的频率增加，效果最为剧烈。同条件下，SAMER和VTMT策略在性能上相差不大，本文策略的节点死亡率始终低于另外三种策略，主要是因为本文策略设置了双重阈值，优先为紧急节点充电，实时得到节点数据信息，根据节点的实时动态变化确定最优的待充电节点，使得节点的死亡率最低，表明SMMCS策略较好地兼顾了充电的公平性。

如图5（b）所示，随着节点的增多，VTMT、SAMER和SMMCS策略平均充电等待时间的变化规律几乎类似，相对来讲，SMMCS策略的平均待充电等待时间略低于VTMT和SAMER，这是因为本文策略不仅能够为紧急节点优先充电，同时还能对簇内发送待充电信息的节点同时充电，能够最快为下一个节点充电。节点数量达到75时，FCFS策略中对节点的充电选择增多，于是MC在网络中的移动总路程增加，导致节点的等待充电时间变长。

如图5（c）所示，四种策略的充电代价都是先增后减，在节点增长到75之前，节点数量比较少，分布比较稀疏，MC移动距离不断增加，但随着节点数量不断增加，节点分布较为密集，MC的充电代价相应降低，当节点数量高于75时，本文策略基于充电响应的公平性，考虑了节点的能耗动态变化，相较其他三种策略，本文策略充电代价最低。

6.4 MC移动速度对性能的影响

本组实验通过改变MC的移动速度观测每个策略的性能优劣，设定MC移动速度从1～8 m/s呈梯度增长，其性能结果如图6所示。

如图6（a）所示，随着MC移动速度的增加，四种策略的节点死亡率都随之降低，FCFS策略死亡节点率依旧高于VTMT、SAMER和SMMCS策略，这是因为FCFS策略在网络中选择下一充电节点的公平性较低，导致移动距离增加，节点等待时间变长，所以节点死亡率偏高。由于SMMCS策略能合理设置阈值，实时接收到节点的剩余能量，通过能耗率确定下一充电节点，节点死亡率始终小于其他三种策略，显示了本文策略的优越性。

如图6（b）所示，MC移动速度增加后，FCFS的节点充电等待时间先增后减，移动速度增加时FCFS中节点等待时间变长，这是因为MC的服务节点数增加了，在网络中往返运动的几率大大提高，所以距离稍远的节点等待时间会相对变大。另外，VTMT、SAMER和SMMCS策略随着MC移动速度的增加，网络中节点的充电等待时间也在不断减小。

如图6（c）所示，MC移动速度增加后，其对节点充电能力也在不断提高，对网络中服务的节点数也在不断递增，所以MC总的移动距离也会逐渐变大。由于FCFS策略的充电本质是先来先服务，对于远距离的节点并不能按时充上电，来回往复的充电使得充电代价增大。VTMT和SAMER策略随着MC速度的增加，都是选择最近的节点进行充电，所以充电代价的变化也极为相似。随着移动速度的提高，本文策略的充电代价虽在不断上升，但都低于其他三种策略，总体性能最优。

6.5 MC充电速率对性能的影响

本组实验通过改变MC对节点的充电速率变化观测四种策略的性能好坏，设定充电速率变化范围是75～250 mJ/s，其性能变化结果如图7所示。

如图7（a）所示，随着MC对节点的充电速率不断增大，四种策略中MC服务的节点数量也相应增加，节点能及时得到充电的几率也在不断增大，所有四种策略的节点死亡率都随着充电速率的增大而减小，FCFS的节点死亡率相比于VTMT、SAMER和SMMCS策略，FCFS只根据待充电节点发送信息的时间顺序进行充電，所以性能最差。VTMT和SAMER策略的死亡节点率变化幅度小。本文策略是在减小节点死亡率的前提下，使得MC充电的效率最高，尽管服务节点数在增加，也不会增大死亡节点率。

如图7（b）所示，MC的充电速率变大之后，四种策略的充电等待时间都有所减小，但是FCFS的等待时间最长，其他三种策略的等待时间都相对较低，本文策略对多个节点进行充电，相应地减少了节点等待充电的时长，其充电效率最好。VTMT策略中主要选择等待时间最长的节点作为下一个充电节点，其公平性相对较差，因此充电等待时间高于SAMER和SMMCS策略。

如图7（c）所示，随着充电速率的加快，MC在网络中服务的节点数会不断增加，FCFS策略在网络中往返移动，导致其充电代价高于其他三种策略，VTMT策略旨在减小节点死亡率，并没有考虑到充电代价和充电效率，在死亡节点率小的情况下，VTMT的充电代价高于SAMER和SMMCS策略。由于SMMCS策略选择更优的充电对象，考虑了节点死亡率和能耗的变化，本文策略的充电代价最低，整体性能高于其他几种策略。

7 结束语

针对传感器网络研究了充电规划问题，本文提出了一对多在线充电策略。该策略为了减小节点死亡率，采用了不均匀动态分区，MC可同时多节点充电，簇头节点汇聚簇内节点数据信息，单跳传输至基站，极大地缓解了网络中的能量分布，MC选择充电效率最高的节点进行充电。仿真实验结果表明，SMMCS策略的公平性和高效性使得网络中的节点存活时间更长，MC的充电效率更高，能够有效地延长网络运行时长。在未来研究中将本文策略与其他优秀方法相结合，基于节点的能耗异构率，对阈值的精确判定进行研究。

参考文献：

［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，陈贵海，徐力杰，等. 一种高效有向无线充电器的布置算法 ［J］. 软件学报，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］胡诚，汪芸，王辉. 无线可充电传感器网络中充电规划研究进展 ［J］. 软件学报，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：国家自然科学基金资助项目（52177129）；重庆市教委科学技术研究重点项目（KJZD-K201901102）；重庆市技术创新与应用发展专项面上项目（cstc2020jscx-msxmX0210）；重庆理工大学研究生创新项目（gzlcx20233111）

作者简介：杨佳（1973-），女，副教授，硕导，博士，主要研究方向为无线传感器网络；寇东山（1997-），男，硕士研究生，主要研究方向为无线可充电传感器网络（koudongshan.chn@qq.com）；余斌（1997-），男，硕士研究生，主要研究方向为传感器网络路由优化算法；吴佩林（1999-），男，硕士研究生，主要研究方向为机器人智能控制；杨理（1999-），女，硕士研究生，主要研究方向为无人抓钢机的智能控制

.