能量均衡法（精选7篇）
能量均衡法 篇1
摘要：利用核聚变反应产生能量的原理,优化出轨道能量均衡组合,指导汽车生产过程中涂装车间缓冲区的排序。通过对该方法进行实例分析,证明该方法不仅能有效减少涂装车间的换漆次数和排序时间,还能增大缓冲区的空间利用率,显著提高了涂装车间的生产效率。
关键词：核聚变,能量均衡法,排序,缓冲区,轨道分配
0 引言
汽车生产的主要流程为:冲压→焊装→涂装→总装。其中,在涂装车间需要对车身喷涂不同颜色,就产生了换漆、清洗喷涂管道等一系列工作;另一方面,缓冲区轨道利用不充分也会造成空间、时间和成本的浪费。针对这些问题,本文结合生产线常用的线性缓冲区研究了一种能量均衡排序方法,对车身进行编码,通过原子核聚变能量大小得出最优车身类型组合,均衡地分配轨道进行排序,并通过实例分析,验证了该排序方法的有效性。
1 能量均衡排序法
1.1 能量均衡排序法原理
核聚变是指由较轻的原子核聚合成较重的原子核而释放出能量。能量均衡排序方法,是模拟核聚变过程,将缓冲区内相同颜色属性的白车身看做一种原子核,不同颜色属性的白车身则为不同种类的原子核,并假定不同类型的原子核之间均可发生聚变反应。由于不同类型原子核聚变能量不同,在此近似为与原子核质量成正比,即聚变能量qi,j≈λ(mi+mj)(λ为常数,m为原子核质量,i、j分别表示第i、j类原子核,大于两种聚变时在此只讨论两种原子核聚变的情况),其中原子核质量Zk为该类型白车身的数量。当轨道数目为S时,每条轨道可排S种原子核,为了提高缓冲区轨道利用率,使轨道长度最短,通过聚变能量的计算,可得到使每条轨道能量值最接近的组合,在此称作“轨道能量均衡组合”[1],可用如下数学模型表示:
当i,j同时存在于轨道k上
Qk表示轨道k的总聚变能量
qi,j表示i,j两种原子核的聚变能量
1.2 能量均衡排序法的基本步骤
能量均衡法主要由三个基本步骤组成,即获取生产计划、特征编码、聚变能量计算和轨道分配[2]。流程图如图1所示。
基本步骤:
1)获取生产计划:从涂装车间当天的生产计划中获取有效数据,如颜色种类、数量等。
2)特征编码:将白车身看做有质量的原子核。分别求出各类原子核质量mk。同一颜色属性的车身数量越大,则原子核的质量越大,各原子核按照质量从大到小依次编码。
3)聚变能量计算和轨道分配:根据Qi,j≈λ(mi+mj)近似计算所有可能的组合方式所产生的轨道能量。每条轨道上的能量即为该轨道上聚变产生的能量。比较各组合方式的轨道能量,按照最优“轨道能量均衡组合”将序列排入轨道。
另外,在此提出一种后续优化方法:二次分轨[3]。前面三步已得到排序的优化解,但并不是最优。若需要得到最优解,可对已排序列进行第二次分轨排序。在缓冲区内增设第二段缓冲区,将最长(或最先布满)的轨道上的序列排入第二段缓冲区,依次将其他轨道上的序列也排入第二段缓冲区,最后可得到排序的最优解,分轨前同样可以通过计算聚变能量得到最优“轨道能量均衡组合”以提高轨道利用率。此步骤适用于对排序结果要求极高的生产线。
2 应用算例
结合常用线性缓冲区轨道,例举一条涂装生产序列,对该排序方法进行应用分析。
2.1 线性缓冲区结构
常用的缓冲区排序轨道有多种,如线性轨道、环形轨道[4]等。线性轨道结构如图2所示[2],白车身从焊装车间下线后,呈随机数列进入涂装车间缓冲区的前导区G0,由前导区进入各条缓冲轨道G11—G1n,通过优化排序后离开缓冲区进入输出轨道Gn。
2.2 算例分析
以一组车身涂装序列P为例,设缓冲区轨道数为3,序列中A,B,C,D,E,F,G分别为不同的喷涂颜色:
2.2.1 获取生产计划
该批车身共有7种颜色,30辆,各颜色数量如表1所示。
2.2.2 特征编码
根据不同颜色车身的数量,原子核质量大小为:D>E>F>C>B>A>G,各颜色编码依次如表2所示。
生产序列为:
可转换为编码序列:
2.2.3 聚变能量计算和轨道分配
由于轨道数n=3,故每条轨道最多可分配3种原子核,但每类原子核只能分配到一条轨道。根据排列组合分别计算聚变能量如表3所示。
取最小目标函数值,即最优组合为(1、6),(2、5),(3、4、7)。将P’的序列依次列入轨道内如表4所示。
可得优化序列:
排序前,该序列车身在涂装过程中需要换漆28次,经类核聚变法排序后,只需要换漆17次。另一方面,缓冲区轨道容量为10,且空间利用率达到100%。由此可见,该排序方法有效减少了涂装过程中的换漆次数,同时取得了缓冲区的较高利用率。
3 结束语
本文提出的能量均衡排序法主要针对涂装车间线性缓冲区的车身排序,在使换漆次数大大减少的同时还提高了缓冲区的利用率,大大降低了生产成本和建设成本。车身作为独立个体进入已定轨道,无需对前后车身进行比较,简化了排序过程,并有效缩短了时间。此方法与此前提出的“类引力机制排序方法”相比,有显著的优化效果。将能量均衡排序法运用到具体生产领域,结合不同生产要求,在轨道数量匹配和分级排序等方面进行深入研究,便可得到更优化的解,这也将是此方法可拓展的研究方向。
参考文献
[1]王凌.车间调度及其遗传算法[M].北京:清华大学出版社,2003.
[2]喻道远.类引力机制排序方法及其引用[J].制造业自动化,2010.
[3]Sanqiang Zhang.A Gravity-like Mechanism for CarSequencing Problem with Multistage Sequencing Buffer.Huazhong University of Science and Technology,2011.
[4]黄刚.混流装配生产的计划排序及其执行过程管理[D].华中科技大学,2007.
能量均衡法 篇2
无线传感器网络的路由协议按网络的拓扑可分为平面路由协议和层次路由协议。平面路由协议需要维持较大的路由表,占据较多的存储空间,因而并不适合在大规模网络中采用,而分层路由协议却可以在一定程度上解决这个问题。LEACH(Low-Energy Adaptive Clustering Hierarchy)协议是层次型路由协议的代表,比一般的平面多跳路由协议和静态分簇算法优越。但LEACH协议簇头选取的随机性,使簇头位置分布不均,导致传感器节点能量分配不均;另外簇头的选取和簇的建立没有考虑能量因素,同样会导致节点能量分配不均,从而影响网络的寿命。
1 LEACH协议简述及优缺点分析
LEACH协议引进了轮的概念,将每一轮分为两个阶段,即簇的建立和稳定状态阶段。LEACH协议的整个运行过程是周期性进行的,每个周期由R轮组成,如图1所示。
在簇的建立阶段,LEACH协议通过设定一个阈值T(n),传感器节点i通过分布式计算,自动生成一个(0,1)之间的随机数random,如果random
其中,P是期望的簇头节点在总的节点中所占的百分比,r是当前轮数,G是在前(r-1)轮中未成为簇头节点的节点集合。p值取决于期望的簇头节点数,LEACH协议在计算最优簇头数时,采用文献[2]的第一顺序无线电模型。
理论上,一个周期结束,每个传感器节点都恰好轮流担任过簇头一次。在形成簇的过程中,节点先判断自己是否为簇头。如果是簇头,则广播成簇消息,等待加入请求消息;如果为非簇头,则等待簇头的广播,并根据所接收到的簇头广播消息的信号强弱来判断自己该加入哪个簇,然后发送加入请求给选定的簇头。当各簇的节点稳定加入后,簇头节点创建本簇的TDMA时隙表,并发送给本簇成员;非簇头节点收到时隙分配消息后,整个传感器网络进入稳定状态过程。
在稳定状态阶段,非簇头传感器节点以一定的数据采集频率检测数据,待自己时隙到来时发送给各自的簇头节点。簇头节点收到所有簇成员发送的数据后,进行数据融合,最后将融合后的数据发送给sink节点或者基站BS,即为一轮结束。在下一轮开始时,就必须重新选簇头,建簇,如此循环。
LEACH协议的最大优点是能保证所有传感器节点在一个周期内轮流担任簇头节点一次。相对其他层次型路由协议,比较均衡的分配了传感器节点的能耗,延长了网络的寿命。
但是LEACH协议也有一些缺点。首先,LEACH协议假定所有传感器节点的初始能量值完全相同,不符合实际工程应用;其次,簇头选取的随机性,以及整个过程未考虑传感器节点的能量状态,使某个节点能量提前耗尽的可能性增大;另外,频繁的选择簇头,浪费较多的能量在簇的建立阶段。
2 改进的LEACH协议
目前研究LEACH改进的协议有很多,其中,典型的如文献[3],在T(n)计算中引入了节点能量与网络中节点的总能量之比但该比值本身较小,且随着网络周期向后延续,该比值将越来越小。工程中,阈值T(n)变化很小时,对网络实际影响不大,不能达到最优选簇的效果。同理,文献[4]考虑了节点成为簇头节点的次数,加入项以修正单项的值,但同样存在文献[3]中的问题,且算法较复杂。
考虑到传感器节点初始能量本身达不到理想的均衡,以及传感器网络工作进程中,由于很多原因使得实际工程中传感器节点的能量不均衡的情况,本文对LEACH协议进行了改进,在簇的选择过程中,有效地考虑了能量效应,可使无线传感器网络广泛应用于任何能量状况。
本文于LEACH协议一样,假设传感器节点具有能量感知以及相应的计算能力,并在簇头选取之前将自己的剩余能量发送给簇头,由簇头转发给sink节点,sink节点收集到所有传感器节点当前能量,计算并建立能量状况表,然后将当前传感器节点的平均能量Ecur_aver、最大能量Ecur_max、最小能量Ecur_min,发送给所有传感器节点,作为节点当选簇头重要条件。
另外,在簇的建立阶段,本文采用最优簇成员数k作为建簇的另一个门限值,保证簇的大小相当,使得传感器节点能量分配更加均衡;并且非簇头节点以距离最近的方式加入簇,使得非簇头节点与簇头节点的距离较近,避免了簇头与其簇成员远距离通信,减少不必要的能量消耗。
2.1 改进的簇头选取公式
该簇头选取算法的优点是:考虑了当前传感器节点i的能量状况,并考虑到实际工程应用中门限值误差很小,实际改善的效果不会明显的情况,引入了乘性因子该因子中,分母引入后,当传感器节点能量分配极其不均的时候,避免了T(n)变化很小的情况,使得能量较多的传感器节点成为簇头的可能性远大于能量较少的传感器节点。即当节点的能量分配极其不均匀时,当前能量较大的传感器节点将以更大的概率当选为簇头,以这种方式平衡节点之间的能量更加有效。当簇头节点能量比较均衡时则此时选取簇头的方式与LEACH协议几乎完全相同,这又保留了LEACH协议的优势部分。
2.2 改进后的算法流程图
本文对LEACH协议改进后的算法流程图如图2所示。
2.3 改进的算法思想描述
在选取簇头之前各个传感器节点i将当前的剩余能量值Ei-current通过簇头节点传送给sink节点,sink节点计算并建立能量表后,将当前传感器节点的能量状况(包括传感器节点的平均能量Ecur_aver、最大能量Ecur_max、最小能量Ecur_min)广播出去,作为各个传感器节点选取簇头的重要条件,即动态确定簇头选取的门限值T(n)。
(1)传感器节点优先考虑自己在以前轮中是否担任过簇头,若没有,则自动生成(0,1)之间的随机数random,random
(2)选为簇头的传感器节点均以相同的发送功率广播自己成为簇头的消息,并邀请附近的节点加入该簇。
(3)非簇头节点接收到来自多个簇头节点的广播消息,以收到信号的强弱判断簇头节点的远近,最终选择向最近的簇头节点发送请求加入簇消息。
(4)簇头节点收到加入该簇的请求消息后,比较当前簇成员数M,若M小于最优簇成员数的门限值k,则接收请求,同时簇成员数为(M+1),并发送应答消息;若M的值增加到门限值k后,再收到来自节点的请求消息,则不再增加簇成员,并发送拒绝消息。
(5)非簇头节点若收到应答消息,等待簇头的时隙分配广播;若收到拒绝消息,则向距离次近的簇头发送加入请求,直到收到应答消息。
(6)簇建立后,簇头节点以TDMA方式为本簇内所有传感器节点分配时隙,并向簇内广播。
(7)非簇头节点收到簇头的时隙分配消息后,等待自己时隙的到来。
(8)当时隙分配完成后进入稳定状态阶段。传感器节点以一定的频率采集数据,在自己时隙到来时向簇头节点发送数据。簇头节点收到簇内所有节点发送的数据后,进行数据融合,将融合后的数据发送给sink节点或者基站BS。
(9)发送任务完成标志轮的结束,则重新选取簇头,即新的一轮开始。
3 LEACH改进协议的性能评价
与LEACH协议以及相关的改进协议相比,本文改进LEACH协议后,以下几个方面有所优化。
(1)改进门限值T(n),考虑当前簇头选取的能量因素,适合工程中初始能量并不是理想均衡的环境;并在传感器网络运行的过程中,该簇头选择机制不断有效地调节节点的能量均衡,当节点能量趋于均衡时,又能兼并LEACH协议的优点。
(2)在簇的建立阶段,通过LEACH协议的最优簇头数的计算,得到近似的最优簇成员数k,保证了传感器网络中簇的分布均匀,更有利于均衡传感器节点的能耗。
(3)非簇头节点以最短距离加入簇,避免了簇内远距离的传送数据,减小不必要的能量消耗。
4 总结
本文提出了一种新的LEACH改进协议,该协议从两个方面进行了改进:一是门限值T(n)的改进,考虑了传感器节点的能量有限性和能量不均衡的状况;二是对网络中簇的大小进行均衡,且非簇头节点以距离最近加入簇,有效避免簇内非簇头节点与簇头节点长距离通信的能耗。改进后的协议更适合实际工程应用,并能更有效地延长网络寿命。但是本文只对改进协议作了相关的理论分析证明,进一步的工作便是仿真实现。
参考文献
[1]Liu J S.Un C-H P Powe~Efficiency C1ustering Method with Powe~Limit Constraint for Sensor Networks Performance,Compuring and Communications Conference,2003,129~136
[2]Heinzelman W B,Chandrakasan A P,akrishnan H B.An application-specific protocol architecture for wireless microsensor net-works.IEEE Transactions on Wireless Communications,2002,1(4):660~670
[3]顾相平,孙彦景,钱建生.一种改进的无线传感器网络LEACH-ED算法.传感技术学报,2008,(10):1770～1774
能量均衡法 篇3
1 ZigBee路由协议描述
相对于现有的各种无线通信技术, ZigBee技术是最低功耗和成本的技术, 同时由于Zig Bee技术的低数据速率和通信范围较小的特点, 也决定了ZigBee技术适合于承载数据流量较小的业务。
1.1 与传统无线传感器路由协议的比较
采用Zig Bee技术的传感器网络不同于传统的无限传感器网络。传统的传感器网络中除了汇聚节点是一个增强功能的传感器节点外, 其他传感器节点功能基本相同, 它们都兼具终端和路由器的双重功能。而在ZigBee传感器网络中, 除了ZigBee协调点在网络中具有与汇聚节点相似的功能和地位外, 其余节点功能并不相同。为了达到节约成本、节省能量消耗的设计目标, ZigBee网络中的一部分节点功能被简化, 这些节点只能进行简单的收发, 而不具备路由器的功能。因此, 传统无线传感器网络中的路由协议并不适用于ZigBee网络。
1.2 Zig Bee传统路由协议基本思想
为了达到低成本、低功耗、高可靠性等设计目标, ZigBee网络中采用了Cluster-Tree和AODVjr相结合的路由算法。在ZigBee网络中, 无路由功能的节点可以按照父子关系使用Cluster-Tree算法选择路径, 而具有路由功能的节点则可以采用AODVjr协议去发现路由, 将报文发送给其他具有路由功能的节点。
在ZigBee路由中, 可以将节点分为两类:RN+和RN-。其中RN+表示具有足够存储空间和能力执行AODVjr路由协议的节点, RN-是指其存储空间受限, 不具备执行AODVjr路由协议能力的节点, RN-收到一个报文后只能使用Cluster-Tree算法处理。
2 能量有效路由协议的研究
2.1 已有的能量均衡路由协议
能量消耗均衡路由协议建立在网络中所有节点同等重要的假设基础上, 不足在于不能保证分组传输总耗能最低, 且为了避开低能量节点, 可能会不同程度增加源节点到目的节点的路径跳数, 常用的能量均衡路由协议有两种:最小电池开销路由协议和最小最大电池开销路由协议。
最小电池开销路由协议 (Minimum Battery Cost Routing, MBCR) 把路径上所有节点的剩余电池能量总和作为路由选择的度量标准, 选择剩余能量较多的路由路径, 防止了节点的过度使用, 在一定程度上延长了网络寿命, 推迟了网络分割的时间。但是此量度只考虑了电池开销函数值的总和, 没有考虑各个节点实际的剩余能量大小和开销, 在实际应用中仍然存在一定弊端。
最小最大电池开销路由协议 (Min-MaxBatteryCostRouting, MMBCR) 针对MBCR存在的一些不足, 对其作了适当改进。该协议仍然把节点电池剩余能量作为路由选择的量度, 重新定义路径电池开销函数, 选择路径上节点的最大电池开销最小的路由路径。MMBCR在选择路由时, 保证避开了网络中剩余能量最少的节点, 从而达到了全网能量消耗均衡, 延长网络寿命的目的。
2.2 能量均衡在传统Zig Bee路由协议上的应用
令ZigBee网络中的RN+节点在选择路径时采用MMBCR策略, 首先需要将RREQ和RREP分组中原先存储路径开销的域用来存储分组所经路径上具有瓶颈能量的节点的电池开销, 即按照MMBCR协议计算所经路径的电池开销, 同时还需要将RN+节点路由表结构中的路径开销域中存储到各自RN+邻居节点的电池开销, 以供节点实时选择可用的路径。
RN-节点虽然不存于选择路径, 但是在转发RREQ和RREP分组时, 需要将自己的电池开销与分组中的路径开销域的值作比较, 如果自己的电池开销大于控制分组中的路径开销, 就更新路径开销为自己的电池开销, 以便使RN+节点选择一条瓶颈能量最低的路径。路由执行伪码如下:
这样就能保证RREQ和RREP分组的路径开销域始终存储的是所经路径上节点最大电池开销。基于能量均衡的路由建立过程如下所述:
1) 初始节点向周围节点广播一个RREQ分组, 如果收到RREQ的节点是一个RN-节点, 它就按照Cluster-Tree路由转发此分组;如果收到RREQ的节点是一个RN+节点, 则根据RREQ中的信息建立相应的路由发现表条目和路由表条目, 并继续广播此分组。
2) 节点在转发RREQ之前会计算本节点与邻居节点之间的电池开销, 如果RREQ路径开销域中的值小于计算得到的电池开销, 则将其存储到分组的路径开销域中, 否则该域值不变。最后将更新值存储到节点的路由发现表条目中。
3) 一旦RREQ到达目的节点, 或目的节点的父节点, 此节点就向RREQ的源节点回复一个RREP分组, RREP会沿着已建立的反向路径向源节点传输, 收到RREP的节点建立到目的节点的正向路径并更新相应的路由信息。
4) 节点在转发RREP前会计算反向路径中下一跳节点与本节点之间的电池开销, 并将其存储到RREP中的链路开销域中。当RREP到达相应RREQ的发起节点时, 路由建立过程结束。
这种能量均衡的ZigBee路由协议在选择路径时可以保证在选择路由时, 可以利用MMBCR机制尽量避免剩余能量最低的节点, 从而实现网络中节点的公平使用, 延长剩余能量较低的寿命。
3 小结
能量有效性对于ZigBee网络是至关重要的性能指标, 尽可能降低节点能量消耗, 从而延长网络的生命周期, 是设计传感器网络路由协议的首要目标之一。本文对ZigBee传统路由协议和能量均衡路由协议进行了详细介绍, 并提出了基于MMBCR的能量均衡的Zig Bee路由协议, 在这种方案中, 节点选择路由时尽可能地避开剩余电池能量最低的节点, 从而达到使网络能量均衡消耗, 延长网络寿命的目的。
参考文献
[1]任丰原, 黄海宁, 林闯.无线传感器网络[J].软件学报, 2003.
[2]顾瑞红, 张宏科, 基于ZigBee的无线网络技术及应用[J].电子技术应用, .
[3]朱向庆, 王建明.ZigBee协议网络层的研究与实现[J].电子技术应用, 2006.
[4]耿萌, 于宏毅, 张效义.ZigBee路由协议分析与性能评估[J].计算机工程与应用, 2007.
能量均衡法 篇4
关键词：簇内路由,能量消耗,端到端延迟,数据转发
0 引言
近年来, 随着传感器技术的飞速发展, 无线传感器网络在社会的各个方面得到了广泛的应用[1]。作为无线传感器网络研究的一个重要分支, 路由协议的研究重点开始向分簇发展。每个簇包含一组传感器节点, 这些传感器节点包括两种类型: 簇成员节点和簇头节点。簇成员节点在环境中收集数据, 发送给自己所属簇的簇头节点, 最后簇头结点把接收到的数据经过融合发送给汇聚节点[2]。分簇路由协议可以分为两个基本部分: 簇内路由协议和簇间路由协议。
簇内路由协议结构比较简单, 主要考虑簇内路由。在实际应用中大多数采用直接数据转发, 也就是说, 簇成员节点直接向他们的簇头节点发送数据。在一个簇内, 直接数据转发在一个有限的范围内是非常高效的, 但是如果超出一定范围, 它的有效性就会减弱, 所以本文重点研究簇内路由在什么情况下采用直接数据转发是有效的。
簇间路由协议结构相对复杂, 主要考虑整个网络的路由, 是更高层次的路由。现在研究的大多数分簇路由协议采用簇间路由, 一般在簇内采用直接数据转发, 在数据到达簇头节点后, 簇头节点再采用一定的路由协议转发给汇聚节点。
目前, 已经有许多不同的算法来解决簇间路由。此类算法的目标是利用簇头结点转发数据给汇聚节点[3]。基于簇的路由协议, 如LEACH和TEEN以及它们的改进算法, 在无线传感器网络中已经引起了广泛的关注, 但是大多数路由协议没有考虑到簇内路由[4]。
无线传感器网络中的数据转发是一个研究热点。在无线传感器网络中, 传感器有限的资源 ( 运算能力、带宽、内存、能量供应) 使得数据转发成为一个比较大的挑战。文献[5]研究表明, 一个传感器网络的能力取决于它的节点在单位时间内实时数据的转发量。为了解决延迟问题, 文献[6]提出了一个排队时间模型, 文献[7]提出了一个睡眠模型, 并且通过能量消耗、网络能力和数据转发延迟等来考察系统的性能。
1 路由算法
本文提出一种消耗函数来考察直接数据转发和间接数据转发。对比两种数据转发方式消耗函数值的大小, 消耗少的就是有效的。否则, 采用直接数据转发的簇内路由协议有效性无从谈起。因此, 本文首先计算两种转发方式的消耗函数值, 然后衡量直接数据转发和间接数据转发的有效性。消耗函数中的重要参数包括成员节点与簇头之间的能量消耗和端到端延迟。一般情况下直接数据转发消耗更多的能量, 但它端到端延迟比较低, 消耗函数的目的是均衡两者, 在特定的环境中选择特定的数据转发方法。消耗函数的参数是非常重要的, 本文根据无线传感器网络的环境条件来决定消耗函数的参数值, 比如端到端延迟对于应用来说是相当重要的, 那么它在消耗函数中的权重就会加大。
2 消耗函数参数模型
消耗函数的主要目的是帮助我们在数据转发的过程中决定采用直接数据转发还是间接数据转发。在消耗函数的参数中, 成员节点和簇头节点之间的能量消耗和端到端延迟是主要考虑的因素。
2. 1 能量消耗
在无线传感器网络中, 节点会因为各种不同的原因而消耗能量, 主要包括三个方面: ( 1) 数据接受; ( 2) 数据转发; ( 3) 数据收集和加工。因为簇内节点只进行数据转发, 所以我们只考虑数据转发节点所消耗的能量
在这里我们采用自由空间传播模型[8]。在自由空间中, 数据转发不受阻挡, 不产生反射、折射以及吸收, 但是能量经过一段路径传播之后, 能量就会衰减, 产生衰减的原因就是能量扩散而引起的。自由空间的传播损耗就是发送者的无线信号在整个球面内均匀地向外扩散, 扩散到接受天线处, 落在天线的有效接收面积上的能量与发射的总能量之比。
图1 为我们给出的能量模型, 依据模型我们得出传播能量损耗, 由于节点数据处理的影响较小, 因此参数方程中暂不考虑。
式中, Pr代表接受天线处的功率, Pt代表发送者发送功率, Pr/ Pt代表传播损耗, Gt代表发送天线增益, 即单位球面积的功率, Gr代表接收天线增益, c表示光的传播速度, d表示发送者与接受者的距离。通常, 参数Gt、Gr、c的值是固定的, 然而d依赖于发送者与接受者的位置关系。从这个观点出发, 式 ( 1) 决定了消耗函数中的能量参数。
式 ( 2) 中, 数据转发能量Et可以由一个包含Gt、Gr、cd四个参数的函数表示。由于前三个参数值是固定的, 因此可以采用式 ( 3) 的简化形式表示。
2. 2 端到端延迟
消耗函数中的另一个影响因素是端到端的延迟, 这个可以根据排队理论来进行计算。节点队列采用最常见的M/M/1 队列模型[9]。如图2 所示。
这种类型的队列中, 输入到达服从泊松分布, 服务时间服从负指数分布, 系统有一个服务平台服务。
式中, 参数 μ 代表服务时间, 它符合负指数分布, 参数 λ 代表新的数据包加进来的输入时间, 它符合泊松分布, Wq是一个平均等待时间, 是指传送数据包的延迟。在直接数据转发中, 簇成员节点直接发送数据给簇头, 但是在间接的或多跳的数据转发中, 成员节点通过中间节点 ( 挨着簇头最近的节点) 帮助转发数据给簇头。
2. 3 消耗函数的计算模型
图3 中L是来源节点, N是中间节点, M是簇头结点。在直接数据转发方式中, L通过路径长度y直接发送数据给M节点。在间接数据转发方式中, L通过中间节点N发送给M节点。间接数据转发采用两条路径, 为了简化有关长度的问题, 我们假设两条路径长度都为x。在图1 中, 我们设定两个角度参数 α 和 β, α是路径MN和线NZ之间的角度, 这里假设Z垂直于节点N。β是路径NL和NZ之间的角度。式 ( 5) 和式 ( 6) 分别表示直接数据转发和间接数据转发的能量消耗计算公式。
根据三角函数的定理得出y和x之间的关系, 如下:
根据式 ( 5) , 我们可以将能量函数表示为:
根据排队理论可知, L, M, N数据转发队列都属于M/M/1模型, 直接数据转发和间接数据转发的端到端的延迟如式 ( 9) 、式 ( 10) 所示:
在式 ( 9) 中, λ1，1表示数据到簇头结点 ( M节点) 的输入时间, 它的值等于来源节点 ( L节点) 数据的输出时间。μ1，1是数据队列在簇头节点的服务时间。式 ( 10) 中, λ1，2表示数据到中间结点 ( N节点) 的输入时间, 它的值等于来源节点 ( L节点) 的数据的输出时间。μ1，2是数据队列在中间节点的服务时间。λ2，2表示数据到到簇头节点 ( M节点) 的输入时间, 等于中间节点 ( 节点N) 的服务时间。以下给出它们之间的关系:
在得出最后的比较函数之前, 我们必须分别计算直接数据转发和间接数据转发的消耗函数:
在这里, 如果Cost值为正数, 则直接数据转发消耗能量大于间接数据转发, 所以应采用间接数据转发, 反之亦然。w决定延迟与能量消耗的权重, w值越大, 表示延迟对消耗函数的影响就越大。在延迟敏感的应用中应该注意w的值。
3 性能评估
式 ( 16) 表示两个消耗函数值的差值。我们通过Matlab仿真来考察消耗函数的性能。如果一个函数值因一个变量的变化而变化, 就表明这个变量是这个函数的影响因子。式 ( 16) 存在一系列影响因子。根据这些变量的作用可以分为以下三种类型: 第一种类型是既影响Cost1又影响Cost2。第二种类型仅仅影响Cost1。第三种仅仅影响Cost2。表1 给出了三种类型的分类。
由式 ( 14) 可知, 直接数据转发方法的消耗函数依赖来源节点和簇头节点之间连接的长度。所以, α、β 的值会影响临消耗函数Cost1。另一方面, μ1，2的值决定了Cost2的值, 它是在中间节点中进行数据转发的服务时间, 影响延迟。一般来说, 直接数据转发比间接数据转发消耗更多的能量, 但延迟相对要低。应用环境和网络特征的不同就需要选择不同的数据转发方式。
表1 中 α、β、μ1，2、w这四个参数影响消耗函数的程度大一些。下面我们将详细这些考察参数带来的影响。初始条件 λ1，1=3, λ1, 2=4, λ2, 2=3, μ1, 1=6, μ1, 2=3.3, μ2, 2=6。
3. 1 α, β 的值对消耗函数的影响
为了考察 α、β 对消耗函数的影响, 我们固定其他参数的值, 只有 α、β 是变化的, 这样我们就可以考察 α、β 对消耗函数的影响。图4 给出了运行消耗函数得出的结果。为了接近真实环境, 我们考虑了中间节点产生的数据包。中间节点产生数据包的量是来源节点的三分之一, 它们在队列中优先权最低, 安排在接受节点队列之后。所以在仿真中 λ1，2的值比 λ1，1大。另外, 为了仿真延迟和突出影响中间节点队列的参数的重要性, μ1，2的值假设比 λ1，2小或者相等两种情况。因为随着 μ1，2值的增加, 中间节点的数据包的延迟将趋于0。所以只有在中间节点不发送数据包的情况下, 式 ( 11) 和式 ( 13) 才是正确的。
图4 中虚线表示 α = 75, 点划线表示 α = 60, 实线表示 α =30。在实线中, β 数值低于20 时, 比较结果是负数, 从式 ( 16 ) 可以得出此种情形中, 直接数据转发优于间接数据转发。如果比较结果是正值的话, 直接数据转发劣于间接数据转发。
3. 2 μ1，2的值对消耗函数的影响
接下来, 我们在图4 的条件下, 考虑改变 μ1，2的值考虑对消耗函数的影响。图5 中 μ1，2= 4, 得到的比较结果是正值, 这种情况下, 间接数据转发有效。
图6 中 μ1，2= 3. 1。从图中可以看出, 随着 μ1，2值的减小, 最终消耗函数的值也在减小。它的减小导致间接消耗函数的值变大, 这是因为端到端的延迟增加了。显然地, 采用中间节点的间接数据转发方式使得端到端的延迟增加。
3. 3 w值对消耗函数的影响
前面我们都假设能量消耗和端到端延迟的权重一样, w =0. 5, 接下来我们增加延迟的权重w = 0. 7, 考察对消耗函数的影响。图7 出示了比较结果。对比图6, 我们可以清楚地看到整个图像Cost值变小。消耗的降低是由于函数中w的值增大了。w的值可以改变延迟因素在消耗函数的比重。因为随着延迟因素重要性的增加, 间接数据转发的消耗函数的值减小。
4 结语
在无线传感器网络中, 大多数的分层路由协议在一个簇的内部采用直接数据转发的方式。显然地, 直接数据转发不是适用于所有的环境。基于此我们定义了一种新的消耗函数进行簇内路由选择, 提出了一种新的簇内路由方案。在函数中我们综合考虑了端到端延迟和能量消耗这两个因素。在仿真实验中, 显示了消耗函数在不同环境中的运行结果, 进而可以决定在簇内是采用直接数据转发, 还是间接数据转发。
参考文献
[1]Yick J, Mukherjee B.Wireless sensor network survey[J].Computer Networks, 2008 (52) :2292-2330.
[2]李建中, 高宏.无线传感器网络的研究进展[J].计算机研究与发展, 2008, 45 (1) :1-15.
[3]Wang Y, Yang T L X, Zhang D.An energy efficient and balance hierarchical unequal cluster-ing algorithm for large scale sensor network[J].Inform Technol, 2009, 8 (1) :28-38.
[4]李娜.无线传感器网络的网内数据聚集关键技术研究[D].北京:北京邮电大学, 2011.
[5]付华, 赵刚.无线传感器网络中一种能量均衡的分簇策略[J].计算机应用研究, 2009, 26 (4) :1494-1496.
[6]李银.双层无线传感器网络生命周期的研究[D].武汉:华中师范大学, 2011.
[7]林恺, 赵海, 尹震宇, 等.无线传感器网络路由中的能量预测及算法实现[J].通信学报, 2006, 27 (5) :21-26.
[8]王海南.常用无线电传播模型的对比分析及应用[D].吉林:吉林大学, 2011.
能量均衡法 篇5
0 引言
中国是农业大国, 我国近些年来极为重视“三农”问题, 中央一号文件连续十年都把农业工作放在第一位。2012年中央一号文件指出, 把农业科技摆上更加突出的位置, 下决心突破体制机制障碍, 大幅度增加农业科技投入, 推动农业科技跨越发展, 为农业增产、农民增收、农村繁荣注入强劲动力。细细解读, 我们能够注意到的是, 文件特别指出了要重视农业科技创新, 重点强调抓好农业科技创新工作[1]。这也成为了本文研究新一代信息技术在设施农业中应用的重要政策支撑。
“精细农业”作为农业信息化科学技术研究的重要内容, 是我国建设现代农业的重要支撑。所谓精细农业, 是基于3S技术、智能装备技术及信息处理技术的对农业生产进行定量决策、变量并精确定位实施的现代农业生产管理体系[2,3,4,5]。无线传感器网络 (WSN, Wireless Sensor Network) 技术, 综合了传感器技术、嵌入式计算技术、分布式信息处理技术和通信技术, 能够自动组织网络协作地进行实时监测, 感知和采集网络分布区域内的各种环境或监测对象的信息, 并对这些信息进行处理, 获得详尽、准确的信息, 传送到需要这些信息的用户节点[6][7]。将这种全新的信息获取与处理技术应用于农业生产管理领域, 能够实时监测和采集监测区域内作物的各种参数的信息, 弥补了以往传统数据监控的缺点, 成为推动我国精细农业应用与实践的重要驱动力之一, 有着广阔的应用前景[8,9]。
传统的温室环境种植都是通过在温室内布置复杂的电线及相关的控制设备来实现对温室环境的调控。本文研究基于无线传感器网络的智能温室系统, 将转变传统温室主要依赖人力监测作物生长情况的现状, 借助无线传感器网络等新一代信息技术可以将农业生产逐渐地转向以信息和知识为中心的空间分布信息采集模式, 使用更多的自动化、网络化、智能化和远程控制的农业装备来实时采集包括土壤湿度、肥力、p H值、作物长势、病虫害、田间气象站等作物生长的理化信息。这些信息和采集信息的地理位置经由无线网络传送到中央控制设备支持管理决策参考[10], 使生产者能够及早而且准确地发现问题, 从而有助于提高农业综合生产能力, 减低成本, 提高农民收入。
1 智能温室系统设计
本文研究的智能温室系统主要由部署在温室群中的无线传感器网络组成, 包括分布式传感器节点 (群) 、汇聚节点、现场数据收集处理决策部分及分散用户接收装置组成[11], 如图1所示。这些传感器节点随机部署在温室群区域内, 每个节点都可以采集数据, 并采用多跳自组织方式把数据传到数据汇聚节点 (网关) , 由网关将信息发送至远程控制中心, 同时控制中心经过信息处理分析, 将决策指令通过数据汇聚节点发送至各节点进行相应的温室设备的控制操作, 实现温室的精细化智能管理。
1.1 节点硬件设计
考虑到温室环境中无线传感器网络的应用特点, 本系统节点的硬件设计需要考虑到以下几个因素:1) 尽可能低的能源消耗。处理器的功耗一般很大, 而在实际应用中, 可能没有持续的能源供给, 这就要求节点的设计必须将低功耗作为一个重要因素来考虑;2) 尽可能高的集成度。温室中影响作物生产的理化参数较多, 加之节点受外型尺寸限制, 要求节点具有较高的集成度以适应多类型传感器的信息采集需求;3) 尽量快的运行速度。网络对节点的实时性要求很高, 要求处理器的实时处理能力要强;4) 尽可能多的I/O和扩展接口。多功能的传感器产品是发展的趋势, 这就要求系统有很强的可扩展性。
低功耗作为本系统硬件设计的主要考量因素, 在对处理器芯片厂商型号选型 (如表1所示) 基础上, 本次节点设计采用的核心处理模块是Crossbow公司的IRIS节点, 如图2所示。IRIS节点工作在2.4GHz~2.4835GHz的物理层上, 支持IEEE802.15.4协议, 采用抗RF干扰、数据隐蔽性好的直接序列扩频技术 (Direct Sequence Spread Spectrum, DSSS) , 尤其其支持Tiny OS操作系统, Tiny OS是加州大学伯克利分校 (UC Berkeley) 专为嵌入式无线传感器网络开发的开放源代码操作系统, 该操作系统基于组件 (component-based) 的架构使得快速的更新成为可能, 而这又减小了受传感器网络存储器限制的代码长度。
本项目智能温室系统需要实时采集温室中空气温湿度、土壤水分、光照强度以及二氧化碳浓度等参数, 因此在IRIS节点基础上扩展集成相应的传感器, 其中空气温湿度传感器采用盛世瑞恩公司基于半导体测量原理的SHT75, 如图3-a所示。土壤水分传感器采用中国农业大学自主研发的FDS100, 应用频域测量方法确定含水土壤混合体的介电常数, 计算土壤水分, 如图3-b所示。光照强度传感器采用了光学与电子信号输出为一体原理的传感器, 来测量光照强度, 如图3-c所示。二氧化碳传感器采用Sense Air公司生产的OEM模块K30, 该模块基于NDIR (NonDispersive Infrared) 测量原理, 如图3-d所示。各传感器的参数见表2。
1.2 节点软件设计
软件平台采用的是加州大学伯克利分校专为无线传感器网络研究开发的一种微型操作系统Tiny OS。Tiny OS是针对并发度高、硬件资源稀缺的嵌入式系统而开发的操作系统。Tiny OS的运行环境是基于组件的, 是用支持无线传感器网络构架的nes C语言编写而成的。通过在这个框架内链接一组必要的组件, 就能方便地编译出面向特定应用的操作系统[12]。Tiny OS提出了很多全新的设计概念, 系统采用轻量级线程 (lightweight thread) 、主动消息 (active message) 通信模型、事件驱动 (event-driven) 模式和组件化编程 (component-based programming) 等技术, 能够很好地满足无线传感器网络操作的要求, 有助于提高无线传感器网络的性能, 发挥硬件的特点, 降低其功耗, 简化传感器网络应用的开发, 因此在国内外也是使用最广泛的无线传感器网络操作系统。
Tiny OS包含了经过特殊设计的组件模型, 其目标就是高效率的模块化和易于构造组件型应用软件。对于嵌入式系统来说, 为了提高可靠性而又不牺牲性能, 建立高效的组件模型是必需的。Tiny OS系统的应用程序都是由若干个模块组件和配置组件构成。模块组件实现一个个具有一定功能的子系统, 而配置组件负责将各个子系统链接成完整的应用程序, 本系统节点软件框架如图4所示。
图5所示为本系统基于能量均衡的多跳无线通信的组件集合与这些组件之间的关系。上层组件对下层组件发命令, 下层组件对上层组件发信号通知事件的发生, 最低层的组件直接和硬件打交道。
1.3 太阳能供电系统设计
鉴于系统网络容量较小, 全部节点均采用太阳能供电方式。太阳能供电系统白天通过太阳能电池板接收太阳光辐射, 将光能转换成电能, 在控制器作用下向蓄电池充电;使用时控制器再根据设定程序释放蓄电池中的电能为设备供电。传感器节点的太阳能供电系统采用了2W的多晶硅太阳能电池板, 镍氢蓄电池。为了适应温室环境, 设计中将天线包含进外壳以达到IP67的防水等级。图6是传感器节点壳体组成结构 (a) 和实物照片 (b) 。
2 能量均衡的多跳路由协议算法及实现
2.1 基于能量均衡的多跳路由模型
能量均衡的贪婪转发路由协议 (EBGR, Energy-Balanced routing protocol with Greedy Forwarding) 是在GPSR和GEAR路由协议的基础上加以改进。这两种路由协议都是基于传统贪婪转发机制的路由协议。贪婪转发 (GF, Greedy Forwarding) 是一种最简单的路由机制:节点总是将分组转发给距离目的节点最近的相邻节点, 不同的算法可能采用不同的距离定义 (比如欧几里得距离、到达目的节点的直线传输距离等) , 贪婪转发的优势在于节点只用根据一条相邻节点的位置信息作出路由决策, 因而避免了维护全网拓扑信息带来的开销, 节点只用维护局部的网络拓扑信息, 易于在资源有限的无线传感器网络平台上实现, 适用于广域温室群环境的应用。
EBGR路由协议采用剩余跳数代替欧几里得距离, 同时结合节点剩余能量, 建立数据源节点和汇聚节点之间的多条路径。在路由选择上, 尽量沿着具有最少剩余跳数的路径向汇聚节点转发数据分组, 这样可以保证较小的通信延迟和整条路由路径能耗的优化, 并且优先使用能量水平较高的节点作为下一跳节点, 使得数据传输均衡消耗整个网络的能量, 延长整个网络的生存期。
EBGR的核心思想是在数据传播阶段基于能量均衡的贪婪转发策略实现节点路由的动态选择。对于任意节点i, 当其要发送缓冲区内一个数据分组时, 路由的选择按照如下步骤进行:
Step1、检查自身邻居信息列表, 如表3所示, 若存在汇聚节点, 则直接将数据分组转发至汇聚节点。若不存在汇聚节点, 转至Step2。
其中, nid为邻居节点序号, L为邻居节点层号, e表示邻居节点的剩余能量, ID和E表示邻居节点的剩余能量水平最高的父节点信息, Status表示邻居节点的状态, 1为活动状态, 0为休眠状态, 初始值为1, 随着邻居节点休眠唤醒等活动不断更新。
Step2、此时根据数据包的来源进行如下判断:
若数据包来自同层邻居节点, 节点i查找父节点池P (i) 中处于活动状态的具有最高剩余能量水平的父节点, 即
选出的节点j则是节点i的下一跳节点。
若数据包是节点i自己产生的或者是来自它的某个子节点, 则转至Step3。
Step3、节点i做如下处理:
首先, 在父节点池P (i) 中选择一个处于活动状态的具有最高剩余能量水平的父节点, 记为u, 即
然后, 在同层邻居节点池中找寻处于活动状态的同层邻居节点, 记为v, v的父节点记为w。当其满足
若不存在v, 则节点u是节点i的下一跳节点。
若存在唯一的v, 则节点v是节点i的下一跳节点。
若存在多个v, 则选出e (v) 最大的节点作为节点i的下一跳节点。
数据传播阶段, EBGR路由协议的路由判断如图7所示。
当节点6需要发送数据时, 首先判断数据来源:
若数据来自节点4, 由于节点4是节点6的同层邻居节点, 为了避免数据包在同层邻居节点之间反复转发而造成路由环路而浪费节点能量, EBGR协议约束数据包同层转发次数。因此节点6直接将数据转发至节点2。
若数据来自节点7、8、9或者由节点6自己采集而来, 假设Ehop=1, 由于e (10) >e (6) +Ehop, 且e (1) >e (2) +Ehop, 则节点6将数据转发至节点10。
2.2 能量均衡路由协议的算法实现
EBGR路由协议组件包括三大功能模块, 即邻居信息维护模块、网络拓扑维护模块、路由选择模块和数据包转发模块, 如图8所示。
在实现EBGR路由协议时, 把邻居节点维护模块、网络拓扑维护模块和路由选择模块合并成一个核心的EBGR_Core M模块组件, EBGR_Core M模块是EBGR路由协议的实现模块, 数据包转发模块设计成一个EBGR_Engine M模块组件, EBGR_Engine M模块负责转发数据分组。两个模块之间通过配件 (configuration) EBGR_Router连接起来, 工作在主动消息层之上, 应用层之下。EBGR_Engine M模块是EBGR路由协议的引擎, 通过Route Control和Route Select接口连接到路由协议的实现模块EBGR_Core M上, 并和路由协议模块交互以得到当前的路由状态。组件内部调用与接口架构如图9所示。
3 实验与分析
本系统实验选取100个智能温室节点, 部署在在500m×500m的正方形温室群内, 汇聚节点位于该区域边界的中心位置。节点的天线高度1.2m, 节点的发射功率设置为0d Bm, 则单个节点的传输半径为100m左右。分别设置采样周期中采样节点的个数, 记为m, 每次节点采样产生的数据包为10000bit, 节点初始能量为10J节点进行计算不消耗能量, 问候消息和ACK等信息发送不消耗能量。定义网络寿命为在网络中失效传感器节点所占比例达到α (由系统设计员确定) 之前完成的数据累积循环次数, 本次实验中定义网络中首次出现节点能量耗尽时完成的采样周期个数为网络寿命。网络延迟定义为每个采样周期内数据包传输的平均路由跳数。实验结果如图10和图11所示。
从图中可以看出, 对于同一种路由协议, 随着采样节点数的增加, 网络寿命不断降低。采样节点数的增加意味着网络中承担着更大的数据流量, 必然造成节点能量消耗更快。对比三种不同的路由协议, GPSR总是寻找距离汇聚节点最近的节点做下一跳转发节点, 对于同一采样节点, 每次总是寻找同一个下一跳节点做数据转发, 必然造成该节点能量的显著下降。GEAR综合考虑了直接相邻节点的剩余能量和位置信息, 是一种局部最优策略, 因此比GPSR具有更长的网络寿命。EBGR路由协议综合考虑了父节点、邻居节点及其父节点的剩余能量水平, 使得虽然每条路由路径不一定是总能耗最低的, 但是EBGR会优先使用剩余能量更多的父节点或邻居节点做下一跳转发节点, 从而有效地均衡了网络能耗并延长了网络生命周期。
GPSR路由协议总是使用贪婪转发机制寻找下一跳节点, 因此GPSR的路由跳数总是最少的。从图中可以看出, 不同采样节点数对GPSR的平均路径长度影响不大。由于节点部署是规则均匀的分布在监测区域之中, 因此采样节点到汇聚节点的距离的期望值是固定的, 因此GPSR协议下数据包的路径长度基本稳定不变。对比两种路由协议, 由于EBGR综合考虑了相邻节点的剩余能量水平, 因此存在为了能量均衡而同层转发的情况, 因此路径长度较GPSR长, 存在一定的网络延迟, 但注意到由于EBGR限制了同层转发的节点个数, 因此EBGR的平均路径长度不会超过GPSR的两倍, 在广域温室群环境的应用中, 这种网络延迟是可以接受的。
4 结论
本文基于能量均衡的路由技术研发了适用于温室环境的低功耗无线监测系统, 在IRIS节点基础上设计了对节点进行了软硬件设计, 包括电源管理、数据采集、数据处理与无线组网设计。特别针对低功耗这一设计要求, 采用基于能量均衡的路由策略进一步降低了网络系统的整体功耗, 延长了网络寿命。整个系统将多种模块集成为小型的易于在温室部署的设备, 实现了温室环境参数信息的实时获取, 满足温室环境监控的基本要求。实验证明, 系统能稳定的持续工作, 达到了设计要求, 感知节点能够自组织成Mesh网络, 太阳能供电模块对蓄电池充电8小时 (满电) 能够保证感知节点稳定运行72小时以上, EBGR路由协议会尽量沿着具有最少剩余跳数的路径向汇聚节点转发数据分组, 这样可以保证较小的通信延迟和整条路由路径能耗的优化, 并且优先使用能量水平较高的节点作为下一跳节点, 使得数据传输均衡消耗整个网络的能量, 延长整个网络的生存期。由于温室环境中各参数具有一定程度的空间变异性, 因此在数据多跳传输过程中加入数据融合技术理论上会更进一步的降低网络功耗, 延长网络寿命, 此部分研究将在后续的课题中展开。
摘要：温室中农作物生长环境参数信息的实时采集是实施精细农业的基本需求。本文基于能量均衡的路由协议研发了适用于温室环境的低功耗无线监测系统, 在IRIS节点基础上设计了对节点进行了软硬件设计, 包括电源管理、数据采集、数据处理与无线组网设计。特别针对低功耗这一设计要求, 采用基于能量均衡的路由策略进一步降低了网络系统的整体功耗, 延长了网络寿命。整个系统将多种模块集成为小型的易于在温室部署的设备, 实现了温室环境参数信息的实时获取, 满足温室环境监控的基本要求。实验证明, 系统能稳定的持续工作, 达到了设计要求, 感知节点能够自组织成Mesh网络, 太阳能供电模块对蓄电池充电8小时 (满电) 能够保证感知节点稳定运行72小时以上, EBGR路由协议会尽量沿着具有最少剩余跳数的路径向汇聚节点转发数据分组, 这样可以保证较小的通信延迟和整条路由路径能耗的优化, 并且优先使用能量水平较高的节点作为下一跳节点, 使得数据传输均衡消耗整个网络的能量, 延长整个网络的生存期。
关键词：无线传感器网络,温室,能量均衡,TinyOS
参考文献
[1]中共中央, 国务院.关于加快推进农业科技创新持续增强农产品供给保障能力的若干意见[EB/OL][D], 2012.
[2]汪懋华.“精细农业”发展与工程技术创新.农业工程学报, 1999 (1) :1
[3]刘刚.精细农业与GPS农业应用[J].全球定位系统, 2000, 25 (2) :12-16.
[4]司永胜.基于无线数传技术的农田数据采集系统的设计与开发[D].河北农业大学, 2005.
[5]张小超, 胡小安, 苑严伟, 等.精准农业智能变量作业装备研究开发[J].农业工程, 2011, 1 (3) .
[6]F.J.Pierce, T.V.Elliott.Regional and on-farm wireless sensor networks for agricultural systems in Eastern Washington[J], Computers and Electronics In Agriculture, April 2008, Vol.61, Iss.1, pp.32-43.
[7]刘志杰.物联网技术的研究综述[J].软件, 2013, 34 (5) :164-165
[8]Kumar, S., S.S.Iyengar, R.Lochan, U.Wiggins, K.Sekhon, P.Chakraborty, R.Dora.Application of Sensor Networks for Monitoring of Rice Plants:A Case Study.IRA-DSN 2009
[9]Martin, A.Hebel, Ralph Tate, Dennis G.Watson, Results of Wireless Sensor Network Transceiver Testing for Agricultural Applications, ASABE Annual International Meeting, 2007
[10]刘波, 丁德红, 谭奇栋, 等.基于农业物联网的高频读写终端器分析与设计[J].软件, 2013, 34 (2) :1-3
[11]刘卉.张漫.2007.无线传感器网络技术在农业中应用.中国农业工程学会2007学术年会论文集.2007.814-17.大庆.
能量均衡法 篇6
水声通信网( UACN) 是在一定水下区域内,通过固定或移动传感器节点获取水下信息,并对节点进行声学通信和组网,再以无线形式将信息传送到岸上控制中心的智能网络[1,2]。这是当前唯一可在水下进行远程信息传输的通信形式,且在军事、环境、能源、自然灾害防治等方面均已表现出良好的应用潜力,因此受到了普遍重视与高度关注[3]。同时,又随着物理层MIMO技术的日益成熟,近年来的水声网络也相应获得了长足的进步和可观的发展[4,5,6,7,8]。
如今,UACN主要采用按需路由算法及其相应的改进算法。具体来说,文献[9]提出了无线自组网按需距离矢量( AODV) 路由算法。该算法使用目的序列号来防止路由死循环。但是,AODV通过采用洪泛寻路和HELLO消息来维护路由,却造成了过多的控制开销。同时,还有文献[10]结合AODV算法和地理位置路由算法,提出了一种定向搜索( DSAODV) 路由算法。该算法利用地理位置信息约束请求分组RREQ查找的范围,使得RREQ只在最优的路径方向上传播,从而减少了网络拥塞和路由开销,并提高了网络吞吐量。但是,DSAODV算法通过节点的位置信息和网络节点疏密来设定和计算转发角度,则需要水下定位技术的支持,因此限制了其应用。上述算法在广播寻路分组RREQ的过程中均使用了洪泛操作,导致了冗余开销。更重要的是,这些算法在建立路由时并未考虑节点能量的均衡,这就明显影响了算法的效率和网络的寿命。此外,文献[11]则提出了一种基于均衡网络业务的拓扑优化控制路由算法,综合考虑了节点的剩余能量、网络业务量和边缘路径条件,从而降低了节点的能量消耗,避免了网络节点过早死亡,进一步提升了网络吞吐量,而且也延长了网络寿命。但是,该算法选择剩余能量较多的节点来转发数据,而未考虑网络的平均剩余能量,因此上加重了某些节点的负载量,容易造成网络拥塞。基于此,又有文献[12]提出一种 按需多播 树路由算 法( MAODV) ,可以支持各种密切协作的应用业务,有效节省了带宽资源,且对于每一个数据分组均有着更好的整体控制和传输能力。但是,MAODV对于频繁变化的网络拓扑结构,其分组投递率将会下降; 同时,节点通过全网广播加入多播树,也随即增加了网络开销。综合以上分析,本文拟提出旨在改善网络整体 性能的一 种基于能 量均衡的 混合树路 由( HTREB) 算法。通过建立混合树网络拓扑图,采用洪泛抑制,综合考虑平均剩余能量( 优先使用剩余能量均方差较大的节点) 来进行路由查找,由此而减少控制分组的转发,并均衡节点能量,以最终获得网络整体性能的提升。
1 网络模型
将水声网络抽象为数学模型: G = ( V,L) 有向图,其中,V表示所有节点的集合,且V = { S} ∪Vm; S表示水面网关Sink节点,Vm表示所有水声传感节点的集合,m≥1; 所有无线水声对称双向传输链路的集合L = { l1,l2,···,ln} ,ln表示网络中第n条链路; 具体地,链路的代价可以是链路长度( 跳数) 、数据传输的时延花费等。
1. 1 能量模型
本文能量消耗模型[13]为: 当节点A向与之相距d的节点B发送k bit的信息时,A消耗的能量由两部分组成,分别是: 发射电路损耗和功率放大损耗。即:
式中,Eelec表示节点发送k bit信息的发射电路损耗,d0表示功率放大损耗的距离阈值,d则表示节点间的通信距离。若d < d0,功率放大损耗以自由空间模型进行计算; 若d≥d0,则需依据多径衰减模型相应计算。另外,Efs和Emp分别表示自由空间模型、多径衰减模型功率放大器的能耗因子。而且,节点接收k bit信息所消耗能量为:
1. 2 问题描述
网络中信息的发送、转发和接收均需要消耗节点的能量,因此,UACN网络路由算法将遵循如下准则来进行能量优化: 减少不必要的开销,降低节点的能量消耗; 均衡网络的能量消耗,避免部分节点过早死亡。但是,现有的UACN网络按需路由算法却存在两个问题,具体分析如下:
( 1) 源节点广播RREQ以及中间节点转发无效RREQ,产生了大量冗余的RREQ信息,而这些冗余RREQ信息的收发增加了网络开销,进而增大了k值,就造成了节点的能耗加剧。
( 2) 数据传送选路时没有考虑节点的剩余能量均方差因素。若当前节点没有足够的剩余能量,而仍承担转发数据的任务,就会因过度使用而造成电池提前耗尽,由此导致路径的断裂,影响网络通信。
1. 3 能量均衡的混合树路由算法设计
针对UACN网络现有的按需路由算法在寻路开销和节点能耗等方面的不足,本文提出一种基于能量均衡的水声通信网混合树路由算法—HTREB。HTREB算法采用洪泛抑制的优化路由建立方式,减少部分控制分组的转发; 而且使用节点距离和剩余能量均方差作为选路标准,进而达到能耗均衡效果。
1. 3. 1 HTREB 算法描述
HTREB算法包含邻节点信息的收集与反馈,路由建立及数据转发两个阶段。下面给出每一阶段的具体实现过程。
( 1) 邻节点信息的收集与反馈阶段
信息收集: 节点定期向一跳范围内的节点发送HELLO分组,接收到HELLO分组的邻居节点获知其可视邻居区内节点的网络地址等信息。
信息反馈: 节点向其父节点及节点与邻居节点深度最大的公共父节点反馈自己收集的可视邻居信息。
( 2) 路由建立阶段
步骤1: 当源节点有数据发送时,会首先查询路由表中是否缓存了到目的节点的有效路由。如果是,则使用此路由发送数据分组。否则,将转为步骤2,即源节点开始路由查找过程。
步骤2: 源节点欲加入到多播组,则需查找多播路由表中是否可获得父节点信息。如果获得,则选择下一跳单播RREQ到父节点,否则,即向邻居节点及所在分支树的邻居节点的子节点多播RREQ请求分组。
步骤3: 中间节点收到RREQ分组,执行以下过程:
1判断该RREQ的序列号是否大于自己路由项中的序列号或者RREQ的跳数是否小于TTL( Time To Live) 阈值。如果是,执行2,否则删除该RREQ分组。
2若当前节点是源节点的邻树枝节点,则转步骤2处理该RREQ; 若当前节点是源节点的子节点,则判断当前节点及其子节点是 否有邻树 枝节点。如果 有,则向其多 播RREQ,否则,删除该请求; 若当前节点是目的节点的父节点或子节点,通过计算判断自己到目的节点的跳数加上RREQ中的TTL值是否小于TTL阈值。若是,就沿着树路由路径转发该请求直到目的节点,若不是,将删除该请求。
3若当前节点是源节点的父节点,但不是源节点和目的节点的公共父节点,也不是源节点和目的节点的最大深度公共父节点的子节点,则转步骤2处理该请求; 而若当前节点是源节点和目的节点的最大深度公共父节点的子节点,即需判断当前节点是否有邻树枝节点或与源节点不同树枝的子节点。若为有,则向其多播该请求,否则,就删除该请求。
步骤4: 源节点发送的RREQ请求到达目的节点时,如果RREQ历经的跳数未超过TTL阈值,则单播路由回复RREP至源节点。中间节点收到RREP后,更新RREP中相应字段的值,而后沿RREQ传播时建立的反向路径发送RREP给邻节点。源节点收到RREP后,存储链路权值、跳数等信息,完成正向路径的建立。
1. 3. 2 路由度量新指标—链路权值
在HTREB算法中,提出一种新的路由度量指标—链路权值( Link Weight) ,用于在节点收到不同的路由响应时,优先选择距离更远、剩余能量均方差更大的节点参与路径建立。链路权值ωc定义为:
式中,k1和k2是可变参数,k1+ k2= 1; di表示节点i与同树枝源节点之间的距离,dj表示节点j与不同树枝源节点之间的距离( 0 < i≤m) ,m为同类节点数( 0 < j≤n) ,n为不同类节点数; E0是节点初始能量,Er是节点剩余能量均方差。
2 仿真与分析
2. 1 仿真统计量
仿真统计量涉及网络开销、端到端平均能耗、网络生存期、数据分组平均端到端延时和分组投递率。其中,网络开销是网络中所有节点发送和转发的控制分组比特数和到达目的节点的数据分组比特数与目的节点成功接收的数据分组比特数的比值。端到端平均能耗将具体定义为网络中单个节点能耗与所有节点平均能耗的均方差值。而且,网络生存期即是网络的运行时间。当死亡节点的数量大于等于网络总节点数30% 时,判定网络运行截止。在此,数据分组平均端到端延时就是网络中所有数据分组从源节点到达目的节点所消耗的时间与成功接收数据分组个数的比值。分组投递率则指网络中目的节点成功接收的数据分组数与源节点发送数据分组数的比值。
2. 2 仿真参数设置
仿真实验使用OPNET 14. 5作为软件平台,主要仿真参数设置如表1所示。本文采用由一个网关节点和若干个信息采集节点组成的UACN网络模型,网关节点在场景中心,传感器节点随机均匀分布在网关周围。水下节点物理层采用文献[14]设置的水声信道模型,定义节点的能量都是有限且均为10 J初始能量; 当节点剩余能量低于0. 5 J时,判定节点死亡; 当网络中死亡节点数高于30% 时,网络生存期结束。
2. 3 仿真结果及分析
图1为网络开销比较,与AODV算法相比,HTREB算法能够有效减少网络开销8. 08% ( 50节点数) ~ 29. 32% ( 110节点数) ; 与MAODV算法相比,HTREB算法减少网络开销0. 01% ( 50节点数) ~ 20. 76% ( 110节点数) 。主要原因在于,AODV算法节点存储的路由信息较少,通常使用广播RREQ的方式来进行路由查找以及周期地发送HELLO控制分组来维护路由,如此将导致网络开销过大; MAODV算法和HTREB算法通过发送RREQ路由请求或者查找邻居表来建立数据传输的多播树,避免了全网洪泛查询,同时又减少了控制分组的转发次数; 且HTREB算法在寻路过程中利用路由跳数抑制RREQ的洪泛深度,而且通过相邻树枝的节点信息找到优化路径,减少RREQ的转发,从而进一步降低了网络开销,获得了更高效率。
图2为端到端平均能耗比较。与AODV和MAODV算法相比,HTREB算法降低端到端平均能耗分别为4. 70% ( 50节点数) ~ 19. 86% ( 140节点数) ,2. 50% ( 50节点数) ~15. 53% ( 140节点数) ,说明HTREB算法节点的能耗偏离网络平均能耗的程度更小,能量消耗也更为均衡。主要原因在于,AODV算法中,部分中间节点转发数据分组较多,节点能耗偏大,而某些通信量较小的节点,能量消耗将会偏小。因而导致网络中节点能耗速率不均衡,端到端平均能耗较大;MAODV算法则通过建立的树路由限制RREQ的洪泛,减少了网络中冗余的RREQ转发,但在寻路时因未考虑节点当前剩余能量,而过度使用剩余能量均方差较小的节点转发数据分组,另有些剩余能量均方差较大的节点却较少地转发数据分组,由此导致网络中节点能耗不均衡; 相应地,HTREB算法即使用链路权值较小的节点作为下一跳,减轻了距离近的“热区”节点的数据分组转发任务,且使其能量消耗速率得到缓解,这就避免了剩余能量均方差较小的节点过早死亡,从而均衡了网络节点能耗; 同时又采用了短跳代替长跳传送分组,节点耗能减少,端到端平均能耗也随即更小。
网络生存期的仿真结果如图3所示。图3显示,与AODV和MAODV算法相比,HTREB算法至少能够延长网络生存期分别为29. 61% ( 20节点数) ,11. 52% ( 20节点数) 。这是因为在AODV算法中,数据分组经常沿着某一条路径到达目的节点,造成部分节点承担较大的负荷量,消耗能量更多,节点死亡就越快; 而MAODV算法则广播RREQ分组寻找最短路径生成多播树,并沿树路径发送数据分组。但是MAODV在建路时却未考虑节点当前剩余能量,若剩余能量均方差小的节点继续转发数据,则会加速节点的死亡,甚至网络拓扑的分裂; 另外的HTREB算法源节点比较不同路径的链路权值,选择距离远、剩余能量均方差较大的节点,即权值较小的路径建立路由,因而延缓了负荷重的节点死亡,使网络中节点能耗更加均衡,藉此延长了网络生存期。
数据分组平均端到端延时的仿真结果如图4所示。在图4中,与AODV算法相比,HTREB算法能够有效降低分组平均端到端延时30. 58% ( 110节点数) ~ 71. 63% ( 20节点数) ; 与MAODV算法相比,HTREB算法分组平均端到端延时降低1. 47% ( 50节点数) ~ 16. 75% ( 20节点数) 。主要原因在于,当一条链路断裂,AODV算法需要重新发送RREQ查找路由,且数据分组总是沿着单播路由进行转发、直至到达目的节点,当网络通信业务增大时,容易引起信道冲突,并增加延时; MAODV算法则是通过RREQ分组寻路建立多播树,限制了RREQ的转发次数,因而利于数据分组在树路由节点上的快速传送,并使得时延获得了有效降低; 而HTREB算法却借助相邻树枝节点信息进行RREQ寻路,缩短了路由建立时间。且HTREB优先选择链路权值较小的节点进行分组传送,如此既平均了业务流量,又避免了网络拥塞,进而使得分组平均端到端时延进一步减少。
3 结束语
本文提出的HTREB路由算法,采用树路由的单、多播代替广播,限制RREQ分组的转发,并利用邻居节点信息建立路由,在一定程度上减少了网络开销; 同时,综合节点的距离和剩余能量均方差两种因素形成链路权值ωc,且将其引入路由参照标准,由此实现节点能量均衡。具体到理论分析及仿真结果即都表明,与AODV和MAODV算法相比较而言,HTREB算法在网络开销,端到端平均能耗,网络生存期和平均端到端延时等方面的性能均已得到了有效改善,因而获得了较为理想的现实研究效果。
摘要：水声通信网在军事、能源、自然灾害预防和处理等方面均具有巨大的应用潜力。针对当前水声通信网按需路由算法存在网络开销大、能量不均衡的问题,提出了旨在改善网络整体性能的HTREB算法。通过采用洪泛抑制与优先使用剩余能量均方差较大的节点进行路由查找,来减少控制分组的转发,并均衡节点能量。基于Opnet软件进行了仿真。结果表明,与现有按需路由算法相比,HTREB算法降低了网络开销8.08%~29.32%、端到端平均能耗4.70%~19.86%、平均端到端延时30.58%~71.63%,延长了网络生存期29.61%以上。因此,HTREB算法明显改善了系统的整体性能。
能量均衡法 篇7
关键词：智能配电网,无线传感器,网络效率,部署算法,生命周期,能量均衡
0 引言
宽带无线网络(如Wi MAX、McWiLL)可支持大容量、广覆盖、低成本的语音业务和高速数据业务,已成为构建智能配电通信专网的首选技术[1,2]。但由于目前投资规模有限、射频干扰以及障碍物等导致信号盲区的出现,影响了电力业务的正常运行。因此,在不盲目扩建基站数量的前提下,可采用无线传感器网络(WSN)作为其延伸覆盖。
无线传感器采用电池供电,节点部署的好坏直接影响着网络的寿命和性能[3,4]。文献[5]提出一种增量式节点部署算法,该算法利用已部署的WSN节点计算出下一个节点的部署位置,以求达到网络覆盖面积最大化。文献[6]提出一种矢量的中继节点放置算法,该算法在源节点位置和中继节点数给定的情况下,通过计算出中继节点的位置得到整个网络的能量有效配置。文献[7]提出一种非均匀的分布算法,该算法令网络中各个位置的源节点密度相等,而中继节点的密度则随着与sink节点之间的距离增大而减小,从而使得网络能量消耗均衡。
本文通过分析宽带无线网络覆盖配电网存在的信号盲区等问题,结合传感器网络的特点,提出一种基于能量均衡的无线传感器在配电网的部署算法。该算法以网络效率作为优化目标,在已知采集节点数和节点之间距离的前提下,求解出最佳中继节点部署方案和各采集节点的传输距离。理论分析与仿真结果表明,该算法符合配电网中的无线传感器的网络部署要求,能够避免能量空洞、提高网络效率、延长网络生命周期。对建设智能电网具有参考价值。
1 WSN的延伸覆盖网络模型
针对宽带无线网络覆盖配电网时存在盲区问题,本文通过依托WSN灵活的多跳路由[8]作为实现宽带无线网络覆盖范围的延伸,解决信号盲区的数据传输问题。WSN延伸覆盖网络模型如图1所示。
以环网柜分布为例,在图1中环网柜(RMU)A、B、C在宽带无线基站信号覆盖范围内,因此内置宽带无线终端CPE直接与基站(BS)通信,而对于没有覆盖到的采集点D、E,采用无线WSN通信技术进行补充。在环网柜C、D、E内置WSN的采集节点T1、T2和T3。T2和T3先将这些环网柜内的电力信息通过中继节点多跳传送到相当于sink节点的T1,然后T1再把接收的数据全部送入到同一环网柜内的CPE,CPE将T1传来的其它环网柜的电力信息连同自身所在环网柜的电力信息一并发送至基站。通过这种方式,即使因为某些原因,一些环网柜会处在基站无线信号覆盖范围外,其所需采集的电力信息同样能够传送到基站,实现了宽带无线信号的延伸覆盖,保证了配电通信网的完整。
从图中可以看出,采集节点是通过部署在其周围的中继节点传送数据给sink节点,那么如何布置这些中继节点来避免能量空洞[9],并使得网络性能最优化成为了本文研究的重点。节点部署需要考虑的因素有很多,如节点能量、负载均衡、节点传输距离、传输数据的频率等。因此,需要根据不同的场景设计出适合该环境的部署算法,以达到网络性能最优化。
2 网络结构及问题描述
2.1 网络结构
配电主线路沿道路架设或铺设,基本呈向沿街区中心区域延伸放射状的方式,而且开闭所、环网柜、变压器及配电室等配电设备之间的距离较远[10,11,12],在无线传感器延伸覆盖网络中多路由的可能性小。因此,无线传感器延伸覆盖网络结构如图2所示。
在图2中,信号盲区通信节点依托WSN灵活的多跳路由,可以有效地将数据信息通过线性接力的方式传输到与它相邻近的点划线圆圈内信号稳定的节点上,再汇聚传输到宽带无线通信平台,实现无线网络的接力传输。根据无线传感器延伸覆盖网网络结构的特点,本文考虑一个由n个固定部署的传感器节点形成的线性网络,假设传感器有以下性质:
(1)由于配电业务的多样化以及对通信实时性要求不一致等特点,使得传感器网络的采集频率fn不等,即每个节点在一定的时间内采集的数据不等。
(2)WSN节点可以根据接受节点远近自由调节其发射功率,以避免发射功率和接收功率过大而增加数据冲突概率、造成能量浪费。节点的初始能量为0E。
(3)网络中的WSN节点按工作性质分为中继节点和采集节点。安装在配电设备里的节点是采集节点;用来转发采集节点数据的是中继节点,其不采集数据。
(4)配电网中配电室、开闭所、变压器及环网柜等节点是固定的,因此采集节点的数目和传输距离是不变的。
2.2 能量消耗模型
本文采用经典的能量消耗模型[13],假设某一时刻节点发送和接受的数据为k bit,传输距离为d,则节点在发射消耗的能量如式(1)所示,接收消耗的能量如式(2)所示。
其中:Eelec为发射电路时损耗的能量;εfs为传输距离小于阈值d0时功率放大所消耗的能量;εamp为传输距离大于阈值d0时功率放大所消耗的能力。同时,节点的采集频率f也决定着消耗的能量,因此,单位时间内节点的能量消耗最终可表示为式(3)和式(4)。
参数设置如表1所列。
2.3 问题描述
在描述问题前,首先给出两个定义[14]。
1)生命周期:网络中第一个节点死亡的时间。
2)网络效率:网络生命周期与网络成本的比值。
由于传感器节点通过单跳或多跳的方式传输数据给sink节点,越靠近sink节点转发的数据越多,消耗能量就越快,而远离sink的节点就会剩余大量的能量,从而造成节点能量的浪费,减少了网络的生命周期,降低了网络的效率。因此WSN信号延伸覆盖网络节点部署问题可以描述为:在网络规模已知,采集节点之间的距离与位置一定的情况下,部署中继节点,使网络达到能量均衡消耗、避免能量空洞以及提高网络效率的目的。
3 无线传感器在配电网的部署算法
3.1 优化目标描述与分析
在如图3所示的线性网络模型中,设Ci(i=0,1,,n)为第i个采集节点。di为第i个采集节点的传输距离,由于第i个与i-1个采集节点之间的中继节点与第i个采集节点转发的数据相同,为保证消耗的能量相等,所以中继节点的传输距离也为di。im为第i个和i-1个采集节点之间中继节点的个数。Ri为第i个和i-1个采集节点的距离,在网络中采集节点的位置是固定的,因此iR是已知的。
为了达到能量消耗均衡、提高网络效率的目的,下面我们来分析能量的消耗情况,假设每个采集节点在一个周期内产生k比特的数据,则第i个节点发送的数据为Di=(n-i)k,第i个节点接收的数据为ri=(n-i+1)k。为达到能量消耗均衡,所有节点在单位时间内消耗的能量应相等,最终使节点能量几乎同时消耗完,各节点的能量消耗关系如式(5)所示。
由式(5)可得到式(6)
由于距sink节点越远的采集节点传输距离越远,因此设dn>d0,由式(6)进一步推导可得到式(7)。
当dn给定时,可以由式(7)得出每个采集节点传输的距离,再结合式(8)得出中继节点的个数。
由于im是整数,因此im向上取整。根据生命周期的定义,可得生命周期为式(9)。
网络的成本就是T传=感EE0器节点的总成本,因(此9)网络成本可以用传感器的个数表示,网络效率如式(10)所示。
因此,节点部署的目的就是在采集节点数目、位置以及它们之间的距离已知的情况下,找出最佳中继节点部署,使网络效率最大化。
3.2 无线传感器的部署优化算法
根据上述节点部署的优化目标,结合配电网结构的特点,提出符合WSN延伸覆盖网络的部署算法,该算法的具体步骤如下。
步骤1:对dn进行遍历,dn从d0增加到nR,每次增加1,如果dn>Rn,则转至步骤7,否则执行步骤2。
步骤2:根据式(7)求出各采集节点的传输距离{d1,d 2,,dn}。
步骤3:将di代入式(8)中求出采集节点之间中继节点的个数{m1,m2,,mi}。
步骤4:由式(6)求出各采集节点单位时间内消耗的能量。
步骤5:根据式(9)求出网络的生命周期。
步骤6:把步骤4和步骤5求出来的结果代入式(10)得到网络效率。
步骤7:算法结束。
用上述算法可以求得最高网络效率,以得到最优中继节点的部署和最佳节点的传输距离。
4 模拟仿真
针对如下3个WSN延伸覆盖网络的情景,用Matlab对其进行模拟仿真。
场景1:实验场景为采集节点数n=3,各采集节点之间的距离R={400,500,400}。
场景2:实验场景为采集节点数n=5,各采集节点之间的距离R={300,400,300,400,400}。
场景3:实验场景为采集节点数n=8,各采集节点之间的距离R={300,400,300,400,400,300,400,500}。
假设以上三个场景的每个采集节点、每个周期采集1 bit的数据。传感器节点的网络参数如表1所示。
图4～图6分别是在场景1、2、3的网络中,最后一个节点即源节点的传输距离与网络生命周期的关系。从图中可以看出网络生命周期随着源节点传输距离的增大而减小,当传输距离为500时,生命周期几乎为0。根据传感器的能量模型,传感器消耗的能量随着传输距离的增大而增加,因此,传输距离越小,生命周期越长。但不能无限地缩小传输距离,这样中继节点的个数会增加,提高了网络成本,也无法保证网络能量均衡消耗。在场景1、2、3中,源节点的传输距离分别达到112、133、153以上,才能避免能量空洞,达到能量均衡的目的。
图7～图9是分别在场景1、2、3的网络中,源节点的传输距离与网络效率的关系。从图中可以得出在场景1中,源节点的传输距离dn=119时,网络效率达到最高为P=1.6093×1013,因此网络最优中继节点部署为m={8,5,3}和各采集节点的传输距离为d={44,98,89.64,119};
在场景2中,源节点的传输距离dn=146时,网络效率达到最高为P=7.4325×1012,因此网络最优中继节点部署为m={4,4,2,3,2}和各采集节点的传输距离为d={61.76,85.25,100.04,117.21,146};
在场景3中,源节点的传输距离dn=160时,网络效率达到最高为P=2.9176×1012,因此网络最优中继节点部署为m={6,6,3,4,2,3,2}和各采集节点的传输距离为d={43.58,60,76.59,95.08,101.5,113.71,130.41,160}。
从三个场景的最佳网络部署可以看出,该算法是通过越接近sink节点,采集节点的传输距离越短来部署中继节点。随着采集节点数的增加,网络最佳部署的生命周期将会缩短,网络效率将会减小。而根据传感器延伸覆盖网络的特点,它的每个线性网络的采集节点不会太多,因此本文提出的传感器部署算法适合传感器延伸覆盖网络,符合智能配电网的发展。
5 结论