一种拓扑规模自适应的能量分簇方法和系统

技术领域

本发明属于无线传感网络领域，具体涉及将无线携能技术应用到无线传感网络中实现能量可持续，同时提高网络吞吐率的分簇方案。

背景技术

无线传感器网络(WIRELESS sensor networks，WSNs)作为21世纪最有影响力的技术之一，在与物联网相关的应用中发挥着至关重要的作用。无线传感器网络具有体积小、易于维护、部署成本低的特点，在环境监测、医疗保健、军事探测等领域具有广泛的应用前景和不可估量的价值。

然而，由于传感器节点配备的不可更换电池，无线传感器网络面临着能源供应限制带来的严峻挑战，尤其是在大规模网络场景下。此外，随着物联网等新技术的快速发展，数据采集的需求正在呈指数级增长，这进一步加重了无线传感器网络的能量负担。传统无线传感器网络的研究主要集中在能量效率的提高和网络寿命的延长上，如拓扑控制、能量有效的通信机制和宏路由协议等。然而，上述方法仍然存在一定的瓶颈和局限性，其中最严重的问题在于传感器节点一旦部署后无法进行能量补充。

后来，能量收集(energy harvesting，EH)技术的突破在一定程度上为WSNs实现能量可持续发展提供了可能。一般来说，EH的大部分技术是指从周围环境资源中收集能量，如太阳能、热能、风能等。然而，环境能源并不总是可用的，因为它依赖于一些不稳定的因素，例如受天气影响的动态环境，或封闭的室内环境。由于环境的随机性和间歇性，能量收集技术只能在WSNs的能量可持续性方面取得有限的改善。

无线能量传输(wireless power transfer，WPT)是近年来出现的一种能够实现远距离无线能量传输的新技术。由于它能够从周围的射频信号(RF)中补充节点，因此它有可能为无线传感器网络中的能量不可持续性问题提供最终解决方案。与EH技术相比，WPT技术为传感器提供了更稳定的能量供应。随后，提出了各种针对WPT的技术。作为WPT的典型代表，无线携能通信(Simultaneous Wireless Information and Power Transfer，SWIPT)由Varshney提出。由于其能从环境射频信号中提供能量的优越性，SWIPT一经提出便迅速引起研究人员的广泛关注，并在短时间内取得重大突破。

SWIPT是一种新的无线通信技术，它可以同时从接收到的同一射频信号中解码信息并获取能量。目前主要采用两种接收模型，即时间切换(TS)模型和功率分配(PS)模型。在TS模型下，接收端可以在不同的时隙完成信息解码和能量收集，且电路简单。对于PS模型，接收端将功率分成两部分，同时进行信息解码和能量收集。与TS模型相比，电路设计要复杂得多。上述两种模型已广泛应用于各类无线通信网络中，在缓解无线传感器网络能量受限问题方面具有巨大潜力。然而，在支持swipt的无线传感器网络领域仍然存在一些挑战。具体而言，基于SWIPT的大规模无线传感器网络如何实现能量可持续性的研究尚属空白，关注能量可持续性条件下大规模无线传感器网络性能提升的研究较少。

发明内容

对于以上问题，本发明综合考虑大规模SWIPT无线传感器网络的网络能量效率、可持续性条件和网络性能，提出了一种面向大规模场景的拓扑规模自适应的能量有效分簇方案(topology-scale-adaptive，energy efficient clustering scheme，TSA-EECS)，目的是在网络能量可持续性的前提下提高吞吐量。

本发明的目的是为了解决背景技术中所述问题，提供一种基于SWIPT实现大规模无线传感器网络能量可持续方法，具体包括以下步骤：

步骤1，确定传感器节点的规模以及分布情况，初步将所有传感器节点分成簇；

步骤2，采用细菌觅食优化(Bacterial Foraging Optimization Algorithm)算法，选取一个簇后从该簇中心开始迭代；

步骤3，依次根据细菌所关系到的传感器节点，建立多约束函数，计算传感器充当簇头节点时的最大能效。

步骤4，计算细菌的健康值，该值取决于所关联传感器节点的最优能效，传感器与HAP节点的距离，簇间距离，以及周围细菌的分布情况。

步骤5，细菌朝随机方向移动，重复步骤3，直至细菌健康程度降低。

步骤6，通过式二十六得到每个细菌的健康程度并排序，删除健康程度低的细菌，复制健康程度高的细菌，并且模拟自然环境使得随机细菌消亡与重生，重复步骤3，直至迭代到达一定次数。

步骤7，循环步骤2到步骤6，直到所有簇都完成簇头选举。

需要说明的是，步骤1中，无线传感网络的模型如图1所示，为自主假定分布情况的模型。先随机选取一个传感器节点S

将中心点向偏移值移动，直至某次移动距离小于一定阈值后停止本次迭代，最终中心点及偏移半径内的传感器节点形成簇，并且将在之后的迭代过程中被忽视。若某次迭代形成簇的节点过少，则本次迭代不生效，最后剩余的节点将加入最近的一个节点所属的簇。中心点的飘移半径R

其中dis

在每次迭代中，至少要向

考虑最坏的情况，C

迭代后，剩余的传感器节点需要广播信息来寻找最近的传感器节点。我们用S

可以得出，该算法的时间复杂度主要与节点数量有关。事实上，这是最坏的情况，实际的复杂性要比这少得多。目前部署的传感器节点数量几乎低于1000个。因此，该算法通常可以在瞬间完成。

需要说明的是，步骤2中，选取一个簇后，在簇中心生成N

需要说明的是，步骤3中，传感器所采用的SWIPT中的Power Splitting(PS)模型如图3所示。根据细菌所关联的传感器节点，计算传感器充当簇头时的最优能效。传感器节点均采用了SWIPT的PS模型，能量收集模型采用的是非线性能量收集模型，具体为如下式子，其中ψ为接收能量，P

则传感器节点i所收集到的能量可以表示为

另一方面，用

用E

根据参考文献D.Lin，Q.Wang，W.Min，J.Xu，and Z.Zhang，“A survey on energy-efficient strategies in static wireless sensor networks，”ACM Trans.SensorNetw.，vol.17，no.1，pp.1-48，2021.可得簇内能效的计算方式为式九。

注意，从HAP补充的能量不包括在每个传感器的总能耗中。因此，在计算能源效率时没有考虑到它。为了最大化该网络能效，同时为了达到目标要求，建立以下约束。

C1:R

C2:1≥ρ

C3:P

其中C1指定吞吐量约束，即总吞吐量应满足最小要求R

假设分割率ρ

根据式十与式十一可得信息速率R

假设传输功率P

根据式十二可得信息速率相当于分割率ρ

max(R

为了求得该问题的最优解，加入拉格朗日函数，如式十四。

其中拉格朗日乘子λ

根据式十五与式十六，可知目标函数的最优解可以表示为只含拉格朗日乘子λ

为了逐步达到最优极值点，变量的步长设定为α

为了得到最优解的近似解，设定一个小的阈值∈，用来表示迭代的终止条件。具体来说，当梯度方向向量的模长度或Λ的值更新小于∈时，可以停止迭代过程，如式二十二。

此时认为每次迭代中结果的变化不会超过，所得结果为近似最优解。而以上算法的时间复杂度主要取决于梯度下降的计算量与迭代次数。设I

需要说明的是，步骤4中，计算细菌的健康程度，需要同时考虑其周围细菌的分布情况，其关联传感器的最大能效，簇间距离，传感器与HAP的距离。设定第一个关于最大能效的最小化子目标函数f1如式二十三。

其中

其中CM

minf3＝dis(CH

为平衡上述3个函数，将其转化为包含3个函数加权和的单目标函数。其中β

Fitness J＝β

需要说明的是，步骤5中，每个细菌会旋转并向前游动。设P

P

其中C(i)为细菌i的群集步长，Φ(i，j)为细菌i旋转时的单位随机方向向量，Δ(i)为任意生成的单位随机方向向量，大小在-1到1之间。当细菌在P

需要说明的是，步骤6中，由于细菌生存环境可能发生的变化，如移动障碍物对信号的遮挡作用，所有细菌都会以P

需要说明的是，步骤7中，步骤一所分成的簇会轮流进行簇头选举的迭代操作，直至所有簇都完成簇头选举，并且所有传感器以所规定的方案运作。

本发明还提供一种拓扑规模自适应的能量分簇系统，包括以下模块：

分簇模块，用于确定传感器节点的规模以及分布情况，初步将所有传感器节点分成簇；

觅食优化模块，采用细菌觅食优化算法，选取一个簇后从该簇中心开始迭代；

最大能效计算模块，用于依次根据细菌所关系到的传感器节点，建立多约束函数，计算传感器充当簇头节点时的最大能效；

健康值计算模块，用于计算细菌的健康值，该值取决于所关联传感器节点的最优能效，传感器与HAP节点的距离，簇间距离，以及周围细菌的分布情况；

细菌移动模块，细菌朝随机方向移动，重复最大能效计算模块的处理过程，直至细菌健康程度降低；

健康值排序模块，用于计算每个细菌的健康程度并排序，删除健康程度低的细菌，复制健康程度高的细菌，并且模拟自然环境使得随机细菌消亡与重生，重复最大能效计算模块的处理过程，直至迭代到达一定次数；

簇头选举模块，用于循环觅食优化模块到健康值排序模块的处理过程，直到所有簇都完成簇头选举。

与现有技术相比，本发明的优点在于实现了无线传感网络的能量可持续，解决了无线传感网络一直以来能量受限的问题，此外本发明能很好地自适应不同规模的网络环境，同时在较大规模下，本发明所采用的方法很好地降低了总体计算复杂度，最大化网络能效，提高网络的吞吐量。

附图说明

图1为本发明实施例的网络分布模型；

图2为本发明实施例中网络簇内能量传输模型；

图3为本发明实施例中传感器节点使用的PS模型；

图4为本发明实施例的整体框架图。

图5为本发明实施例的平均能效与传感器数量关系图。

图6为本发明实施例的飘移向量计算次数与传感器数量关系图。

图7为本发明实施例在不同场景下适应度函数计算次数与传感器数量关系图。

图8为本发明实施例的平均信息速率与细菌觅食算法参数关系图。

图9为本发明实施例的分簇损耗能量比较图。

图10为本发明实施例的运行损耗能量比较图。

图11为本发明实施例的平均信息速率比较图。

具体实施方式

本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术运行。结合附图，提供本发明实施例具体描述如下。

实施例提供了一种基于无线携能技术与无线传感网络的拓扑自适应分簇算法，可以有效解决无线传感网络中能量受限的情况，提高了无线传感网络的吞吐量。由于无线传感网络是网络技术的关键，可运用于环境监测、军事领域、医疗护理等多个领域。同时，无线传感网络还是当前热门研究领域如大数据，物联网等的基础。实例利用Matlab进行技术仿真，在不同的网络规模，节点数量下展开实验，对本方法进行说明，并于其他经典分簇方法进行效果对比。需要说明的是，本发明并不仅仅局限于上述设备和样本的应用支持，对于任意能实现上述设备功能的同等性质的设备以及实际环境中同样适用。

实施例主要包括以下步骤：

步骤1，确定传感器节点的规模以及分布情况，初步将所有传感器节点分成簇；

先随机选取一个传感器节点S

将中心点向偏移值移动，直至某次移动距离小于一定阈值后停止本次迭代，最终中心点及偏移半径内的传感器节点形成簇，并且将在之后的迭代过程中被忽视。若某次迭代形成簇的节点过少，则本次迭代不生效，最后剩余的节点将加入最近的一个节点所属的簇。中心点的飘移半径R

其中dis

步骤2，选取一个簇后采用BFOA算法从该簇中心开始迭代；

首先在所有簇中选取一个簇，然后在簇中心生成N

步骤3，依次根据细菌所关系到的传感器节点，建立多约束函数，计算传感器充当簇头节点时的最大能效。

根据细菌所关联的传感器节点，计算传感器充当簇头时的最优能效。传感器节点均采用了SWIPT的Power Splitting(PS)模型，能量收集模型采用的是非线性能量收集模型，具体为如下式子，其中ψ为接收能量，P

则传感器节点i所收集到的能量可以表示为

另一方面，用

用E

簇内能效的计算方式为式九。

注意，从HAP补充的能量不包括在每个传感器的总能耗中。因此，在计算能源效率时没有考虑到它。为了最大化该网络能效，同时为了达到目标要求，建立以下约束。

C1:R

C2:1≥ρ

C3:P

其中C1指定吞吐量约束，即总吞吐量应满足最小要求R

假设分割率ρ

根据式十与式十一可得信息速率R

假设传输功率P

根据式十二可得信息速率相当于分割率ρ

由于目标函数η

max(R

为了求得该问题的最优解，加入拉格朗日函数，如式十四。

其中拉格朗日乘子λ

根据式十五与式十六，可知目标函数的最优解可以表示为只含拉格朗日乘子λ

为了逐步达到最优极值点，变量的步长设定为α

为了得到最优解的近似解，设定一个小的阈值∈，用来表示迭代的终止条件。具体来说，当梯度方向向量的模长度或Λ的值更新小于∈时，可以停止迭代过程，如式二十二。

此时认为每次迭代中结果的变化不会超过设定的阈值∈，所得结果为近似最优解。

步骤4，计算细菌的健康值，该值取决于所关联传感器节点的最优能效，传感器与HAP节点的距离，簇间距离，以及周围细菌的分布情况。

计算细菌的健康程度，需要同时考虑其周围细菌的分布情况，其关联传感器的最大能效，簇间距离，传感器与HAP的距离。设定第一个关于最大能效的最小化子目标函数f1如式二十三。

其中

其中CM

minf3＝dis(CH

为平衡上述3个函数，将其转化为包含3个函数加权和的单目标函数。其中β

Fitness J＝β

步骤5，细菌朝随机方向移动，重复步骤3，直至细菌健康程度降低。

每个细菌会旋转并向前游动。设P

P

其中C(i)为细菌i的群集步长，Φ(i，j)为细菌i旋转时的单位随机方向向量，Δ(i)为任意生成的单位随机方向向量，大小在-1到1之间。当细菌在P

步骤6，通过式二十六得到每个细菌的健康程度并排序，删除健康程度低的细菌，复制健康程度高的细菌，并且模拟自然环境使得随机细菌消亡与重生，重复步骤3，直至迭代到达一定次数。

由于细菌生存环境可能发生的变化，如移动障碍物对信号的遮挡作用，所有细菌都会以P

步骤7，循环步骤2到步骤6，直到所有簇都完成簇头选举。

步骤1所分成的簇会轮流进行簇头选举的迭代操作，直至所有簇都完成簇头选举，并且所有传感器以所规定的方案运作。

另一方面，本发明实施例还提供一种拓扑规模自适应的能量分簇系统，包括以下模块：

分簇模块，用于确定传感器节点的规模以及分布情况，初步将所有传感器节点分成簇；

觅食优化模块，采用细菌觅食优化算法，选取一个簇后从该簇中心开始迭代；

最大能效计算模块，用于依次根据细菌所关系到的传感器节点，建立多约束函数，计算传感器充当簇头节点时的最大能效；

健康值计算模块，用于计算细菌的健康值，该值取决于所关联传感器节点的最优能效，传感器与HAP节点的距离，簇间距离，以及周围细菌的分布情况；

细菌移动模块，细菌朝随机方向移动，重复最大能效计算模块的处理过程，直至细菌健康程度降低；

健康值排序模块，用于计算每个细菌的健康程度并排序，删除健康程度低的细菌，复制健康程度高的细菌，并且模拟自然环境使得随机细菌消亡与重生，重复最大能效计算模块的处理过程，直至迭代到达一定次数；

簇头选举模块，用于循环觅食优化模块到健康值排序模块的处理过程，直到所有簇都完成簇头选举。

下面以一个具体的例子说明本发明方法具体实现过程和最终的效果：

假设监测区域为500x300 m，部署800个传感器节点，随机静态分布。HAP位于区域右边界中心，如图1所示。所有传感器配备相同的能量收集模式，a

R

对比实验选取近年来以下几种方案：

1)DC-LEACH.该方案对能量捕获无线传感器网络采用一种基于占空比的分簇协议。在该算法中，簇头的角色由传感器节点共同承担，使得占空比作为节点能量捕获能力的函数来平衡能量消耗。在非ch轮中，节点采用占空比进行数据传输以维持ENO(M.S.Bahbahani,and E.Alsusa,“DC-LEACH:a duty-cycle based clustering protocolfor energy harvesting WSNs,”in Proc.13th Int.Wireless Commun.MobileComput.Conf.,Valencia,Spain,2017,pp.974-979).

2)MRMEE.针对能量捕获无线传感器网络最小中继最大能量效率(MRMEE)问题，该方案提出了一种粒子群优化-遗传算法(PSO-GA)(M.Li,K.Wang,and S.He,“Maximizingenergy efficiency by optimizing relay deployment in EH-WSNs for smart grid,”IEEE Commun.Lett.,vol.27,no.2,pp.625-629,2023).

3)H-HEAM.该方案采用一种带中继头的多跳多中继网络模型(MMNM)，用于能量捕获无线传感器网络中节点间的负载均衡。此外，提出了一种历史能量分配机制(H-HEAM)，以确保能量中性约束和网络永久运行。(Y.Zhong,Z.Wang,and X.Zhang,“Ahistoricalharvested energy assigning mechanism for multi-hop multi-relay energyharvesting wireless sensor networks,”in Proc.29th Chin.Control Decis.Conf.,Chongqing,China,2017,pp.2637-2642)

4)TSA-EECS.应用本发明提出的TSA-EECS方案，所有传感器节点都启用SWIPT，并在满足能量可持续性要求的情况下传输信息。

数字1到4被定义来表示具有不同网络规模的不同场景，如下所示,1:N＝600,500×300m,2:N＝800,800×400m,3:N＝1000,1000×500m,4:N＝1200,1200×600m.

图5显示了不同传感器节点数量时网络平均能量效率的变化情况，网络区域设置为500×300m。结果表明，当最大发射功率P

图6评估不同网络规模下传感器节点数量与偏移矢量计算数量之间的相关性；算法2的时间复杂度主要取决于偏移向量的计算次数。如图7所示，可以明显看出迭代次数随着传感器节点数量的增加而增加。然而，在达到一定的阈值(通常表示特定的密度水平)后，迭代次数趋于稳定。迭代次数的稳定值也随着场景规模的增大而增大。

算法3的主要时间复杂度由细菌适应度函数的计算决定。图7给出了不同场景下不同传感器节点数目下细菌适应度函数的计算次数。可以得出结论，随着传感器数量的增加，需要更多的计算。然而，整体增长率低于传感器的增长率，约为传感器节点增长率的30％。此外，随着场景规模的增大，所需的计算次数呈下降趋势。这是因为在节点间平均距离增加、节点密度变得稀疏的场景下，算法3能够更快地找到最优簇头。总的来说，算法3可以在一定时间内完成，同时提高了能量效率。

图8所示的结果表明，在场景1、3和4中，对于第一个目标函数具有最高权重的方案表现出最佳性能。相反，在场景2中，第二个目标函数的权重最高的方案表现出最好的性能。此外，在场景2中，第三个目标函数中具有最高权重的方案优于相同权重的方案。然而，在更大的场景下，它在四种方案中表现出最差的性能。基于这些观察，在考虑权重选择时，可以优先考虑第一个目标函数。如果在给定的场景中传感器密度很高，则可以适当增加分配给第二个目标函数的权重。随着网络规模的增大以及节点离HAP越远，传感器节点与HAP之间的距离受到的影响越小。在这种情况下，建议适当降低第三个子目标函数的权重。

图9描述了不同场景下不同聚类方法的总能耗。需要注意的是，DC-LEACH方案的分簇过程是动态的，并且会统计每个簇的能耗。可以得出，MRMEE和TSA-EECS在分簇过程中的能量消耗要高于其他两种方案。这是因为MRMEE和TSA-EECS方案采用启发式优化算法，通常需要更多的迭代来确定网络拓扑结构。然而，迭代次数的增加也会导致更高的能量消耗。DC-LEACH只需要周期性地计算CH的占空比来确定所选CH的频率，然后广播到周围完成聚类过程。实际上，它消耗的能量最少。

图10反映不同场景下不同方法正常运行时的平均能耗。这部分能耗是指传感器节点在执行正常的数据采集、传输、处理等任务时所消耗的能量。可以观察到，在小规模场景下，四种方案的差异很小。然而，在大规模场景下，TSA-EECS的能耗最低。这是因为TSA-EECS在分簇过程中考虑了节点密度、能量效率以及传感器与Sink之间的距离，从而能够更好地适应网络规模变化的场景。相比之下，H-HEAM将传感器节点分成大小相等的簇，随着场景规模的增大，能耗会显著增加。

图11显示了4种方案的数据速率。在小规模拓扑场景下，TSA-EECS与MRMEE的性能差异不大。然而，随着拓扑规模的增大，TSA-EECS表现出更强的适应性，性能优于其他3种方案。在大规模场景下，MRMEE会因中继过多而造成网络拥塞，导致数据速率下降。此外，平均传输距离也增大，另外两种方案难以适应更大规模的场景，导致数据速率出现不同程度的下降。在所有场景下，TSA-EECS比DC-LEACH、MRMEE和H-HEAM方案的信息率分别平均提高了8％、3％和4％。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。