论文部分内容阅读
随着5G、人工智能、大数据等新兴技术的发展和应用,以无线传感器网络(Wireless Sensor Network,WSN)为重要组成部分的物联网正面临着前所未有的机遇和挑战。然而,有限的电池供电、能量空洞效应等能量问题严重制约着无线传感器网络的大规模应用,成为该领域的研究重点。近年来,基于无线充电技术通过引入携带能量的移动无线充电设备(Wireless Charging Equipment,WCE)为网络中的传感器节点进行无线能量补充以延长网络寿命,成为一个研究热点,为解决无线传感器网络的能量问题提供了一种新思路和新途径。由于WCE的移动性,在不同的网络场景及约束下,移动设备的移动路径的规划以及在传感器节点处的停留充电时间的确定,即WCE的充电规划设计是一个关键问题。本文针对WCE数量采用单个或多个、充电方式采用一对一或一对多(WCE一次只对一个节点进行充电或可同时对多个节点进行充电)、携带能量是否有限、是否存在充电时间约束所组成的多种场景,分别建立了相应的充电规划问题模型。基于元启发式方法,提出了不同的混合元启发式算法对问题进行求解,最终得到适用于不同规模和应用场景的WCE充电规划,提高了WCE的能量效用及服务质量,延长了无线传感器网络的寿命。本文的主要内容和贡献如下:(1)针对携带能量受限的WCE一对一充电规划问题,在前人研究的基础上完善了周期性充电规划模型,证明了构建周期性充电规划的必要条件,分析了行驶能量受限、节点能耗不均衡、行驶能量受限及节点能量不均衡三种情况,设计了相应的充电规划策略,以最大化WCE的驻站比为优化目标建立了充电规划的优化问题。由于问题为非线性优化问题,且属于组合优化问题,提出了改进的混合粒子群遗传算法(HPSOGA)来求解该问题。该算法将粒子群变异算子引入遗传算法的变异操作,并改进了交叉操作。通过仿真实验验证了所提出算法在三种情况下的可行性及优越性。仿真结果表明,HPSOGA算法优于PSO算法、GA算法、MMAS算法和DFWA算法,实验部分同时给出了三种情况下WCE的充电路径及充电时间。(2)针对带充电时间窗的WCE一对一充电规划问题,分析了引入充电时间窗的两个原因,讨论了违反时间窗的惩罚函数及相关约束条件,以最小化WCE的充电代价为目标建立了带时间窗的周期性一对一充电规划的优化问题模型,并证明了该问题属于NP-Complete问题。提出了混合离散禁忌烟花算法(DTSFWA)对该问题进行求解。该算法在离散烟花算法基础上,引入了禁忌搜索机制,利用禁忌策略和特赦准则在一定程度上接受劣解,使得算法能够跳出局部最优解。通过仿真实验在三种网络分布及两种惩罚函数组成的6种场景下,验证了所提出算法的性能。实验表明,DTSFWA算法优于Line Appr算法和En Greedy算法,同时给出了线性惩罚和非线性惩罚随机分布场景下的WCE移动路径及充电时间。(3)针对携带能量受限的WCE一对多充电规划问题,首先基于虚拟蜂窝网格方法对网络进行了划分,分析了WCE的工作状态及相关约束,证明了理想情况下构建一对多充电规划的必要条件,以最大化WCE的能量利用率为目标建立了携带能量受限的一对多充电规划的优化问题模型,分析了行驶能量受限、充电能量受限和行驶能量均受限三种情况下的充电规划并设计了行驶能量受限时的WCE移动路径规划策略和充电能量受限时的充电规划策略。然后在离散烟花算法基础上,引入模拟退火机制进行全局搜索并采用4-opt进行局部搜索,采用Metropolis准则概率接受劣解,提出了混合模拟退火离散烟花算法(HSA-DFWA)。通过仿真实验,验证了所提出算法的可行性及优越性。实验表明,在三种情况下HSA-DFWA均优于MM-ANT算法、DFWA算法、P-greedy算法以及E-greedy算法,并给出了最优充电规划。(4)针对多WCE的充电规划问题,首先分析了相关约束并以最小化总充电时间和总能耗为目标建立了多WCE充电规划的优化问题模型,并证明了该问题属于NP-Complete问题。然后通过建立该问题与强化学习的映射关系,将多WCE充电规划问题建模为强化学习模型,设计了时间步、状态空间、动作空间、状态转移函数、回报函数。基于元启发式算法中的群智能优化思想,引入多学习者策略使得多个学习者并行学习并在一定条件下进行信息交换,加速强化学习求解速度,提出了离散烟花Q-learning算法(DFWA-Q)对该问题进行求解。通过不同网络规模的实验,验证了所提出算法的可行性及性能。实验表明,DFWA-Q算法所得到的优化目标值优于AVG-Q算法、PSO-Q算法、Single-Q算法和CMCS算法,在收敛性方面DFWA-Q算法能快速收敛到最优值,并给出了多WCE的最优充电规划。