论文部分内容阅读
无线传感器网络的节点经常部署在自然环境相对恶劣或是人员较难到达的区域内,如沙漠、水下等,绝大部分应用场景都不具备架设有线供电设施的条件。在现有技术条件下,传感器节点更多的是依赖电池进行工作,这也就意味着在得不到外界能量补充的时候,传感器网络终将死亡。采用人工方式对大规模网络内的节点更换电池经济性与实用性不佳,传统的从环境中汲取能量的方式局限性较大,而新兴的无线充电技术为延长无线传感器网络寿命提供了新的解决方案。装有无线能量收集装置的无线传感器节点与可移动无线充电设备(MWC)一起构成可充电无线传感器网络,可移动无线充电设备可在网络内自由移动并为节点充电,MWC需采用合理的充电策略才能尽可能的延长无线传感器网络的寿命。本文以二维无线传感器网络为对象,以MWC服务完网络内所有节点至少一次时MWC行驶的总路程最小为优化目标,在MWC受到最大可行驶路程约束和网络内能量流约束的情况下建立问题模型,并设计了一种基于蚂蚁-Q算法的AQ-LMTD算法,对问题进行了求解。在仿真平台进行实验,分别在12种不同的网络环境中为网络进行30个周期的充电。实验表明,AQ-LMTD算法无论是在成功率上还是在MWC的总行驶路程方面都显著优于Greedy算法:AQ-LMTD算法成功率比Greedy高出48.3%,AQ-LMTD算法计算得出的MWC总行驶路程比Greedy平均减少了36.3%。进一步的,考虑实际环境中,MWC为节点充电的能量和行驶的能量都不是无限的,由此假设MWC用来驱动MWC进行游走和为其他节点充电的能量来源于同一个能量源,称之为MWC的总能量,以MWC服务完网络内所有节点至少一次时MWC消耗的总能量最小为优化目标,在MWC受到最大总能量约束和网络内能量流约束的情况下建立问题模型。同时,提出一种“均衡化”的充电策略,旨在通过充电的方式将网络内所有节点的剩余生命周期尽量均衡,在尽可能避免有节点比其他节点更早死亡的同时,合理分配充电能量与行驶能量。由此,提出一种基于改进的最大最小蚁群算法与“均衡化”策略的MMES-LME算法求解目标问题。通过仿真实验,MMES-LME算法在成功率与MWC总的能量开销方面优于AQ-LME算法和Greedy算法:MMES-LME算法在成功率上比AQ-LME算法高出1.5%,比Greedy算法高出57.5%; MMES-LME算法在MWC总能耗方面比AQ-LME算法平均减少了25.5%,比Greedy算法平均减少了45.7%。。