基于移动执行器的无线传感器和执行器网络充电方法

苏州博睿测控设备有限公司 韩会荣

本文设计了一种无线传感器与执行器网络的移动充电方法，根据节点的能量情况和当前位置正确选择下一个充电候选节点。本文算法在保证执行器节点不发生故障的前提下，尽量减少故障传感器节点的数量。仿真实验证明了本文算法的优势，有效降低了传感器节点的故障率，并实现延迟充电与成本的平衡。

1 介绍

无线传感器与执行器网络(WSANs)是无线传感器网络(WSNs)的衍生产品。除了传感器外，还有一些具有计算和通信能力的执行器节点加入到网络中。执行器节点被组织成一个内部网络，执行器可以相互合作和通信。此外，每个执行器覆盖一个特定的区域，负责该区域的事件。通常，传感器节点将事件传送到最近的执行器节点，执行器节点对事件进行初步处理，然后将处理后的数据通过内部网络发送给基站（BS）。传感器节点一般是不动的，但执行器可以随机移动。执行器节点的电池容量比传感器节点大得多，故执行器节点需要更多的充电时间才能变成满能量。

在WSANs中，执行器节点与传感器节点都有能量约束。虽然WSNs的能量补充已有深入研究，但WSNs的充电方法不能很好地应用于WSANs。其主要原因是：第一，执行器节点在整个网络中起着至关重要的作用。一旦执行器节点死亡，整个网络的性能将受到很大影响。第二，与传感器相比，执行器完全充电的时间要长得多，在这种情况下，我们要保证执行器节点不死，并保证没有及时充电而死亡的传感器节点数量降到最低。第三，执行器节点在网络中是可移动的。因此，应该考虑执行器的精确跟踪问题从而有效的对其进行充电。

图1 WSANs网络模型

2 基于能耗估计的网络模型

如图1所示，网络由一个BS、一个MV、一组传感器节点和若干执行器节点组成。集合S={s1，s2，s3，...，sn}表示传感器节点集，集合A={a1，a2，a3，...，am}中的节点为执行器节点，其中m远小于n。整个网络被划分为若干个子网，每个子网中部署一个执行器节点，每个执行器节点根据随机航点移动模型在自己的区域内移动。传感器节点在整个网络中随机分布，不可移动。BS位于网络中心，其具有足够的能量和较强的通信能力，可以直接与MV通信。MV是一种强大的充电设备，它以恒定的速度V在网络中移动以便及时为每个节点充电。在这里，我们假设MV的能量足以为网络中的节点充电。

在这个网络中，每个节点都持续监测自己的能量情况。一旦它检测到能量小于阈值，它就会将充电信息及时发送给BS，BS及时转发给MV，MV负责选择下一个充电节点。

每个节点的能耗率和同一节点在不同时间的能耗是不同的。为了避免节点死亡，及时掌握能耗尤为重要。为了让BS掌握每个节点的当前能源状况，每个节点定期向BS传递包含消息。例如，来自节点i的消息格式可以表示为＜IDi,REin,tin,task>，其中IDi代表节点i，REin代表其第n条记录的当前能量值，tin代表该消息的时间标记，task是要执行的任务信息。对于节点i，让Rin代表其当前能耗率的估计值，当n=1时：

代入根据指数加权平均法，得：

3 充电算法设计

3.1 算法流程

第一步：计算每个请求节点等待的最小值。当一个节点(如节点j)被收取为候选节点时，MV将计算其他剩余请求节点的最短等待时间。如果j是一个传感器节点，则节点i的最小等待时间命名为W(j,i)，如式(3)：

当j是一个执行器节点时，为了减少该执行器充电过程中的死节点数量，有w(j,i)：

其中t(M V,j)和t(j,i)分别代表M V从M V当前位置到节点j的行驶时间和M V从节点j到节点i的行驶时间。、分别表示MV对传感器节点和执行器节点的充电时间，E和E'代表传感器节点和执行器节点的电池容量。α为0～1之间的参数，aE'代表执行器的充电上限。REj(t)表示节点i的最新剩余能量值，Rj为其能量消耗率，tj为节点j发送最后一次充电请求的时间，μ为MV的充电速率。

第二步：统计死节点数。当节点j作为候选节点时，在当前时间t内，确保节点i不死，要求，即当节点j即将被充电时，节点i不会死亡。当j要充电时，死掉的节点总数被命名为Nnum,i。

第三步：计算一个节点到另一个节点路程。由于传感器节点是静止的，因此可以很容易地计算出任意两个传感器之间的距离。但是对于执行器节点而言，为了计算传感器与执行器之间的路程，首先必须确定执行器的当前位置坐标。让(xg,yg)、(xp,yp)分别代表执行器节点的起始位置G和下一个目标位置P的坐标。C为执行器节点在时间t的当前位置，有：

其中，yc可以类比得出。tg代表执行器节点离开G的时间，之后可以计算出任意两个节点之间的距离。

第四步：计算充电度量值。现在我们计算每个节点的充电度量值，用于下一步充电节点的选择。对于节点i，度量值为的倒数。

其中distance(MV,i)表示MV与节点i之间的距离，β为权重系数。MV根据这个充电指标值选择下一个节点。通常情况下，选择度量值最大的节点作为候选节点。因为度量值越大，Nnum,i和distance(MV,i)的值越小。也就是说，造成死节点较少，且距离MV较近的节点更有可能首先被充电。

第五步：考虑应急执行器。在我们的算法中，为了保证应急执行器节点及时充电，每个执行器节点都不断更新自己的能量数值。一旦它检测到自己的剩余能量低于临界阈值δ，它就会及时发送紧急信息给BS，BS立即将紧急信息传送给MV，然后MV选择这个执行器作为下一个充电节点。如果有一个以上的执行器节点在紧急情况下，MV优先考虑最先发出紧急信息的执行机构。

图2 算法的表现评价对比

3.2 执行器节点跟踪策略

由于执行器节点始终处于移动状态，因此需要预测执行器的充电位置，然后实行充电。假设选择执行器i作为下一个充电节点，MV首先会检查distance(MV,i)是否小于V与Ti,s的乘积。其中，Ti,s为执行器在源点S的停留时间，如果满足该公式，则说明MV到达S点时，执行器i暂时没有离开这里，所以MV选择对S点的执行器节点进行充电；如果不为真，则MV应直接移动到执行器i的下一个目的地点D前，当执行器i到达那里时，对其进行充电。一旦执行器i移动到远离MV的充电范围，要继续进行充电，MV要检查distance(MV,i)小于V与Ti,s的乘积是否成立。

式(6)中v'为执行机构的移动速度，Ti,D为在D点的停留时间，如果式(6)为真，MV应移动到D点，继续给执行机构i充电；如果不移动，MV必须停留在S点，因为当MV到达D点时，执行机构i不在那里。只有当MV获得下一个目的地的地理信息时，它将移动到那里来充电。当执行器i离开时，MV会继续寻找下一个执行器。根据公式(6)，在充电位置对执行器i进行充电，直到其剩余的电量达到一定程度，能量达到上限。

4 仿真实验

以Java作为EMC功能测试的对象，与FCFS、NJNP和FEMER相比，从传感器故障率（%）、平均充电延迟（单位s）两个方面通过对比来对EMC的性能实行评定。在仿真中，我们将执行器节点的数量从一增加到十个。如图2所示，四种算法的传感器故障率随着执行器节点数量的增长而增长。EMC的表现优于FCFS、NJNP和FEMER策略，首先，这是因为我们设置了执行器的充电上限阈值，可以有效降低执行器充电时间过长而导致的传感器节点故障。其次，这是因为我们可以对能量贮存的情况进行估计，根据预测值合理选择下一个充电节点。四种方案的平均充电延时如图2。除了FCFS的充电延迟先增加后减少外，其他方案的充电延迟随充电节点数量的增加而增加。在EMC中，由于执行器节点有充电上限，可避免传感器死亡，所以它在四种算法中具有明显的优势。

结论：本文描述了一种新型的移动能量补充方法，根据预测各节点当前的能量状况及其与MV的距离进行充电节点选择。EMC有效减少了平均充电延迟，降低了传感器的故障率。