传感器网络中可充电移动小车路径规划方法及装置与流程

1.本发明涉及无线可充电传感器网络充电规划技术领域，尤其涉及一种传感器网络中可充电移动小车路径规划方法及装置。


背景技术：

2.无线传感器网络(wsns)中传感器节点一般都是体积小、具有一定感知和计算能力、并且由内部电池供电的单元设备，但是体积小意味着传感器节点的电池容量也相对较小，电池工作寿命成为了制约wsns发展的最大阻碍，虽然随着电池技术的不断发展，电池容量不断扩大，但是电池容量始终有限，无法保证wsns长期稳定运行。无线充电技术的出现为延长wsns寿命提供了新方法。在wsns中部署一个具有无线充电功能的移动充电小车(mobilecharging vehicle,mcv)为传感器节点进行能量补充，可以尽可能延长wsns 的工作寿命，这种新的wsns称为无线可充电传感器网络(wirelessrechargeable sensor networks,wrsns)。
3.对于大规模wrsns，部署单个mcv已经无法满足网络中大量传感器节点的充电请求。同时监控范围的增大，也增大了数据传输的负担，大量且多跳的数据传输会极大增加传感器节点的能耗，造成网络能量空洞问题，缩短 wrsns的工作寿命。为克服上述问题，现有方案在wrsns中，部署多个 mcv进行移动充电以增加mcv的充电范围，通过移动数据收集降低传感器节点间的数据传输的负担，有效地均衡传感器节点间的能耗。
4.但是现有方案中大多从概率上确保wrsns持续正常工作，不能完全传感器节点不死亡。并且有些方案为了减少数据收集的延迟，提出在网络中增加使用dcv(data collection vehicle,dcv)，虽然使用dcv可以减少数据收集等待充电完成时间，但是网络需要额外增加了调度数据收集车的数量，这将会增加了网络充电调度成本。


技术实现要素：

5.针对现有技术中存在的问题，本发明实施例提供一种传感器网络中可充电移动小车路径规划方法及装置。
6.本发明实施例提供一种传感器网络中可充电移动小车路径规划方法，包括：
7.获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据所述周期性充电特性和数据请求构建多个移动小车的路径规划模型；
8.根据所述周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将所述时间总和和标准差的最小化划为优化目标；
9.构建初始种群，结合所述优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在所述迭代更新过程中选出种群的非支配解集，并将所述非支配解集存入外部档案；
10.检测所述迭代更新的次数，当所述迭代更新的次数达到预设次数后，输出所述外部档案作为所述路径规划模型的输出结果。
11.在其中一个实施例中，所述方法还包括：
12.将所述移动小车的调度过程分为初始调度周期和一般调度周期，获取所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间；；
13.根据所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间，调整所述初始调度周期的充电功率和数据收集速率；
14.结合所述一般调度周期的充电时间和数据收集时间以及初始调度周期的充电功率和数据收集速率，计算传感器节点的电源最长生存时间和数据最长缓冲时间，得到所述周期性充电特性和数据请求对应的时间总和。
15.在其中一个实施例中，所述方法还包括：
16.获取预设的约束条件以及所述时间总和和标准差的计算公式；
17.通过所述约束条件对所述计算公式进行数值限制，将所述计算公式的计算结果作为所述优化目标。
18.在其中一个实施例中，所述方法还包括：
19.设置所述移动小车对应算法的运行参数，并通过所述运行参数构成初始种群；
20.计算所述初始种群中每个个体的所述优化目标的目标值；
21.通过所述目标值，结合pareto支配关系选出当前迭代中所述种群的非支配解集。
22.在其中一个实施例中，所述方法还包括：
23.通过所述外部档案的规模对所述非支配解集的大小进行调整。在其中一个实施例中，所述方法还包括：
24.计算所述外部档案ea中个体的平均距离，并根据所述平均距离对所述个体进行排序，根据排序的顺序从所述个体中选取全局最优个体；
25.根据所述全局最优个体，结合预设的计算公式，计算所述全局最优个体的下一个体；
26.根据预设的转换计算公式将所述全局最优个体的下一个体转换为下一种群，通过所述下一种群确定更新目标，通过所述更新目标对种群进行迭代更新。
27.本发明实施例提供一种传感器网络中可充电移动小车路径规划装置，包括：
28.获取模块，用于获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据所述周期性充电特性和数据请求构建多个移动小车的路径规划模型；
29.计算模块，用于根据所述周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将所述时间总和和标准差的最小化划为优化目标；
30.选取模块，用于构建初始种群，结合所述优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在所述迭代更新过程中选出种群的非支配解集，并将所述非支配解集存入外部档案；
31.输出模块，用于检测所述迭代更新的次数，当所述迭代更新的次数达到预设次数后，输出所述外部档案作为所述路径规划模型的输出结果。
32.在其中一个实施例中，所述装置还包括：
33.第二获取模块，用于将所述移动小车的调度过程分为初始调度周期和一般调度周期，获取所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间；
34.调整模块，用于根据所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间，调整所述初始调度周期的充电功率和数据收集速率；
35.第二计算模块，用于结合所述一般调度周期的充电时间和数据收集时间以及初始调度周期的充电功率和数据收集速率，计算传感器节点的电源最长生存时间和数据最长缓冲时间，得到所述周期性充电特性和数据请求对应的时间总和。
36.本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述传感器网络中可充电移动小车路径规划方法的步骤。
37.本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述传感器网络中可充电移动小车路径规划方法的步骤。
38.本发明实施例提供的传感器网络中可充电移动小车路径规划方法及装置，获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据周期性充电特性和数据请求构建多个移动小车的路径规划模型；根据周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将时间总和和标准差的最小化划为优化目标；构建初始种群，结合优化目标对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将非支配解集存入外部档案；检测迭代更新的次数，当迭代更新的次数达到预设次数后，输出外部档案作为路径规划模型的输出结果。这样能够保证传感器网络的寿命，并且进行合理的路线规划，也能减少移动小车调度的成本。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明实施例中传感器网络中可充电移动小车路径规划方法的流程图；
41.图2为本发明实施例中传感器网络中可充电移动小车路径规划装置的结构图；
42.图3为本发明实施例中电子设备结构示意图。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.图1为本发明实施例提供的传感器网络中可充电移动小车路径规划方法的流程示意图，如图1所示，本发明实施例提供了一种传感器网络中可充电移动小车路径规划方法，包括：
45.步骤s101，获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据所述周期性充电特性和数据请求构建多个移动小车的路径规划模型。
46.具体地，根据周期性充电特性和满足所有传感器节点的充电需求和数据请求的约
束，构建多个mv的周期性充电和数据收集路径规划模型，进一步地，关于模型中的数据获取详细步骤如下：
47.设表示传感器节点的集合，标记为传感器节点i是否被第k个mv(移动小车)充电，具体为
48.标记充电服务站为0，设第k个mv的充电回路为
49.调度开始时传感器节点能量以e
full
和传感器节点数据缓冲量以0为初始状态，而后续周期调度都是以前一轮结束时传感器节点能量和数据缓冲量作为初始状态，造成在第一个调度周期与后续调度周期中当mv到达传感器节点时传感器节点的剩余能量和数据缓冲量均不相同，将mv的调度周期分为初始调度周期(指第一个调度周期)和一般调度周期(指后续调度周期)。
50.在一般调度周期内：
51.在r
k
中mv行驶消耗时间为：
[0052][0053][0054]
mv在传感器节点的充电时间和数据收集时间为：
[0055][0056][0057]
若要满足上式，mv在传感器节点处停留的时间必须同时大于等于充电时间和数据收集时间，即
[0058][0059]
那么第l个一般充电周期中第k个mv的一轮充电时间、用于行驶和充电的总能耗和收集到的数据量分别为：
[0060][0061][0062][0063]
那么第l个一般调度周期t
l
为：
[0064]
[0065]
在初始调度周期内，调整mv在初始调度周期的充电功率和数据收集速率，以使得初始调度周期中mv在节点的充电时间和数据收集时间等于一般调度周期，从而衔接起初始调度周期与第一个一般调度周期
[0066]
在第一个一般调度周期中，第k个mv为传感器节点充电和数据收集满足：
[0067][0068][0069]
在初始调度周期中，第k个mv为传感器节点充电和数据收集满足：
[0070][0071][0072]
在初始调度周期和第一个一般调度周期两个周期中，当mv到达节点时，两个周期的节点剩余能量和数据缓冲量满足：
[0073][0074][0075]
联立以上公式，可有
[0076][0077][0078]
传感器节点s
i
的能量最大生存时间mst
i
为，
[0079][0080]
传感器节点s
i
的最长数据缓冲时间mst
i
为，
[0081][0082]
由于wrsns中传感器节点的能耗和数据生成率不均衡，所以每个传感器节点的最长生存时间和最长缓冲时间也不一样，因此为了保证网络所有传感器节点都正常工作和防止缓冲数据量溢出，需要满足 t≤min｛min
i＝1,2,...,n
mst
ie
,min
i＝1,2,...,n
mbt
ib
｝。
[0083]
本发明实施例中令，
[0084]
t＝min｛min
i＝1,2,...,n
mst
ie
,min
i＝1,2,...,n
mbt
ib
｝。
[0085]
另外，在本实施例中，通过下表对计算过程中的参数进行定义：
[0086][0087]
步骤s102，根据所述周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将所述时间总和和标准差的最小化划为优化目标。
[0088]
具体地，根据步骤s101中的模型建立过程中的数据，可以得到根据周期性充电特性和数据请求获取多个移动小车对应的工作时间总和，以及计算得到多个移动小车剩余能量的标准差，然后对时间总和和标准差的最小化进行最小化，具体可以通过下述公式：
[0089]
[0090]
公式中包含时间总和和标准差，在计算过程中，获取约束条件对上述计算公式进行数值限制，具体的约束条件可以包括：
[0091]
(1)
[0092]
(2)
[0093]
(3)
[0094]
(4)
[0095]
(5)
[0096]
(6)
[0097]
(7)
[0098]
(1)是约束一个传感器节点在一个充电周期内只能被一个mv充电和数据收集，以避免多个mv之间充电和数据收集的冲突；
[0099]
(2)和(3)是约束在周期开始和结束时刻，传感器节点的能量和数据量均相同，使得传感器节点的剩余能量和数据量呈周期性变化；
[0100]
(4)和(5)式是约束在调度周期内传感器节点能够正常工作且传感器节点数据缓冲量不会溢出；
[0101]
(6)式是约束mv能够为传感器节点补充到能量，以确保mv能够为传感器节点补充到能量；
[0102]
(7)是约束mv在整个充电过程中移动消耗的能量和为传感器节点充电消耗的能量不得超过其携带总能量e
c
，以保证mv能够正常工作。
[0103]
得到上述公式的计算结果，即为模型的优化目标。
[0104]
步骤s103，构建初始种群，结合所述优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将所述非支配解集存入外部档案。
[0105]
具体地，结合模型的优化目标，通过预设的pareto支配关系，可以选出传感器节点中的非支配解集，步骤可以为预设一个限制大小的空的外部档案 ea，通过预设的多目标猴王进化算法对种群进行迭代更新，在每次迭代中利用 pareto支配关系选择出当前迭代中种群的非支配解集，并将其存入外部档案 ea，同时根据pareto支配关系和限制大小更新和调整外部档案ea，非支配解集存入外部档案ea中，外部档案ea即为模型优化目标的初步输出结果，具体的解集获取过程可以为：
[0106]
(1)设置运行参数：种群大小ps，节点数n；
[0107]
(2)构成初始种群；
[0108]
进一步详述(2)如下：
[0109]
随机生成的传感器节点序列，并判断序列中需要添加充电服务站位置，从第一个传感器节点开始，判断mv的剩余能量在为传感器节点充满电之后，是否有足够能量返回充电服务站和mv为传感器节点充满电之后，mv返回到达充电服务站的时间是否小于周期时
间，若是，则将该节点加入到当前mv的充电回路中，否则，当前mv返回充电服务站，充电服务站再派遣一个mv为该传感器节点补充能量。
[0110]
(3)计算各个个体的两个目标值；
[0111]
(4)根据pareto支配关系选择出非支配解集，并存入外部档案ea中；
[0112]
在将非支配解集存在存入外部档案ea，得到了模型的初步输出结果，还需要对初步输出结果进行迭代更新，其中，迭代更新是通过计算外部档案ea 中个体的平均距离，并根据平均距离对所述个体进行排序，根据排序的顺序从个体中选取全局最优个体，并根据全局最优个体，结合预设的迭代公式，计算全局最优个体的下一个体，根据预设的转换计算公式将全局最优个体的下一个体装换为下一种群，通过下一种群确定更新目标，通过更新目标对非支配解集进行迭代更新，具体通过预设的序列转化计算公式，计算种群的下一种群，然后将种群、全局最优个体的下一个体和种群的下一种群合并，利用预设的种群精英策略选择出新的种群的下一种群。。
[0113]
具体的步骤可以包括：
[0114]
(5)更新外部档案ea，同时调整其大小，保持多样性；
[0115]
进一步结合详述(5)如下：
[0116]
更新外部档案ea过程：如果新的种群中粒子x
i
支配ea中所有粒子，则清空ea，将粒子x
i
加入到ea中；如果粒子x
i
支配ea中部分粒子，则删除被支配的粒子，将粒子x
i
加入到ea中；如果ea中存在一个粒子支配粒子x
i
，则粒子x
i
不加入ea中。
[0117]
调整ea大小：应用动态拥挤排序方法控制ea的规模，删除一些超出ea 固定大小的粒子。记ea中包含的非支配解的个数与ea的固定大小的差为 l。如果l小于等于0不进行任何操作；如果l大于0，则依次计算ea中非支配解的拥挤距离，删除ea中拥挤距离最小的粒子，再重新计算ea中剩余的每个粒子间的拥挤距离，然后再次删除拥挤距离最小的粒子，依次重复直到从ea中删除l个粒子。
[0118]
拥挤度距离计算过程：首先，对每个目标函数对种群中的所有个体按升序进行排序，其次，将第一个和最后一个个体的拥挤度距离设为无穷大，则第i 个个体的拥挤度距离为
[0119][0120]
其中cd
i
初始化为0。f
m
[i 1]是第i 1个体的第m个目标函数值，和是集合中第m个目标函数的最大和最小值。
[0121]
(6)计算外部档案ea中所有个体的调和平均距离hd值，对hd值由大到小降序排列，从排序后中第1～s
×
0.05个非支配个体中随机选取一个作为全局最优
[0122]
进一步详述(6)如下：
[0123]
本发明中采用调和平均距离对种群个体进行全局密度估计，在个体两两之间欧氏距离计算的基础上进行二次距离计算，利用种群中所有个体之间的距离信息精确衡量每个个体在全局范围内的拥挤程度，从而有效避免少数“极值解”或“偏远解”对个体拥挤程度的影响，对第i个个体x
i
有：
[0124][0125]
其中，hd(x
i
)是第i个个体的调和平均距离，主要用来评估相对于第i个个体的拥挤程度，s取值为s
‑
1，即，个体x
i
的密度估计考虑种群中除自身外所有个体的影响，由此在一定程度上提高拥挤距离的精确性，提升目标空间中个体间疏密远近程度的测量精度，以促进种群多样性的提升。s为ea中个体的数量，对hd值由大到小降序排列，从排序后中第1～s
×
0.05个非支配个体中随机选取一个作为全局最优。
[0126]
(7)根据汉明距离概念和2
‑
opt算子计算公式获得
[0127][0128][0129]
其中
[0130][0131]2‑
opt算子计算过程：在行向量中随机选取两个位置i和k,。其次，将两个位置之间的节点序列反转获得新的序列，本发明中以的值作为运行2
‑ꢀ
opt算子的次数。
[0132]
(8)设计一种序列转换方法计算公式获得
[0133][0134]
结合图1进一步详述(8)如下：
[0135]
序列转换方法主要包括：首先路径(即矩阵中行向量)转换成序列，其次序列与序列之间直接进行矩阵间四则运算，然后对矩阵中每个序列进行预处理，最后再把序列转换成路径(sequence
‑
to
‑
path)。
[0136]
路径转换成序列的过程：第一步：生成一个顺序列表，它的范围为从1到路径长度值；第二步，遍历路径中每个元素，当遍历一个元素时，查找这个元素在顺序列表中的索引位置，用一个空的列表记录下这个位置，然后从顺序列表里面剔除这个元素；第三步，以此类推直到遍历完路径中每个元素，产生的新的列表即为序列，下面通过一个例子来说明。
[0137]
在进行序列转换成路径前需要对序列进行一些预处理操作：遍历序列中的每个元素，如果该元素值大于等于零，或者小于等于序列的长度减一后的值，则该元素值不变；如果该元素值小于零，则该元素值变为零；如果该元素的值大于等于序列的长度减一后再减该元素在列表中的索引位置值后的值，则该元素值变为序列的长度减一后再减该元素在列表中的索引位置值后的值。
[0138]
序列转换成路径的过程：第一步：生成一个顺序列表，它的范围为从1到路径长度值；第二步：遍历序列中每个元素，当遍历一个元素时，以该元素为索引位置，查找其在顺序列表中对应的元素值，用一个空的列表记录下这个元素值，然后从顺序列表里面剔除这个
元素；第三步，以此类推直到遍历完路径中每个元素，产生的新的列表即为路径，下面通过一个例子来说明。
[0139]
(9)将和合并，利用种群精英策略选择出新的
[0140]
step1.将第g代中产生子代和与父代合并组成种群大小为 3ps。
[0141]
step2.因为父代和子代中有一定量的相同个体，如果这些相同个体被同时选进新的父代种群，那么在目标函数空间中会出现各目标函数值和染色体编码均相同的个体，将会影响种群多样性，因此算法对于重复的粒子们只保留一个，如果新的父代的种群规模小于ps，则对于其他重复个体，进行变异产生不同的个体并判断是否与中个体重复，若出现重复，则继续变异，若没有重复，则将变异个体加入重复变异和添加步骤，直至的种群规模大于等于ps。
[0142]
step3.对进行非快速支配排序，产生一系列非支配集z
i
(i＝1，2...)。
[0143]
step4.按照非支配集从低到高顺序依次放入新的父代种群中。直到放入某一层z
i
时,的大小超出种群规模ps的限制时，对z
i
中的个体使用拥挤度比较算子,取前{len(z
i
)
‑
(len(z
i
)
‑
ps)个个体,使个体数量达到ps。
[0144]
另外，在本实施例中，通过下表对算法中的参数进行定义：
[0145][0146][0147]
步骤s104，检测所述迭代更新的次数，当所述迭代更新的次数达到预设次数后，输出所述外部档案作为所述路径规划模型的输出结果。
[0148]
具体地，检测上述迭代更新的次数是否达到预设次数，当迭代更新的次数达到预设次数后，说明模型已达到最优的路径规划结果，输出支配解集，路径规划结束。
[0149]
本发明实施例提供的一种传感器网络中可充电移动小车路径规划方法，获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据周期性充电特性和数据请求构建多个移动小车的路径规划模型；根据周期性充电特性和数据请求获取多个移动小车对应
的时间总和，并计算多个移动小车剩余能量的标准差，将时间总和和标准差的最小化划为优化目标；构建初始种群，结合优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将非支配解集存入外部档案；检测迭代更新的次数，当迭代更新的次数达到预设次数后，输出外部档案作为路径规划模型的输出结果。这样能够保证传感器网络的寿命，并且进行合理的路线规划，也能减少移动小车调度的成本。
[0150]
图2为本发明实施例提供的一种传感器网络中可充电移动小车路径规划装置，包括：获取模块s201、计算模块s202、选取模块s203、输出模块s204，其中：
[0151]
获取模块s201，用于获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据所述周期性充电特性和数据请求构建多个移动小车的路径规划模型。
[0152]
计算模块s202，用于根据所述周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将所述时间总和和标准差的最小化划为优化目标。
[0153]
选取模块s203，用于构建初始种群，结合所述优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将所述非支配解集存入外部档案。
[0154]
输出模块s204，用于检测所述迭代更新的次数，当所述迭代更新的次数达到预设次数后，输出所述外部档案作为所述路径规划模型的输出结果。
[0155]
在一个实施例中，装置还可以包括：
[0156]
第二获取模块，用于将所述移动小车的调度过程分为初始调度周期和一般调度周期，获取所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间；。
[0157]
调整模块，用于根据所述移动小车在所述一般调度周期内，在传感器节点的充电时间、数据收集时间和行驶时间；，调整所述初始调度周期的充电功率和数据收集速率。
[0158]
第二计算模块，用于结合所述一般调度周期的充电时间和数据收集时间以及初始调度周期的充电功率和数据收集速率，计算传感器节点的电源最长生存时间和数据最长缓冲时间，得到所述周期性充电特性和数据请求对应的时间总和。
[0159]
在一个实施例中，装置还可以包括：
[0160]
第三获取模块，用于获取预设的约束条件以及所述时间总和和标准差的计算公式。
[0161]
限制模块，用于通过所述约束条件对所述计算公式进行数值限制，将所述计算公式的计算结果作为所述优化目标。
[0162]
在一个实施例中，装置还可以包括：
[0163]
设置模块，用于设置所述移动小车对应算法的运行参数，并通过所述运行参数构成初始种群。
[0164]
第三计算模块，用于计算所述初始种群中每个个体的所述优化目标的目标值。
[0165]
选择模块，用于通过所述目标值，结合pareto支配关系选出当前迭代中所述种群的非支配解集。
[0166]
在一个实施例中，装置还可以包括：
[0167]
更新模块，用于通过所述外部档案的规模对所述非支配解集的大小进行调整。
[0168]
在一个实施例中，装置还可以包括：
[0169]
第四计算模块，用于计算所述外部档案ea中个体的平均距离，并根据所述平均距离对所述个体进行排序，根据排序的顺序从所述个体中选取全局最优个体。
[0170]
第五计算模块，用于根据所述全局最优个体，结合预设的计算公式，计算所述全局最优个体的下一个体。
[0171]
迭代更新模块，用于根据预设的转换计算公式将所述全局最优个体的下一个体转换为下一种群，通过所述下一种群确定更新目标，通过所述更新目标对种群进行迭代更新。
[0172]
关于传感器网络中可充电移动小车路径规划装置的具体限定可以参见上文中对于传感器网络中可充电移动小车路径规划方法的限定，在此不再赘述。上述传感器网络中可充电移动小车路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0173]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口 (communications interface)303和通信总线304，其中，处理器301，存储器 302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据周期性充电特性和数据请求构建多个移动小车的路径规划模型；根据周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将时间总和和标准差的最小化划为优化目标；构建初始种群，结合优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将非支配解集存入外部档案；检测迭代更新的次数，当迭代更新的次数达到预设次数后，输出外部档案作为路径规划模型的输出结果。
[0174]
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom， read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0175]
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取传感器网络中的周期性充电特性与传感器节点的数据请求，根据周期性充电特性和数据请求构建多个移动小车的路径规划模型；根据周期性充电特性和数据请求获取对应的时间总和，并计算多个移动小车剩余能量的标准差，将时间总和和标准差的最小化划为优化目标；构建初始种群，结合优化目标，对初始种群进行迭代更新，并通过预设的pareto支配关系在迭代更新过程中选出种群的非支配解集，并将非支配解集存入外部档案；检测迭代更新的次数，当迭代更新的次数达到预设次数后，输出外部档案作为路径规划
模型的输出结果。
[0176]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0177]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0178]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。