大规模多任务传感网中面向移动数据收集的辅助充电方法

1.本发明涉及大规模多任务传感网中面向移动数据收集的辅助充电方法，属于无线传感器网络技术领域。


背景技术：

2.无线传感器网络(wireless sensor networks，wsns)作为物联网的一项核心技术，在过去的时间里取得了长足的发展。对于面向周期性数据收集的wsns应用(例如环境监测)，如何高效地从传感器节点获取数据是一个关键问题。通常，监控区域中的每个传感器节点周期性地感知本地数据，然后通过单跳或多跳路径将其转发到基站。尽管如此，这样的传统数据收集模式在大规模多任务无线传感器网络(large-scale multitask wireless sensor networks，lsm-wsns)中可能会产生较低的效率。在lsm-wsns中，大量的传感器节点部署在一个较大的监测区域中，并且每个节点负责执行多个任务(例如温湿度感知任务、光强感知任务、音频收集任务、图像收集任务、视频收集任务等)，在这种情况下，传统数据收集模式在数据传输上可能需要花费更多的能量消耗，这是因为大规模多任务的场景(即较大面积的监控区域，大量的传感器节点，具有较大数据量的复杂任务)可能会导致数据传输出现更高的数据包冲突概率，尤其是在恶劣的监测环境中。
3.许多典型的面向周期性数据收集的应用(例如环境监测)通常要求传感器节点部署在难以更换设备的恶劣环境中，同时要求网络系统具有较长的运行周期。因此，尽可能延长此类应用的网络生存期具有非常重要的意义。移动数据收集是延长lsm-wsns网络生存期的一种有效的数据收集方式。通过让传感器节点在本地存储感知数据并且周期性地调度移动收集器(移动小车或无人机)以移动-停留结合的方式从网络中主动收集数据，可以极大地延长网络生存期，这是因为传感器节点只需要局部地将感知数据传递给移动收集器，大大降低了数据传输的能耗。虽然移动数据收集模式可能会带来数据时延的增加，但对于周期性数据收集应用而言是可以容忍的，这是因为周期性数据收集应用在实际中通常都是对数据延迟不敏感的。尽管如此，在大规模多任务场景下，移动收集器由于其电池容量有限有可能会出现电力短缺的问题，即移动收集器有限的电池容量可能无法满足其较长距离移动和较大数据量收集所带来的能耗需求，从而导致其在一个数据收集周期结束之前就耗尽电量。通过在数据收集点部署无线充电器来补充移动收集器的电量是解决电力短缺问题的一种可行方案，但是这种方案会带来额外的充电器部署成本。因此，如何在保证网络中多个移动收集器能够持续供能的前提下优化这种充电器部署成本是一个重要且具有挑战性的问题。


技术实现要素：

4.本发明所要解决的技术问题是：提供一种大规模多任务传感网中面向移动数据收集的辅助充电方法，通过在数据收集点以经济的方式选择性地部署无线充电器来解决移动收集器的电力短缺问题，相比于其他启发式方法，在充电器部署成本方面具有显著优势。
5.本发明为解决上述技术问题采用以下技术方案：
6.大规模多任务传感网中面向移动数据收集的辅助充电方法，所述方法针对大规模多任务传感网，通过以最小的充电部署成本在候选数据收集点部署无线充电器对移动收集器提供辅助充电服务，使得网络中的各移动收集器能够持续不断电地执行各自的周期性数据收集任务，其中每个移动收集器的电池容量有限且其在每个数据收集周期内经过预先确定的数据收集点收集任务数据，具体包括如下步骤：
7.步骤1，针对大规模多任务传感网中面向移动数据收集的无线充电器最小成本部署辅助充电目标问题，构建基于电容约束的0-1整数规划模型；
8.步骤2，将基于电容约束的0-1整数规划模型等价转换为无电容约束的0-1整数规划模型；
9.步骤3，对无电容约束的0-1整数规划模型进行冗余约束剪枝；
10.步骤4，构造非负且单调非递减的子模函数，将冗余约束剪枝后的0-1整数规划模型转换为等价的最小成本子模覆盖优化模型；
11.步骤5，基于步骤4构造的子模函数，采用贪婪策略迭代式地选出部署无线充电器的数据收集点位置，从而得到最终的解决方案。
12.作为本发明的一种优选方案，所述步骤1的具体过程如下：
13.步骤11，给定网络中的候选数据收集点集合s＝{s1,s2,...,sn}和用户终端集合u＝{u1,u2,...,um}，设定每个移动收集器mci从对应的用户终端ui出发，周期性地经过一系列预先确定的数据收集点收集任务数据，路径为其中和ki分别表示移动收集器mci在一个数据收集周期内经过的第j个数据收集点和在一个数据收集周期内经过的数据收集点数量，j∈{1,...,ki}，i∈{1,...,m}；用τi和分别表示移动收集器mci在其经过的任意数据收集点的停留时间和数据收集能量消耗率，并假设如果在数据收集点部署无线充电器，则移动收集器mci在的停留时间内将以固定的充电接收功率pr进行充电；
14.步骤12，定义ei(l
p
,lq)为移动收集器mci从位置l
p
移动到位置lq的能量消耗，并用和分别表示移动收集器mci在每个数据收集周期内到达数据收集点时的剩余能量和离开数据收集点时的剩余能量；对于任意移动收集器mci，定义其电池容量为ci且初始为满电量状态，并且假设其在每个数据收集周期结束后将会回到用户终端oi，补充满电能后再准备下一个周期的数据收集；则表达为：其中表示是否在数据收集点部署一个无线充电器的0-1二元决策变量，表示部署，表示不部署，且
[0015][0016]
步骤13，为了保证大规模多任务传感网中每个移动收集器能够持续不断电地执行
各自的周期性数据收集任务，需要满足每个移动收集器在其离开经过的数据收集点时的剩余能量能够支持它移动到下一个数据收集点，即对于任意移动收集器mci必须满足和对于任意数据收集点s∈s，用c(s)表示在s部署一个无线充电器的成本，则目标问题是如何确定0-1二元决策变量x(s1),x(s2),...,x(sn)以最小化充电器部署成本从而保证网络中每个移动收集器能够持续不断电地执行各自的周期性数据收集任务；因此，将目标问题建模成如下基于电容约束的0-1整数规划模型：
[0017][0018][0019]
其中，
[0020]
作为本发明的一种优选方案，所述步骤2的具体过程如下：
[0021]
步骤21，定义为mci在其子路径中可能发生电池容量溢出的数据收集点的序列数的集合，即且mci可能会在其经过的任意数据收集点发生电池容量溢出，对于每一个mci，通过如下方法获取：首先，初始地设置然后，在假设每个候选数据收集点都部署充电器的情况下依次判断mci在经过其路径上的每一个数据收集点时的电池容量是否溢出，j∈{1,...,k
i-1}，若溢出，则将序列数j分别加入集合中；
[0022]
步骤22，定义为无电容约束假设下移动收集器mci从离开时到离开时的期间内的总能量增益，即将基于电容约束的0-1整数规划模型等价转换为如下无电容约束的0-1整数规划模型：
[0023][0024]
作为本发明的一种优选方案，所述步骤3的具体过程如下：
[0025]
步骤31，将无电容约束的0-1整数规划模型中的约束1整数规划模型中的约束通过展开变换为等价的通过展开变换为等价的
形式，由于任意将等价表达为其中表示一个已知的二元系数，并且当且仅当一定存在f∈{k 1,k 2,...,j}以使得定义整数系数定义整数系数因此，将无电容约束的0-1整数规划模型中的约束变换为如下形式：
[0026]
步骤32，基于步骤31中变换的约束形式，识别出无电容约束的0-1整数规划模型中的冗余约束集合，任意一个约束是冗余约束当且仅当如下任意一个条件满足：1)约束中的β
ijk
≤0；2)至少存在一个其它约束以使得且βi′j′k′
≥β
ijk
，其中，其中
[0027]
步骤33，将步骤32中识别出的冗余约束集合从所有约束中移除，无电容约束的0-1整数规划模型进一步表达为：
[0028][0029][0030]
其中，nc表示经过冗余约束剪枝后所有约束的数量，任意表示一个已知的0-1二元系数，任意βr表示一个已知的正整数系数。
[0031]
作为本发明的一种优选方案，所述步骤4的具体过程如下：
[0032]
步骤41，定义一个有限集合e＝{1,2,...,n}，对于任意集合定义一个非负且单调非递减的子模函数f(
·
):2e→
n如下：
[0033][0034]
步骤42，基于子模函数f(
·
)，将冗余约束剪枝后的0-1整数规划模型转换为等价的最小成本子模覆盖优化模型如下：
[0035][0036]
作为本发明的一种优选方案，所述步骤5的具体过程如下：
[0037]
步骤51，初始地设置
[0038]
步骤52，从集合e\t
*
中贪心地选择一个最优元素x
*
，使得，使得的值达到最大，然后更新集合t
*
＝t
*
∪{x
*
}；
[0039]
步骤53，重复步骤52，直到对于所有元素x∈e\t
*
都有f(t
*
∪{x})＝f(t
*
)成立为止；
[0040]
步骤54，对于任意t∈e，若t∈t
*
，则设置x(s
t
)＝1；若t∈e\t
*
，则设置x(s
t
)＝0，即最终部署无线充电器的数据收集点集合为s
*
＝{s
t
|t∈t
*
}。
[0041]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0042]
1、本发明可以广泛应用于大规模多任务传感网中采用多个移动数据收集器周期性执行数据收集任务的应用场景，通过在数据收集点以最小成本部署无线充电器，为多个具有数据收集任务的移动收集器提供能量供应，使得移动数据收集器可以持续运行，其中每个移动数据收集器周期性地以固定路线行驶。
[0043]
2、本发明证明了其可以达到一个有效的理论性能近似比，并且通过大量仿真实验表明，本发明相比于其他启发式方法，在充电器部署成本方面具有显著优势。
[0044]
3、本发明具有一定的应用普适性，可以适用于移动收集器异构以及数据收集点部署成本异构等一般性场景，同时具有一定的可扩展性。
附图说明
[0045]
图1是本发明的流程图；
[0046]
图2是本发明实施例中的网络模型示意图。
具体实施方式
[0047]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0048]
本发明提供了一种大规模多任务传感网中面向移动数据收集的辅助充电方法，流程图如图1所示，应用于由多个数据收集点和多个用户终端组成的无线传感器网络中，其中每个用户终端利用一个移动收集器沿着一个经过预先确定的数据收集点的移动路径执行周期性数据收集任务。本发明考虑如何在数据收集点以最小成本部署充电器使得所有移动收集器可以持续运转，具体包括以下步骤：
[0049]
(1)针对大规模多任务传感网中面向移动数据收集的无线充电器最小成本部署辅助充电问题，构建基于电容约束的0-1整数规划模型；具体包括以下步骤：
[0050]
(11)：给定网络中的候选数据收集点集合s＝{s1,s2,...,sn}和用户终端集合u＝{u1,u2,...,um}，假设每个移动收集器(移动小车或者无人机)mci从对应的用户终端ui出发，周期性地经过一系列预先确定的数据收集点收集任务数据，路径为其中和ki分别表示移动收集器mci在一个数据收集周期内经过的第j个数据收集点和在一个数据收集周期内经过的数据收集点数量。用τi和分别表示移动收集器mci在其经过的任意数据收集点的停留时间和数据收集能量消耗率(这里，由于每个移动收集器mci在其经过的所有数据收集点收集相同类型的任务数据，因此mci在其经过的每个数据收集点进行数据收集的停留时间可以设置为相同的τi)，并假设如果在数据收集点部署无线充电器，则移动收集器mci在的停留时间内将以固定的充电接收功率pr进行充
电。
[0051]
(12)：定义ei(l
p
,lq)为移动收集器mci从位置l
p
移动到位置lq的能量消耗，并用和分别表示移动收集器mci在每个数据收集周期内到达数据收集点时的剩余能量和离开数据收集点时的剩余能量。对于任意移动收集器mci，定义其电池容量为ci且初始为满电量状态，并且假设其在每个数据收集周期结束后将会回到用户终端ui，补充满电能后再准备下一个周期的数据收集。由于移动收集器有限的电池容量可能会导致其在任意部署了充电器的数据收集点充电后的能量发生溢出(overflow)，因此可以表达为：为：其中表示是否在数据收集点部署一个无线充电器的0-1二元决策变量(表示部署，表示不部署)，且
[0052][0053]
(13)：为了保证大规模多任务网络中每个移动收集器能够持续不断电地执行各自的周期性数据收集任务，需要满足每个移动收集器在其离开经过的数据收集点时的剩余能量能够支持它移动到下一个数据收集点，即对于任意移动收集器mci必须满足和对于任意数据收集点s∈s，用c(s)表示在s部署一个无线充电器的成本，则问题目标是如何确定0-1二元决策变量x(s1),x(s2),...,x(sn)以最小化充电器部署成本从而保证网络中每个移动收集器能够持续不断电地执行各自的周期性数据收集任务。因此，目标问题可以建模成如下基于电容约束的0-1整数规划模型：
[0054][0055][0056]
其中，定义
[0057]
(2)将基于电容约束的0-1整数规划模型等价转换为无电容约束的0-1整数规划模型；具体包括以下步骤：
[0058]
(21)：定义为mci在其子路径中可能发生电池容量溢出的数据收集点的序列数的集合，换句话说，即且mci可能会在其经过的任意数据收集点发生电池容量溢出。对于每一个mci(i∈{1,...,m})，可以通过如下方法获取：首先，初始地设置然后，在假设每个候选数据收集点都部署充电器的情况下依次判断mci在经过其路径上的每一个数据收集点
时的电池容量是否溢出，若溢出，则将序列数j分别加入集合中。
[0059]
(22)：定义为无电容约束假设下移动收集器mci从离开时到离开时的期间内的总能量增益，即建模如下无电容约束的0-1整数规划模型：
[0060][0061][0062]
(23)：通过证明步骤(13)中基于电容约束的0-1整数规划模型和步骤(22)中无电容约束的0-1整数规划模型具有相同的可行解空间范围，可以证明步骤(13)中基于电容约束的0-1整数规划模型本质上等价于步骤(22)中无电容约束的0-1整数规划模型。
[0063]
(3)对等价转换后的0-1整数规划模型进行冗余约束剪枝；具体包括以下步骤：
[0064]
(31)将无电容约束0-1整数规划模型中的约束1整数规划模型中的约束通过展开变换为等价的通过展开变换为等价的形式。由于任意因此可以等价地表达为其中表示一个已知的二元系数，并且当且仅当一定存在f∈{k 1,k 2,...,j}以使得为了便于表达，定义整数系数因此，无电容约束0-1整数规划模型中的任意约束可以变换为如下形式：
[0065]
(32)：基于步骤(31)中变换的约束形式，识别出无电容约束0-1整数规划模型中的冗余约束集合。这里，任意一个约束是冗余约束当且仅当如下任意一个条件满足：1)约束中的β
ijk
≤0；2)至少存在一个其它约束以使得且βi′j′k′
≥β
ijk
，其中，其中
[0066]
(33)：将步骤(32)中识别出的冗余约束集合从所有约束中移除，无电容约束0-1整数规划模型可以进一步表达为：
[0067][0068][0069]
其中nc表示经过冗余约束剪枝后所有约束的数量，任意表示一个已知的0-1二元系数，任意βr表示一个已知的正整数系数。
[0070]
(4)通过单调递增子模函数构造，将冗余约束剪枝后的0-1整数规划模型转化为等价的最小成本子模覆盖优化模型；具体包括以下步骤：
[0071]
(41)：定义一个有限集合e＝{1,2,...,n}，对于任意集合定义一个函数f(
·
):2e→
n如下：
[0072][0073]
可以证明f(
·
)是一个非负且单调非递减的子模函数。
[0074]
(42)：基于子模函数f(
·
)，构建如下的最小成本子模覆盖优化模型：
[0075][0076][0077]
(43)：可以证明步骤(33)中的无电容约束0-1整数规划模型等价于步骤(42)中的最小成本子模覆盖优化模型。
[0078]
(5)基于构造的子模函数，采用贪婪策略迭代式地选出部署无线充电器的数据收集点位置，从而得到最终的解决方案；具体包括以下步骤：
[0079]
(51)：初始地设置
[0080]
(52)：从集合e\t
*
中贪心地选择一个最优元素x
*
，使得，使得的值达到最大，然后更新集合t
*
＝t
*
∪{x
*
}。
[0081]
(53)：重复步骤(52)，直到对于所有元素x∈e\t
*
都有f(t
*
∪{x})＝f(t
*
)成立为止。
[0082]
(54)：对于任意t∈e，若t∈t
*
，则设置x(s
t
)＝1；若t∈e\t
*
，则设置x(s
t
)＝0。也就是说，最终部署无线充电器的数据收集点集合为s
*
＝{s
t
|t∈t
*
}。
[0083]
如图2所示，网络中共有4个候选数据收集点s1,s2,s3,s4和2个用户终端u1,u2，两个移动收集器mc1,mc2分别从用户终端u1,u2出发，其中mc1每个数据收集周期内的移动路线为《u1,s1,s2,s3,u1》，mc2每个数据收集周期内的移动路线为《u2,s2,s3,s4,u2》，即假设移动收集器电池容量c1＝c2＝c＝4，移动收集器mc1在每个经过的数据收集点停留时间τ1＝2，移动收集器mc2在每个经过的数据收集点停留时间τ2＝1，移动收集器在数据收集点的充电接收功率pr＝2。不难发现，移动收
集器mci在数据收集点的停留时间内能获得的充电电量为其中，是一个二元决策变量，当且仅当在数据收集点部署充电器。假设任意移动收集器mci在数据收集点进行数据收集所产生的能量消耗率则移动收集器mci在任意数据收集点的数据收集能耗为为了简单且不失一般性，假设任意移动收集器mci从任意数据收集点移动到下一个数据收集点的移动能量消耗为一个固定值e，且设定e＝1。为了保证每个移动收集器在网络中能够持续进行周期性数据收集，需要满足每个移动收集器在其路线上离开每个数据收集点时的剩余能量能足够移动到下一个数据收集点，即移动收集器mci离开数据收集点时的能量大于等于移动能量消耗e。进一步地，假设在每个候选数据收集点si部署充电器的成本c(si)均固定为1。根据步骤(11)至步骤(13)，可以构造得到如下基于电容约束的0-1整数规划模型：
[0084]
min c(s1)x(s1) c(s2)x(s2) c(s3)x(s3) c(s4)x(s4)
[0085]
s.t.
[0086][0087][0088][0089][0090][0091][0092]
根据步骤(21)中的方法，可以计算得到根据步骤(21)中的方法，可以计算得到接着根据步骤(22)，可以将上述基于电容约束的0-1整数规划模型转化为如下等价的无电容约束0-1整数规划模型：
[0093]
min c(s1)x(s1) c(s2)x(s2) c(s3)x(s3) c(s4)x(s4)
[0094]
s.t.
[0095]
c-e-τ1 prτ1x(s1)≥e
[0096]
c-e-τ1 prτ1x(s1)-e-τ1 prτ1x(s2)≥e
[0097]
c-e-τ1 prτ1x(s2)≥e
[0098]
c-e-τ1 prτ1x(s1)-e-τ1 prτ1x(s2)-e-τ1 prτ1x(s3)≥e
[0099]
c-e-τ1 prτ1x(s2)-e-τ1 prτ1x(s3)≥e
[0100]
c-e-τ1 prτ1x(s3)≥e
[0101]
c-e-τ2 prτ2x(s2)≥e
[0102]
c-e-τ2 prτ2x(s2)-e-τ2 prτ2x(s3)≥e
[0103]
c-e-τ2 prτ2x(s2)-e-τ2 prτ2x(s3)-e-τ2 prτ2x(s4)≥e
[0104]
将上述无电容约束0-1整数规划模型代入具体数值，并根据步骤(31)至步骤(33)，可以得到经过冗余约束剪枝后的如下模型：
[0105]
min x(s1) x(s2) x(s3) x(s4)
[0106]
s.t.
[0107]
x(s1) x(s2)≥1
[0108]
x(s1) x(s2) x(s3)≥2
[0109]
x(s2) x(s3)≥1
[0110]
x(s2) x(s3) x(s4)≥2
[0111]
给定一个有限集合e＝{1,2,3,4}，对于任意集合根据步骤(41)，定义函数f(
·
):2e→
n如下：
[0112][0113]
可以证明这是一个非负且单调非递减的子模函数。基于该子模函数，可以构建出如步骤(42)中所示的最小成本子模覆盖优化模型。
[0114]
根据步骤(51)，初始地设置
[0115]
根据步骤(52)和步骤(53)，首先从集合e\t
*
＝{1,2,3,4}中贪心地选择一个最优元素x
*
以使得的值达到最大，通过计算比较得到x
*
＝2，然后更新集合t
*
＝t
*
∪{x
*
}＝{2}；接着，继续从集合e\t
*
＝{1,3,4}中贪心地选择一个最优元素x
*
以使得的值达到最大，通过计算比较得到x
*
＝3，然后更新集合t
*
＝t
*
∪{x
*
}＝{2,3}。此时发现对于e\t
*
＝{1,4}中的所有元素，满足f(t
*
∪{1})＝f(t
*
)＝6以及f(t
*
∪{4})＝f(t
*
)＝6，因此迭代过程终止，最终得到t
*
＝{2,3}。
[0116]
根据步骤(54)，可以得到x(s2)＝x(s3)＝1，x(s1)＝x(s4)＝0，即s
*
＝{s2,s3}。因此，该实施例的最终解决方案是在数据收集点s2和数据收集点s3部署无线充电器。
[0117]
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。