本发明属于通信领域,方法尤其是涉及具有能量采集的通信系统以及用于能量采集型无线传感网络的低存储自适应传输调度方法。
背景技术:
当前,无线传感器网络已经广泛部署用于物联网,包括环境控制,对象跟踪,健康监控等。然而,这些普遍的无电缆传感器节点通常受到由于感测和无线通信的有限能量的约束。为此,当前已经提出能量收集技术,作为应对无线传感器网络中的能量消耗的解决方案。具体来说,传感器节点由环境能量供电,例如太阳能,风能,热电功率和射频功率。由于数据到达和能量获得的随机性,为了保证无线传感器网络中的传输可靠性,系统管理能量供应是很有必要的。
技术实现要素:
为了克服能量采集型无线传感网络传输调度方式存在的能量到达的间歇性的不足,为了保证无线传感器网络中的传输可靠性,本发明提供了一种适用于能量采集型无线传感网络的低存储自适应传输调度方法,最大化长期平均传输收益,系统管理能量供应,每个传感器节点只需要有限的容量去存储一些最佳阈值来实现能量管理。
本发明解决其技术问题所采取的技术方案是:
一种适用于能量采集型无线传感网络的低存自适应储传输调度方法,所述方法包括以下步骤:
1)在由一对发射机和接收机组成的时隙能量收集通信系统中。将时间间隔[t,t+1)表示为时隙t,其中t属于正整数;假设发射机在时隙t具有的数据包个数为dt,具有的能量包个数为et;在每个时隙中,允许发射机通过精确消耗一个能量包来发送最多一个数据包。假设数据缓冲器大小和能量存储容量分别为d和e;能量收集系统状态(dt,et)的稳态空间被定义为:
{(i+1,0),(1,1),(1,j+1):i=1,2,…,d,j=1,2,…,e}(1)
其中,式中各参数定义如下:
d:数据缓冲器大小;
e:能量存储容量;
2)为传输调度策略解出能量采集传输系统的期望收益,期望收益g为:
式中:
其中,各参数定义如下:
p(i,j):发送器内有i个数据包和j个能量包的稳态概率;
λe:能量包到达概率;
d:数据缓冲器大小;
e:能量存储容量;
3)如果将收益阈值vth(1,j)更改为v′th(1,j),并保持剩下的收益阈值不变,就得到了新的期望收益g′,同时当收益阈值v′th(1,j)大于vth(1,j)时,期望收益差δ(1,j)大于0,当收益阈值v′th(1,j)小于vth(1,j)时,期望收益差δ(1,j)小于0,期望收益差δ(1,j)为:
式中:
4)与步骤3)类似,对于剩下的系统状态(i,1),计算出相应的期望收益差δ(i,1):
式中:
5)假设每一个收益阈值只能变成它所相邻的收益值,在多次迭代调整后,期望收益将会收敛于最佳,将
步骤5.1:为所有的系统状态(i,1)和(1,j)计算出相应的期望收益差
步骤5.2:对于每一个系统状态(i,j),当
步骤5.3:得出新的收益阈值vth(i,j)后,对所有的系统状态(i,1)和(1,j)计算出相应的新的期望收益差
本发明的技术构思为:首先,由于数据到达和能量获得的随机性,在每个瞬时间有不同的数据和能量存储状态,为了最大化长期平均传输收益,基于这些不同的系统状态,提出了一个阈值策略来安排数据传输和管理已获得的能量,通过分别地考虑数据存储状态和能量存储状态,对于每一个收益阈值vth(i,j)计算出相应的期望收益差
本发明的有益效果主要表现在:基于阈值的低存储自适应传输调度策略通过安排数据传输和管理已获得的能量计算出最佳阈值,每个传感器节点只需要有限的容量去存储一些最佳阈值来实现能量管理,最大化了长期平均传输收益,保证了无线传感器网络中的传输可靠性。
附图说明
图1是系统状态示意图。
图2是计算最佳阈值的方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1和图2,一种能量采集型无线传感网络的自适应低存储传输调度方法,实行该方法能最大化长期平均传输收益,保证无线传感器网络中的传输可靠性。本发明基于不同的系统状态(如图1所示),提出了一个阈值策略来安排数据传输和管理已获得的能量,通过分别地考虑数据存储状态和能量存储状态,对于每一个收益阈值vth(i,j)计算出相应的期望收益差
1)在由一对发射机和接收机组成的时隙能量收集通信系统中。将时间间隔[t,t+1)表示为时隙t,其中t属于正整数。假设发射机在时隙t具有的数据包个数为dt,具有的能量包个数为et。在每个时隙,允许发射机通过精确消耗一个能量包来发送最多一个数据包。假设数据缓冲器大小和能量存储容量分别为d和e。能量收集系统状态(dt,et)的稳态空间被定义为:
{(i+1,0),(1,1),(1,j+1):i=1,2,…,d,j=1,2,…,e}(1)
其中,式中各参数定义如下:
d:数据缓冲器大小;
e:能量存储容量;
2)为传输调度策略解决能量采集传输系统的期望收益,期望收益g为:
式中:
其中,各参数定义如下:
p(i,j):发送器内有i个数据包和j个能量包的稳态概率;
λd:数据包到达概率;
λe:能量包到达概率;
d:数据缓冲器大小;
e:能量存储容量;
3)如果将收益阈值vth(1,j)更改为v′th(1,j),并保持剩下的收益阈值不变,就得到了新的期望收益g′。当收益阈值v′th(1,j)大于vth(1,j)时,期望收益差δ(1,j)大于0,当收益阈值v′th(1,j)小于vth(1,j)时,期望收益差δ(1,j)小于0,期望收益差δ(i,j)为:
式中:
4)与步骤3)类似,对于剩下的系统状态(i,1),计算出相应的期望收益差δ(i,1):
式中:
5)通过上述的方法分析,提出了一个实现方案并假设每一个收益阈值只能变成它所相邻的收益值。在多次迭代调整后,期望收益将会收敛于最佳,将
步骤5.1:为所有的系统状态(i,1)和(1,j)计算出相应的期望收益差
步骤5.2:对于每一个系统状态(i,j),当
步骤5.3:得出新的收益阈值vth(i,j)后,对所有的系统状态(i,1)和(1,j)计算出相应的新的期望收益差