一种面向任务的多移动充电车调度方法

1.本发明涉及无线可充电传感器网络技术领域，具体为一种面向任务的多移动充电车调度方法。


背景技术：

2.近年来，基于强磁共振的无线能量传输技术被认为是延长无线可充电传感器网络中传感器寿命的一项突破性技术。无线可充电传感器网络的传感器是通过没有导线连接进行充电而构成的无线传感器网络。每个传感器都有接收装置，可以接受无线充电器传递电量。电磁波受周围影响较小，所以避免了潜在的安全隐患，例如电线因为老化而漏电，网络更加健壮和安全。
3.目前，由于充电器的数量通常是有限的，在大型区域下，将所有传感器都覆盖充电器是不可行的。在此情况下，移动可充电无线传感器网络可以大大降低充电器部署成本，其应用于为无线传感器网络中的传感器充电，定期调度移动充电车辆，使网络能够永久运行。但以目前的研究，无法从移动成本和充电成本考虑去实施效果，容易造成在实际运行中的资源浪费，因此如何考虑移动可充电无线传感器网络中的面向任务的充电调度问题，同时考虑可充电设备的移动成本和充电成本，在有限的能量约束下最大化充电效用是一个亟需解决的问题。


技术实现要素：

4.鉴于上述存在的问题，提出了本发明。
5.因此，本发明解决的技术问题是目前无法同时从移动成本和充电成本考虑去实施效果，容易造成在实际运行中的资源浪费、易损耗的问题。
6.为解决上述技术问题，本发明提供如下技术方案：一种面向任务的多移动充电车调度方法，包括：获取并确定无线可充电传感器及充电车位置和性能参数，依据获取的参数建立无线可充电传感器网络模型；设定移动可充电设备的充电效用函数；形式化面向任务的充电调度问题；最大化传感器充电的效用之和，更新效用最大的路径和小车集合。
7.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，获取并确定无线可充电传感器位置及性能参数，包括，设定为一个给定的完全无向图，其中，为基站，为传感器集合，为兴趣点集合,其中，每个传感器监控一个兴趣点，执行随机事件捕获任务，每个兴趣点被至少一个传感器所覆盖，传感器之间，以及传感器与基站之间都存在一条边，设边的集合为
；监控同一个兴趣点的传感器类型是一致的，监控同一个兴趣点被充电的传感器集合为，中的传感器的电池容量均为，感知功率均为。
8.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，获取并确定充电车位置和性能参数，包括，调度辆充电小车为中的传感器提供充电服务，辆小车集合表示为：设辆充电小车类型不同，传感器和之间的边权重为，表示移动充电小车在传感器和之间的旅行能耗；其中，表示传感器和之间的距离，为小车移动单位距离的能耗，小车在传感器集合中传感器的充电能耗为，为车辆的充电效率，，移动充电小车的电池容量为。
9.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述建立无线可充电传感器网络模型，包括，定义表示移动充电小车的充电路径；其中是小车在路径中除了基站服务的传感器数量；小车在路径中的能耗为；其中，每辆移动充电小车的路径中的能耗不能超过其能量约束，即。
10.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述设定移动可充电设备的充电效用函数，包括，设每个兴趣点随机事件到达的时间符合泊松分布，令一个兴趣点在时间间隔内到达的随机事件个数为；根据泊松分布的概率函数可知，其中，为兴趣点随机事件的到达强度；对于传感器集合中的传感器，其监控兴趣点为，用表示能够覆盖兴趣点的且被充电的传感器数量；
令兴趣点的效用为，其中，为中的传感器的电池容量, 为中的传感器的感知功率，为传感器集合中每个传感器充电的效用为：其中，且属于即：。
11.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述形式化面向任务的充电调度问题，包括，给定一个图；设定问题为在图中为辆小车找到条传感器不相同的路径；目标为在有限的能量约束下最大化所有路径的充电效用之和，表示为：其中，表示是不同于的一个小车。
12.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述最大化传感器充电的效用之和，包括，令已经找到路径的小车集合为，已经找到的路径集合为，已经找到的路径数量为；初始化；对于所述给定的图，构造个辅助图，其中，用于寻找移动充电小车的路径；图中边的权重为；对于任意一条路径，用表示路径的成本也就是边权重之和，；并对已经找到的路径数量为进行判断。
13.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所
述判断包括，若已经找到的路径数量大于，则调度结束，返回已经找到的路径集合为。
14.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述判断还包括，若已经找到的路径数量小于，则将当前已经找到了条路径表示为；令表示充电小车的路径，且；对所有的，通过单路径效用最大算法在图中找到一条起点和终点同为s路径，使得路径的效用最大化，且满足；所述图中每个传感器的服务效用为：；其中，属于；选择一条效用最大的路径，对应小车为，即：；更新已经找到的路径集合，更新已经找到路径的小车集合，更新已经找到的路径数量，并返回执行所述对已经找到的路径数量为进行判断的步骤。
15.作为本发明所述的面向任务的多移动充电车调度方法的一种优选方案，其中，所述单路径效用最大算法，包括，a1：令当前路径已经找到了个传感器，当前路径中已经找到的传感器集合为，初始化当前的路径；a2：判断当前路径的成本是否超过能量约束，若则执行步骤a3，否则已找到效用最大的路径，算法结束；a3：设定所有的传感器，计算边际效用表示为：其中，属于；根据旅行商问题的最近邻算法分别计算与；
其中，表示在集合中的传感器用旅行商问题的最近邻算法计算得到的路径成本，则传感器的边际成本为；a4：选择一个边际效用与边际成本比值最大的传感器，即：；a5：判断路径成本是否超过能量约束，若未超过，则将该传感器加入当前路径，并执行步骤a6；否则，算法结束；a6：根据旅行商问题的最近邻算法得到遍历中所有传感器的最短闭合路径，更新当前已经选取的传感器数，并返回继续执行步骤a2。
16.本发明的有益效果：本发明提供一种面向任务的多移动充电车调度方法，能够将事件监测和无线充电紧密联系起来,形式化面向任务的充电调度问题，最大化传感器充电的效用之和；提出了面向任务的充电调度算法，该算法满足计算有效性和较好的近似比，且使用多辆移动充电器，可以满足大规模无线传感器网络的工作。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本发明一个实施例提供的一种面向任务的多移动充电车调度方法的整体流程图；图2为本发明一个实施例提供的一种面向任务的多移动充电车调度方法中的网络模型结构示意图；图3为本发明一个实施例提供的一种面向任务的多移动充电车调度方法中的多移动充电车调度方法流程图；图4为本发明一个实施例提供的一种面向任务的多移动充电车调度方法中的单路径效用最大算法流程图。
具体实施方式
18.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
19.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以
采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
20.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
21.实施例1参照图1、图3、图4，为本发明的一个实施例，提供了一种面向任务的多移动充电车调度方法，包括：s1：获取并确定无线可充电传感器及充电车位置和性能参数，依据获取的参数建立无线可充电传感器网络模型；更进一步的，获取并确定无线可充电传感器位置及性能参数，包括，设定为一个给定的完全无向图，其中，为基站，为传感器集合，为兴趣点集合,其中，每个传感器监控一个兴趣点，执行随机事件捕获任务，每个兴趣点被至少一个传感器所覆盖，传感器之间，以及传感器与基站之间都存在一条边，设边的集合为；监控同一个兴趣点的传感器类型是一致的，监控同一个兴趣点被充电的传感器集合为，中的传感器的电池容量均为，感知功率均为。
22.更进一步的，获取并确定充电车位置和性能参数，包括，调度辆充电小车为中的传感器提供充电服务，辆小车集合表示为：设辆充电小车类型不同，传感器和之间的边权重为，表示移动充电小车在传感器和之间的旅行能耗；应说明的是，因为充电小车类型不同，因此具有不同的旅行能耗和充电能耗，需要明确不同的旅行能耗。
23.其中，表示传感器和之间的距离，为小车移动单位距离的能耗，小车在传感器集合中传感器的充电能耗为，为车辆的充电效率，，移动充电小车的电池容量为。
24.更进一步的，建立无线可充电传感器网络模型，包括，定义表示移动充电小车的充电路径；其中是小车在路径中除了基站服务的传感器数量；
小车在路径中的能耗为；其中，每辆移动充电小车的路径中的能耗不能超过其能量约束，即。
25.s2：设定移动可充电设备的充电效用函数；更进一步的，设定移动可充电设备的充电效用函数，包括，设每个兴趣点随机事件到达的时间符合泊松分布，令一个兴趣点在时间间隔内到达的随机事件个数为；根据泊松分布的概率函数可知，其中，为兴趣点随机事件的到达强度；应说明的是，监控同一个兴趣点的传感器越多，则捕获到随机事件的概率越大，但是其边际效用是递减的，而使用的充电小车越多，则能够被充电的传感器就越多，为了提高传感器捕获随机事件的能力，需要调度多辆移动充电小车为传感器无线充电，因此设定以下传感器表示方式：对于传感器集合中的传感器，其监控兴趣点为，用表示能够覆盖兴趣点的且被充电的传感器数量；令兴趣点的效用为，其中，为中的传感器的电池容量, 为中的传感器的感知功率，为传感器集合中每个传感器充电的效用为：即：。
26.应说明的是，这个函数描述了同一个兴趣点覆盖范围内的被充电的传感器越多，则充电获得的边际效用就越小，也就是说此函数鼓励访问监控新的兴趣点的传感器，每条路径的效用为路径上每个传感器的效用之和，即。
27.s3：形式化面向任务的充电调度问题；更进一步的，形式化面向任务的充电调度问题，包括，给定一个图；设定问题为在图中为辆小车找到条传感器不相同的路径；目标为在有限的能量约束下最大化所有路径的充电效用之和，表示为：
其中，表示是不同于的一个小车。
28.应说明的是，约束（2）确保车辆的路径的成本不大于车辆的电池容量，约束（3）确保各个路径中的传感器不相同，即任意2个不同的小车的路径是彼此不相交。
29.s4：最大化传感器充电的效用之和，更新效用最大的路径和小车集合。
30.更进 一步的，最大化传感器充电的效用之和，包括，令已经找到路径的小车集合为，已经找到的路径集合为，已经找到的路径数量为；初始化；对于给定的图，构造个辅助图，其中，用于寻找移动充电小车的路径；图中边的权重为；对于任意一条路径，用表示路径的成本也就是边权重之和，；并对已经找到的路径数量为进行判断。
31.更进一步的，判断包括，若已经找到的路径数量大于，则调度结束，返回已经找到的路径集合为。
32.更进一步的，判断还包括，若已经找到的路径数量小于，则将当前已经找到了条路径表示为；令表示充电小车的路径，且；对所有的，通过单路径效用最大算法在图中找到一条起点和终点同为s路径，使得路径的效用最大化，且满足；图中每个传感器的服务效用为：；
选择一条效用最大的路径，对应小车为，即：；更新已经找到的路径集合，更新已经找到路径的小车集合，更新已经找到的路径数量，并返回执行对已经找到的路径数量为进行判断的步骤。
33.更进一步的，单路径效用最大算法，包括，a1：令当前路径已经找到了个传感器，当前路径中已经找到的传感器集合为，初始化当前的路径；a2：判断当前路径的成本是否超过能量约束，若则执行步骤a3，否则已找到效用最大的路径，算法结束；a3：设定所有的传感器，计算边际效用表示为：；根据旅行商问题的最近邻算法分别计算与；其中，表示在集合中的传感器用旅行商问题的最近邻算法计算得到的路径成本，则传感器的边际成本为；a4：选择一个边际效用与边际成本比值最大的传感器，即：；a5：判断路径成本是否超过能量约束，若未超过，则将该传感器加入当前路径，并执行步骤a6；否则，算法结束；a6：根据旅行商问题的最近邻算法得到遍历中所有传感器的最短闭合路径，更新当前已经选取的传感器数，并返回继续执行步骤a2。
34.实施例2参考图1-图4，本实施示例提供了一种面向任务的多移动充电车调度方法的应用场景，如图2所示，以最大化所有充电设备的充电效用之和为目标，求解多移动充电小车的调度方案； 无线传感器网络中面向任务的多移动充电车调度方法包括以下步骤，具体如图3：s1：获取并确定无线可充电传感器及充电车位置和性能参数，依据获取的参数建
立无线可充电传感器网络模型，过程如下：为了延长传感器网络的寿命，调度2个移动充电小车从基站出发，访问选定的部分传感器，在传感器所在位置对传感器进行无线充电，在完成充电任务后返回基站。
35.令为一个给定的完全无向图；其中为基站，要充电的传感器集合，为兴趣点集合，其中传感器1和2监控兴趣点1，传感器3监控兴趣点2。
36.要调度2辆充电小车为中的传感器服务，2辆充电小车类型不同，因此具有不同的旅行成本和充电成本，传感器和之间的边权重为，表示移动充电小车在传感器和之间的旅行成本，其中表示传感器和之间的距离，为小车移动单位距离的能耗。车辆在传感器集合中的传感器的充电能耗为：。
37.每个充电小车的信息如表1所示：表1：充电小车信息表传感器之间的距离和需求电量信息如表2所示：表2：传感器之间的距离和需求电量信息表计算可得：用表示2辆小车集合，表示移动充电小车的充电路径，其中是小车在路径中除了基站服务的传感器数
量。车辆在路径中的成本为中的成本为，其中，用表示移动充电小车的电池容量，每辆移动充电小车的路径不能超过其能量约束，即。令。
38.s2：确定移动可充电设备的充电效用函数，过程如下：假设每个兴趣点随机事件到达的时间符合泊松分布，令一个兴趣点在时间间隔内到达的随机事件个数为，根据泊松分布的概率函数可知，其中为兴趣点随机事件的到达强度，在本实例中。
39.对于每个传感器，假设其监控兴趣点为，令兴趣点的效用为，假设监控同一个兴趣点的传感器为同质的，即传感器的电池容量与能耗均相同，那么为每个传感器充电的效用即为，在本实例中，在本实例中。这个函数描述了同一个兴趣点覆盖范围内的被充电的传感器越多，则充电获得的边际效用就越小，也就是说此函数鼓励访问监控新的兴趣点的传感器。
40.s3：形式化面向任务的充电调度问题，过程如下：给定一个图，本发明研究的问题是如何调度多辆移动充电小车为无线可充电传感器网络中的传感器充电，也就是在图中为2辆小车找到2条路径，每条路径都是从基站出发最后回到基站，每条路径的效用为路径上每个传感器的效用之和，即。其中每个传感器只能由一个移动充电小车提供服务，每个传感器监控一个兴趣点，每个兴趣点有随机事件到来，传感器执行随机事件捕获的任务，目标是在有限的能量约束下提高传感器执行随机事件捕获任务的能力，最大化总体的充电效用。本发明将此问题称为面向任务的充电调度问题，可以形式化为如下表达式：约束（2）确保车辆的路径的成本不大于车辆的电池容量，约束（3）确保
各个路径中的传感器不相同。
41.s4：最大化传感器充电的效用之和，更新效用最大的路径和小车集合。
42.令移动充电小车的集合为，已经找到路径的小车集合为，已经找到的路径集合为，已经找到的路径数量为。对于给定的图，首先构造2个辅助图，其中用于寻找移动充电小车的路径，图中边的权重为，对于任意一条路径，用表示路径的成本也就是边权重之和，。
43.当前已经找到的路径数量，继续执行。
44.根据单路径效用最大算法分别在图中找到一条起点和终点同为s路径，使得路径的效用最大化，且满足。图中每个传感器 的服务效用为。
45.计算可得。
46.选择一条效用最大的路径，对应小车1。
47.更新已经找到的路径集合，更新已经找到路径的小车集合，更新已经找到的路径数量，并返回执行对已经找到的路径数量为进行判断的步骤。
48.本实施例中，重复执行步骤s4可以得到小车1对应的路径为，小车2对应的路径为。
49.进一步的，以图为例，单路径效用最大算法的如图4，具体步骤如下：a1：当前路径中已经找到的传感器集合为，初始化当前的路径；a2：当前路径的成本没有超过能量约束，继续执行；a3：对所有的传感器；计算其边际效用；根据旅行商问题的近似算法分别计算与，表示在集合
ꢀꢀ
中的传感器用旅行商问题的近似算法计算得到的路径成本，则传感器的边际成本为；计算可得
；a4：选择一个边际效用与边际成本比值最大的传感器1；a5：路径成本，没有超过小车电池能量40，将该传感器加入当前路径；a6：根据旅行商问题的最近邻算法得到遍历中所有传感器的最短闭合路径，更新当前已经选取的传感器数，继续执行步骤a2；本实施例中，重复执行步骤a2—a6，得到路径。
50.进一步的，假设单路径效用最大算法近似比为，步骤s4的面向任务的充电调度算法的近似比为：证明：假设此问题存在一个最优解为，令这条最优路径的集合为，即，同时。算法输出的条路径的集合为，其中步骤：更新已经找到的路径集合中，执行了次时得到的前条路径的集合为，即。假设算法当前已经得到了路径，对于任意的，，用表示当前图中边际效用最大的路径，即，假设算法中调用单路径效用最大算法近似比为,故，因此有：对于任意的和 ，且，有：
那么有：从而可得：
综上，s4整体方法所得解的效用如下：最后一个不等式用到了数学不等式，因此证明了步骤s2面向任务的充电调度算法的近似比。
51.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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。