文摘
因为无线传感器网络(网络)low-constrained电池,优化网络的生命周期是一个主要的挑战。充电电池是解决延长传感器节点的生命周期,而不是限制他们的节能功能。无线能量发射器的好处提供充电器的电池传感器网络中传感器节点。然而,安排一个或多个充电车辆高效充电多个传感器节点是具有挑战性的。在这种背景下,本文提供了一个解决方案给传感器节点使用充电车辆调度轮通过一个复杂的线性规划方法。起初,我们确定一个启发式的价值基于他们的残余能量,每个传感器节点距离收取车辆,提供数据包,其他指标。此外,一组节点被识别的最佳充电充电车辆延长他们的寿命,以及整个网络的生命周期。我们使用Python模拟器,模拟该方法使用不同的性能指标进行了测试,并比较使用最近出版的作品。我们注意到的优越性能提出了网络在各种指标在时间和查询驱动下工作。
1。介绍
无线充电的传感器节点(SNs)传感器网络(WRSNs)可充电电池,可以充电,延长他们的寿命1]。有几种方法在文献中给传感器节点,如使用能量收集技术、battery-equipped无人机(uav) (2),太阳能panel-equipped SNs和充电站之间网络(3,4]。通过最近的进步,最有前途的方法之一是无线能量发射器(湿)。一般来说,湿配备车辆充电车辆(CV),计划在SNs网络充电而不影响其拓扑障碍(5]。简历配有电池的无限能量(由于能量收获),它充电网络中节点旅行时。主要简历访问一组点称为锚点(APs)这是一个希望距离的一组节点充电平行。有几种方法在文献中确定一组最优的APs,与他们的好处和局限性6- - - - - -8]。这些方法也为简历中遍历指定路径网络。
在大规模的网络,它不容易安排一个简历给整个网络,因为充电一个节点比数据收集过程需要很长时间(9]。所以它需要不止一个的简历介绍充电要求或一组节点网络。增加收费的数量也将增加部署成本,但较低数量的CVs不能解决问题(10,11]。挑战是确定的最佳设置CVs,提高充电效率,延长网络生命周期。因此,有必要提供一个有效的算法选择最佳数量的CVs充电能量要求SNs因为缺乏文献。当网络中的多个简历,安排解决充电的目的是很困难的。所以,这进一步挑战分配一组充电要求特定的简历。有几种方法在文献中,但他们不是动态的,和许多技术使用随机或启发式策略12,13]。
请求和CVs的调度问题是解决使用整数编程(MIP)方法。之前,我们确定的权重SN的SNs取决于各种因素,包括其残余能量、距离充电器或基站,可用的数据包。使用这个重量,MIP应用于识别最好的简历可以快速高效地处理请求充电。有了这个动力,我们提出了一个动态的简历通过湿充电调度方法来延长寿命WRSNs传感器节点。
总体而言,该MLPCV战略的贡献总结如下:(1)我们提出一个启发式策略来分析每个传感器节点的能量状态和可持续性的网络,每个节点分配一个权重值(2)混合线性规划策略是用来确定合适的充电车辆,可以将充电一组有效的传感器节点(3)提出工作评估的性能在不同的场景和指标使用现有的充电车辆调度方法
本文的组织结构如下:最近出版的充电器的调度算法进行了分析2。系统模型和问题陈述定义部分3。建议MLPCV算法部分4随着说明性的例子。这一节还分析MLPCV的复杂性。仿真结果进行了讨论,商议中5。最后,部分6结论本文未来的范围。
2。相关工作
我们找到几个在文学作品使用WET-based移动车辆充电网络中的传感器节点。本节分类之前的作品分为两类基于CVs中使用他们的作品的数量,例如一个或多个CVs。我们最近的总结和相关作品在这一节中他们的好处和挑战。
2.1。单独的充电汽车
简历可以为一个或多个请求覆盖在哪里充电比最长的传感器节点的可持续性主要目标(14]。这种方法提供了高效的充电调度和增加连接,进一步帮助有效的数据路由。在网络聚类是一种常见的方法,而这一策略是用来充电的SNs网络使用太阳能。节点的效率和可持续性增加在这种方法延长寿命。类似地,可以喝et al。15)使用一个集群机制来识别有效的美联社访问所需的简历给节点。简历的路径是至关重要的在这种方法中,但这工作不适合大规模网络。斯等人的充电器效用最大化(16使用启发式策略)。这种方法有效的CV效用最大化而平衡的能量之间的社交网络。
确定一个有效的网络路径的简历是一个具有挑战性的任务,而江et al。17关注这一问题的方式。高效的锚点确定给多个节点和服务收费请求在一个单独的实例。它需要时间来恢复一个SN,直到电池充满。考虑到这些挑战,介绍了部分充电策略(18与遗传方法和多属性决策系统)。这种方法平衡和同时处理多个请求,维持的时间越长,可见性的节点。充电可伸缩性进行了优化(19简历的效率最大化。多个SNs同时充电(20.),调度决定基于SNs的残余能量。在[21),使用层次聚类方法确定最优集群调度网络的简历为最大请求服务。因为这种方法的计算复杂度很高,这不是可行的大规模网络。
根据需要收费,按需简历调度策略提出了(22]充电一生更多的节点来维持时间越长。在[23),多个battery-filled传感器节点用于取代SNs,这与他们的电池是至关重要的。然而,这是昂贵的替代SNs的数量和不安全。它为所有的应用程序也不是可行的。深入强化学习是一种有效的分类和学习方法,以及这种方法的好处是网络用于充电的节点24]。这种方法是使用部分充电策略,网络的生命周期是长的小轮。这种方法比其他方法也需要很高的计算资源。提出了一种协作的充电策略(25),作者主要集中在建立一个最佳旅游的简历。在这种方法中,最优充电点是决定适合大规模网络。
从上面的讨论,我们确定了几种算法在文献中使用一个充电汽车充电网络中传感器节点。然而,这些方法都局限于有限的小型网络社交。大规模网络部署和无限的SNs同时接收多个请求。处理这种情况下是不可能与单个车辆收费。
2.2。多个充电汽车
新战略确定理由收取节点以及从CVs的当前位置充电网络的节点提出了(21]。但识别所需的最佳设置CVs网络服务请求有效并不确定。传统的push-shuttle-back方法充电服务网络在大规模的请求。这种策略是有效和便宜的但不是最优的。另一个充电请求服务算法(26使用更多的CVs,这种方法在传统算法效率达到1%。然而,这种方法还未能确定最优的CVs可以网络请求。电磁radiation-based充电算法轮为(27]。,TSP方法用于简历路线给节点,但这种方法还未能确定最优的CVs可以解决问题履历成本降到最低。在[28),一生增强通过简历提出大规模网络。与其他传统方法不同,这种方法确定最佳的CVs可以解决充电网络中的请求。然而,这种方法计算高也不是最优的。
报道意图,简历中提出了大规模网络调度方法(29日]。在这个策略,确定SNs能源有限,优先充电保持网络的连通性和避免漩涡问题。在[30.),群体智慧是用来安排多个CVs在网络。在这,APs识别最初,然后,CVs将基于APs充电网络中的节点。然而,这种方法未能决定恢复所需的最佳数量的CVs所请求的网络节点。控制CVs的速度是一个关键的挑战,并解决在31日使用近似算法。不过,这种方法没有效率和最佳的选择了APs在网络。在[32),一个整数规划方法用于安排CVs在大规模网络。不过,这种方法未能选择最好的CVs覆盖整个网络。
CVs ring-wandering方法用于安排多个充电SNs网络在大规模部署提出了(33]。这种方法是有效地平衡SNs的能量和延长它们的寿命。然而,性能得到了改进,但未能确定最优数量的CVs来控制成本。还使用了一个聚类算法在多个简历安排在34使用统计方法和启发式公式)。这种方法有效地确定了APs在网络和控制调度,但它不提供简历的最优数量。在[35),一个最优的CVs决心补充能量的SNs网络。然而,这种方法未能产生最优路线的CVs和充电效率。在[36),混合metaheuristic策略是用于服务收费请求通过提供最优调度。这种方法有效地找到最佳的APs和路线给节点。虽然这是有效的,它需要更多的计算资源运行算法,而是不可行的,因为限制了网络资源。
我们注意到在这个讨论中,大部分的作品使用启发式,聚类方法确定APs CVs和TSP旅行路径。同时考虑所有这些限制,我们提出了一个有效的方法来安排大规模网络中的多个CVs充电网络中的节点。它还可以决定最佳的访问点。
3所示。问题公式化和参数描述
网络显示为图的表示一组节点和边缘。的表示为节点的数量 ,在哪里是废话,意味着节点的集合。该算法是集中的,所以在执行 。因此,执行代码的计算资源是无限的。边缘识别使用他们的通信范围并表示使用 。每一个配备了容量的电池吗和缓冲能力 。的CVs表示使用的数量 。SNs是随机决定的位置使用Sah et al。37),而位于 。每个节点消耗一些能量在操作,比如从环境中获取数据或其他社交网站 ,有时,节点处于空闲状态。因此,在一个特定的时间 ,一个节点有残余的能量 。类似地,每个节点的缓冲区是忙于一些数据在数据传输期间,和一次 ,它被认为是对于一个节点 。在时间 ,电池的能量充满能力和缓冲是空的。被认为是任何SN的阈值能量吗 ,和能量发送请求当它满足条件 。更新所有的收费和缓冲能力通过控制信号 。充电请求分类并分配给CVs在拟议的工作。
简历可以迅速行动速度,充电时间是最小的。的简历在b,这是充电。SN能源消耗数据传输到CVs中所示 在哪里显示总包通过 ;方程(2)计算 ,它是距离在哪里来 ,他处理一些需要能源和放大的需求能源: 在哪里 SN的坐标吗和 是的位置。获得所需要的能量感知的数据字段 接收一个感觉到包的字段是必需的吗能量。SN的整体电子商务被认为是
在仿真时的残余能量SN被认为是
一个集群的平均剩余能量计算如下:
在充电过程中,能量收获SNs计算类似于(38]。
通过一个最佳简历调度策略与低数据损失率,提出工作旨在平衡能源SNs中。
4所示。提出MLPCV算法
拟议中的MLPCV主要包含两个模块。在第一个模块,不同的指标是用来计算每个SN的重量确定的优先级充电。基于这些重量,最优的简历被分配给节点。CVs是放置在一个网络中特定位置最高的节点权重的变化,而不是让他们在BS。结果,所有的简历都位于一个特定的SNs的距离,当他们接收请求时,他们很容易满足。的一般模型,提出了使用图工作总结1。
4.1。发现简历的初始位置和SN的重量
在本节中,我们执行两个操作包括找到的初始部署CVs和重量计算。
以下4.4.1。简历的初始位置
选择一个新的初始质心的方法是使用基于增强在这个阶段 - - - - - -意味着算法(39]。目标选择属于不同簇的质心,最远的选择以这样一种方式,它们是不同的和相互不同。因此,更多的重心将会共享相同的集群SNs。因此,数据点的机会从不同质心在同一集群是最大化。这将导致显著减少执行时间。算法1解释该简历的详细的伪代码初始位置选择方法。
|
||||||||||||||||||||||
起初,我们需要决定使用CVs的数量在一个特定的环境。这是决定基于 。一次决定,选择两个位置(和 )基于以下几点:
剩下的位置选择CVs使用
这一过程迭代直到位置是确定的,所有的CVs最初定位在这些位置。此外,我们计算每个SNs的重量在随后的部分。
4.1.2。SN重量计算
重量计算是一个重要的指标,可以用来选择充电器可以充电的节点之前消耗整个电源。在这种背景下,我们生成启发式公式计算每个SN的重量。它使用不同的指标如距离SNs CVs,启发式信息,和缓冲能力随着能量信息。最初,我们估计一个概率值所示 在哪里 是一个简历的能耗率。和启发式信息,是波长,整流器的效率。所有这些值是常数。SNs中显示的重量
正如我们所知,大部分的指标用于方程(9)和(10在此期间)的动态变化。这过程迭代后每单位时间注意到CVs节点距离的变化,剩余能量,等等。所以,更新后的重量提供给充电车辆调度算法,确定最好的简历给SNs。
4.2。充电车辆调度
一旦体重计算所有节点 完成后,我们开始分配合适的CVs使用充电器车辆调度方法。这个算法决定每个SN充电要求的合适的简历根据剩余能量和距离,而类似的方法实现对雾环境由Hazra et al。40]。权重矩阵构造为设备分配的大小 ,SNs的被认为是在列的行和CVs考虑。的条目是价值,它是一个非负的启发式重量为一个节点 考虑一个简历 ,所示,它是计算方程(10)。使用这些信息,我们生成一个调度矩阵 ,这个矩阵的每个条目是一个或零。相关的值意味着一个SN分配给充电电池的简历。生成的主要对象是最小化
这个计划的主要目标是延长网络的生命周期,而平衡的能量SNs选择最好的简历给一个节点。充电器车辆调度使用以下步骤为一组特定分配一个简历,SNs或者单个SN使用以下步骤。
步骤1。安排所有的SN权重在提升(不减少的)等 ,在哪里显示每个元素。
步骤2。采取最低为一个元素在行和列在升序每行和每列包含至少一个条目。
步骤3。改变这些条目与的根据方程(12)所示:
步骤4。从简历列有最少的0,安排所有的社交网络有价值。
第5步。重复步骤4直到所有的传感器节点被分配至少一个简历。
这个过程重复充电的SNs网络直到数据聚合过程中断。
4.3。插图
充电车辆调度方法是使用一个简单的示例演示了通过考虑十节点和六充电车辆如图2。一般来说,十传感器节点,一个简历是足够了,但我们的目的是展示该算法是如何工作的。最初,所有的加权信息计算使用方程(10)存储在如图2(一个)。接下来,我们确定每个条目的行列基于nondecreases和替换的条目如图2 (b)。我们填写的过程由行和列一个接一个,直到所有行和列包含至少一个条目,根据每个条目。我们开始填充一个接一个等级 ,和所有的行和列包含至少一个元素后填充排名22如图2 (c)。现在,我们使用方程(12)和替换所有的条目使用零没有条目和替换与之关联的值每一个排名,如图2 (d)。给高优先级最少的零在一个专栏中,我们现在可以将每个任务分配给资源的步骤4充电器的车辆调度方法。我们需要找到最高的行数零年代,我们注意到从图2 (d),我们需要找到最高的行数等零 , ,和 。所以,我们分配合适的简历等这两个社交网站 , ,和 如图2 (e)。此外,所有零替换使用 ,和分配CVs所取代如图2 (f)。下一个最高0被发现 ,和 ,我们为这些节点分配合适的简历,并突出显示在图2 (g)。如果不止一个充电器相关联,我们优先闲置充电器,因为充电需要更多的时间。根据这一原则,可以分配给 ,它可以表示成 。同样的,当检查 ,有两种可能性,我们可以考虑任何一个。打破了领带,我们可以选择升序排序,所以被分配给 ,它变成了 。我们重复这个过程,直到所有的节点访问,最后分配如图2 (h),也就是说, , , , , ,和 。
(一)矩阵
(b)矩阵的行列
(c)中直到每行和每列包含至少一个值
(d)与每个等级相关联的值
(e)分配SNs的简历充电
(f)分配SNs的简历充电
(g)分配SNs的简历充电
(h)最终每个节点分配给一份简历
4.4。复杂性研究
提出MLPCV方法的时间复杂度主要在两个分区:工作简历初始位置选择以及每个SN的重量计算和调度的CVs充电所请求的节点。所需的时间来执行初始简历位置使用 - - - - - -意味着需要 ,和重量计算需要约 ,在哪里 。所需要的时间大约是时间表 。总MLPCV给请求的节点的复杂性 。由此,MLPCV是渐近的复杂性 ,这是比现有的简历调度方法。然而,拟议中的MLPCV比其他现有方法如CSCT M2C和SPSS。
5。模拟研究
实验使用Python的模拟器(v3.11.0)。SNs的多种多样以及区域的大小进行实验在两个不同的场景。我们认为1000年至1600年作为节点的数量,并根据Sah部署et al。37]。简历电池容量是194.4 kJ,其类型是啊LiFePO 12 V 4.54可充电电池。总认为运行实验模拟时间是10小时或100网络周期。同样,包一代也跟着从这种方法。实验期间的面积大小600平方之间的变化。米和1000平方米。位于 在所有的实验和两个场景。数据包生成和接收和传输需要0.05 mJ, 0.02 mJ,分别和0.02 mJ的能量。通信和传输距离是15米和12米,分别。TDMA协议作为MAC层协议,和MQTT用作应用程序层协议(41]。每单位时间产生大约四包在实验。最初SN的电池充满,这大约是8 kJ。如果低于10%的电量是可用的,假设需要50分钟完全充电。简历是1米/秒的速度,大约,消耗在运动或独立55 W / s。
5.1。平均收取延迟
平均收取延迟(ACD)是时间中的所有CVs WSN充电要求SN之前完全消耗能源。SNs是具有挑战性的追踪,因为简历不接触他们,直到他们完全排干。包括一个旅行时间,以及其他请求排队的充电。在两种情况下,包括区域的大小和SNs的数量,计算网络的每个节点的平均成本。旅行推迟和队列大小与面积大小和节点数量增加。为了模拟这两个变量,我们考虑。
图3(一个)情节SNs不同的结果从1000年到1600年的1000平方。米的区域。我们确定了SNs降低了ACD的不断增加,因为更多的请求节点的队列。所以,一般来说,很难提供所有可用的节点使用CVs。我们注意到的ACD WSN大约12分钟结束后的10个小时的模拟时间在拟议中的MLPCV方法中,这是最好的与现有的技术相比。同样,现有CBCT导致延迟约18分钟,M2C导致大约23分钟,和SPSS算法结果在37分钟平均延迟。所以,我们至少可以宣称该工作结果延迟其他技术。在图3 (b),我们认为不同的面积大小,如600平方。m 1000平方。同时考虑1000 SNs的随机网络中的部署。固定数量的传感器和一个更大的区域,SNs较低比密集部署传感器节点通信负担。因此,最大限度地减少不必要的数据传输,降低能源消耗。因此,有一个减少请求的数量收取1600 SNs在1000平方。米区域导致平均延迟时间为12分钟,和M2C结果的延迟时间大约15分钟。18秒的延迟是SPSS所使用的算法,使用和21秒延迟J-RCA算法。
(一)
(b)
5.2。数据包接收率
基于数据包的数量,系统中的每个传感器节点生成的计算。总共由基站接收的数据包数量在仿真时间(42]。随着网络传输数据包,数据包接收率(PRRs)直接成正比的吞吐量。有直接相关性PRR手段和系统的性能。
在两种情况下,包括不同数量的SNs,提出MLPCV方法评估PRR性能如图4(一)和PRR和仿真时间如图4 (b)。而不同数量的SNs在1000年至1600年之间,MLPCV总是导致最高性能比现有算法在图4(一)。类似于MLPCV算法,检测到PRR 1000 SNs不断处理,结果绘制在图4 (b)。很明显的情节MLPCV执行比现有算法如M2C, SPSS, J-RCA。拟议的工作应该改进现有算法在PRR方面,所以我们强烈同意这个假设。
(一)
(b)
5.3。残余能量
数据收集操作的网络是可持续的,任何传感器节点的剩余能量必须高于零。增加网络的再保险导致更长的寿命由于更高的再保险。
我们比较之间的平均重新提出在数据和现有的工作5(一个)和5 (b)。在SNs从1000年到1600年的1000平方。米面积和图5(一个),平均从图可以确定。简历已经访问了,充电后,任何传感器节点的剩余能量增加。因为它可以获得更高的请求数量从各种各样的来源网络,在这种情况下,SNs的残余能量减少而增加SNs的数量。100周期的1600传感器节点平均4.7854 kJ M2C和SPSS,但是对于J-RCA 2.3654 kJ。我们提出一个算法平均5.96547 kJ,比现有的算法。
(一)
(b)
基于1000随机部署静态SNs网络图5 (b)显示了SNs的平均再保险。大面积和有限数量的SNs导致数据交换率低。因此,减少请求的接收简历,和延迟也减少了。作为奖励,传感器节点的平均再保险将减少交通拥堵。根据拟议的工作,平均是7.1337 kJ 1000 SNs在1000平方。米的区域。平均有5.3121 kJ现有M2C, SPSS和J-RCA算法,分别5.454 kJ, 4.5754 kJ, 5.4454 kJ。在这种情况下,该算法是一个重要的区别和三个现有的算法的平均再保险。
5.4。节点存活率
简历完成了循环时,节点生存率显示多少SNs幸存了下来。有大量的传感器节点在网络(SNs),面积扩展,所以不可能所有传感器节点被保存。因此,我们计算后可持续SNs移动车辆的数量完成的阈值充电周期数和收集数据。如图6(一),我们不同数量的SNs领域在1000年和1600年之间的1000平方米。通过改变600平方之间的字段长度。米和1000平方。米,我们设置了传感器节点在图10006 (b)。
(一)
(b)
图6(一)显示了NSR的提议和现有算法通过改变1000年至1600年,SNs的面积1000平方米。根据该算法,NSR是96.79%在1000个节点和100次后90.12%至1600个节点。由于现有的M2C算法,与1000年95.99%的网络部署SNs 100次后,当1600年和89.11% SNs部署。当1000 SNs网络中部署100周期,SPSS和J-RCA导致分别为85.37%和84.67%。1600年第100轮部署SNs结果在78.91%和78.01%,分别为SPSS和J-RCA算法。这些值的基础上,该算法似乎NSR高于现有算法。由于网络更好的调度,这一成就取得的。
从图6 (b),我们观察一个NSR当网络规模从600平方米扩大到1000平方米和1000静态SNs随机部署。该算法也导致NSR比现有算法,但面积大小也降低了NSR。MLPCV的第100个周期后,NSR改变从97.85%到91.12%在小面积的面积大小是翻了一倍。根据M2C、SPSS和J-RCA算法,80.61%,84.85%,和82.81%的人获得了小面积与100年完成周期,分别。M2C、SPSS和J-RCA算法产生相似的nsr 100次后1000平方米。大小,以及82.82%、80.872%、和77.53%。
5.5。充电器实用效率
由于考虑到简历在旅行期间的总能源使用,数据收集,和充电,充电器效用计算效率。
提出的线索和现有的工作方式是通过改变传感器相比在数据节点数和面积大小7(一)和7 (b),分别。我们将基于图的进步党在1000平方米7(一)。共有100个周期已经完成简历和估计的线索。数据和充电的请求也增加了随着节点数的增加。相对现有的算法,简历使用186.23 kJ 1600 SNs的100个周期完成。与其他现有的算法,J-RCA排水完全到达100周期,而M2C使用192.7 kJ,使用SPSS 199.31 kJ,等。为了充电的所有请求SPSS和J-RCA算法,需要大容量移动充电器。还有网络的可能性划分成多个部分,安排更多的CVs充电和收集数据。这个任务可以完成单个简历并及时与该工作。
(一)
(b)
我们随机部署1000静态SNs网络与网络规模变化从600平方米到1000平方米,如图7 (b)。在这种情况下,完成了100次简历。图7 (b)显示面积较大,提示是最小的网络扩展到1000平方米。结果,简历必须旅行大部分时间来收取。有必要接受各种网络部分之间旅行的简历收取请求。在现有的算法中,第100 M2C消耗196.16 kJ的循环。在组装第94和第87周期之前,SPSS和J-RCA完全耗尽他们的能量。拟议的工作比这些算法消耗更少的能量,当它达到100周期,它消耗192.22 kJ。然而,它比现有算法,但弱于少量的传感器节点。
5.6。平均服务时间
充电和收集数据的过程中,基站的简历时期了,回到车站充电和数据收集过程完成后。旅行时间、等待时间和数据收集的时间都包含在服务时间。网络中所有节点的平均来确定AST。指标更有效有较少的地方,反之亦然。
在图8,我们比较建议MLPCV AST的AST现有算法通过改变传感器的数量和大小。图8(一个)显示了估计的AST的提议和现有的工作,从1000年到1600年的600平方米的传感器节点。拟议的工作包括在1600年ast SNs在1000平方。第100米区域注意到49.68分钟后发生。M2C、SPSS和J-RCA得到57.56分钟,66.74分钟,72.47分钟,分别在现有的算法。比较该MLPCV其他算法,我们可以看到,它很快。优化调度充电器车辆有效的数据收集和充电是这个改善的主要原因。
(一)
(b)
如图8 (b),我们注意到AST因为我们随机部署1600静态SNs而不是600平方米。有更多的传感器节点随机部署,SNs的通信负担减少比密集部署传感器。通过这样做,将会有一个减少收费请求的数量,和效率将提高。不会有大的差别在AST小型和大型领域整个系统。我们的AST改变从600平方米到1000平方米,1000个传感器节点。提出工作时的ast面积600平方米和1000平方米28.51分钟,23.43分钟,分别。同样,在600平方米,根据现有的算法M2C, SPSS, J-RCA 1000 SNs处理在28.75分钟,31.15分钟,36.19分钟,分别。M2C, SPSS, J-RCA算法返回AST面积达到1000平方米在29.24,36.54,和39.142分钟。
5.7。影响链接失败
NSR表明一些SNs网络中的死亡由于缺乏充电服务。此外,一些传感器节点可能是孤立的结果对网络链接的影响。评估现有的和拟议工作的性能,有必要对这个指标进行评估。现有的传感器节点失败链接,该工作可以识别另一个中继节点。M2C重新集群机制也存在,执行的机制中继节点被分配到传感器节点的链接失败了由于失败的链接。
基于链接失败,人物9显示断开或孤立节点的数量以及分区的数量造成的失败。当分区数量大于1,这意味着一个网络分区不到达基站,但另一个网络的一部分。从图9(一个),我们注意到断开连接的网络中节点的最小数量。M2C算法的性能问题最多,直到几个小时到数据收集,然后SPSS和J-RCA算法表现不佳。因此,J-RCA算法分离出更多的节点,尽管它需要更长的时间来模拟。以及评估分区数,我们也估计有多少个分区时创建单独的节点存在。然而,拟议的MLPCV不把网络分成更多部分,而孤立的节点形式相同的组。通过这样做,基站可以连接更多的社交网络。最准确的结果往往通过J-RCA获得的。分区的数量也随着仿真时间的增加,如图9 (b)。因此,与其他机制相比,该工作维护一个更高层次的质量。
(一)
(b)
6。结论
提出了一种混合线性规划方法在大规模WSN安排充电汽车给传感器节点。方法是分为两个部分:重量为每个SN确定充电装置和秩序和调度策略的顺序请求将服务收费。最初,所有的简历都是放置在一个特定位置的网络,这是决定使用一个聪明的重心选择方法。使用启发式计算重量的公式和基于混合线性规划选择一个时间表。与现有技术相比,这种方法计算效率。对于不同的指标,MLPCV方法优于最近发布的简历调度方法。然而,这项工作取得了出色的表现,但是还需要做更多的工作在不久的将来。这是一个具有挑战性的问题,可以解决。具体地说,我们可以选择最优数量的车辆收费对于一个给定的网络节点的数量,电池类型和生成的数据。
数据可用性
所有生成的数据或分析在这学习期间生成的随机模拟。数据生成的详细信息都包含在这发表文章。
的利益冲突
没有潜在的利益冲突。