文摘
一个极其大量地理上分散的,能源有限公司传感器节点组成的无线传感器网络。这些网络的关键困难之一是他们的网络的生命周期。无线充电的传感器不断是一个技术来延长网络的寿命。为了弥补传感器节点的能量通过无线介质,手机充电器(MC)是用于无线传感器网络(WRSN)。最好设计一个充电方案,延长网络的生命周期在这种情况下是很困难的。需求导向的充电方法,使用无人机(uav)提供无线充电传感器网络。在这方面,首先,传感器被分组根据其地理位置使用k - means聚类技术。然后,借助一个模糊逻辑系统,这些集群排名的顺序优先级参数的基础上电池寿命的平均比例在传感器节点的电池、传感器的数量和关键传感器必须充电,每个集群中心之间的距离和MC充电站。然后显示无人机的位置选择关键传感器节点使用一个路由算法基于每个集群的最短和最重要的路径。值得注意的是,基于的梯度优化(GBO)算法已经应用于这项工作的星团内路由。 A case study for a wireless rechargeable sensor network has been carried out in MATLAB to assess the performance of the suggested design. The outcomes of the simulation show that the suggested technique was successful in extending the network’s lifetime. Based on the simulation results, compared to the genetic algorithm, the proposed algorithm has been able to reduce total energy consumption, total distance during the tour, and total travel delay by 26%, 17.2%, and 25.4%, respectively.
1。介绍
无线传感器网络(网络)由许多能源有限公司的传感器和几个水槽节点、传感器节点可以感知的事件,如温度、湿度和大气污染物的内容。这些功能性场景需要基础上持续工作。这些应用场景需要不断WSN来操作的。特别是,传感器网络的性能是有限的电池容量(1- - - - - -3]。增加基础上尽可能多的生命周期,许多研究者提出了各种方法。现有的报告可以分为三类,即节能(4),能量收获(5),和无线能量转移(湿)6]。
有限的一生中仍然是一个关键因素影响了网络的大规模部署。一般来说,有两种方法来解决这个问题。第一个方法是节约资源的方法,使用一个优化方法来提高系统的效率。节能方案增加传感器节点的生命周期单位通过减少能源消耗的时间和工作量。而传感器节点的能量仍然是有限的,这种方法不能从根本上解决问题。第二种方法是无线能量传输(湿)。的主要想法是电荷传感器节点使用磁共振耦合,和湿可以提供一个稳定的能源控制的权力。很有前途的湿法的帮助下,研究人员提出了一种新的无线传感器网络充电的概念(WRSNs) [7- - - - - -9]。在WRSNs,传感器节点可以通过无线充电设备带电(WCE)。因此,WCE充电时间表在WRSNs成为一个突出的问题。到目前为止,各种观点负责调度进行了调查,包括路线规划和系统性能优化10]。
WRSNs,因为多次反射数据路由通常用于发送数据从传感器节点到基站,通常靠近基站的节点消耗的能量比别人更多,导致不平衡的能源消费模式(例如,能源洞现象11])。因此,一个合理的充电调度方案,同时兼顾效率和公平应该的目的仍然是为了满足确保全球WRSN传感器节点的寿命。此外,由于充电WRSNs WCVs的能力有限,在充电计划必须考虑一些必要的元素,包括数量、运动速度、充电电源、收费范围、收费道路,和充电WCVs充电周期的每个阶段和时期。此外,充电的联合优化调度和网络协议的网络肯定会降低充电成本和进度连接,覆盖率,一生WRSNs [12- - - - - -14]。
总体框架的无线充电传感器网络,有维护站、基站(BS)、一个或多个代理或移动充电车辆(主基地)在地面或在空中,和大量的充电传感器(图1)。在这项研究中,无人机作为MCV。维护站能满足充电需求。基站收集和汇总来自传感器的传感器数据,通常没有能量限制。部署传感器后,每个传感器的位置可以确定。一组传感器用随机电池容量分布在一定范围内。传感器是分为几个集群基于他们的立场和残余能量。传感器收集数据并将其传输到集群。权力小于阈值时,每个传感器发送一个真正负责请求MCV。要求交货时间被认为是无关紧要的移动时间相比,移动充电汽车(MCV) [5]。
在这个工作中,两个问题的能源效率和传输速度被认为是收费计划。基于无线传感器网络的需求继续工作,提高寿命,本文的贡献表示如下:(我)考虑到减少充电传感器节点的能量损耗,我们寻求提供达到所有传感器节点的最短路径(2)跟踪节点的帮助下迫切需要充电时,优先选择路线提供(3)分段的方法,不同区域的WSN节点死亡的风险降低(iv)通过使用无人机收取节点和GBO算法在本文中,充电的时间延迟敏感节点减少
在目前的调查,我们主要研究无人机在WRSN路由和充电策略。部分2简要回顾了文学。我们介绍相关的概念在部分工作3。节4,详细提出了路由策略。模拟和分析了部分5。最终,节6得出结论,为进一步的工作提供建议。
2。相关工作
充电问题,无线充电传感器网络和物联网是常见的探索挑战。利用无线能量传输技术,我们有能力把电力从无线充电设备(WCE)传感器网络也提供了一个新的模型,增加了网络的生命周期。当前调查通常使用一个周期和确定性的充电过程,但有限的能源和拓扑变化等不确定性因素的影响,传感器故障可以忽略,使他们不适合真正的网络。在[15),目标是减少死亡人数传感器,虽然WCE能源的最大化利用给出的考虑其有限的能源。在这方面,群体强化学习(SRL)方法首先提出了实现WCE的自主规划能力。此外,解决搜索问题的现有不足SRL算法,该算法改进了萤火虫算法的帮助下,和一个新的充电算法,称为“群体强化学习基于萤火虫算法(SRL-FA),收费架构提出了需求。文章(16)个需求导向充电策略体现在WRSN (DBCS)。此外,在上述研究中,充电调度是开发的四种方法:聚类方法,选择充电传感器、收费路线和时间表。起初,多点改进k - means聚类算法来平衡能耗,可以分组基于位置、剩余能量,和过去的贡献。其次,根据需求,选择充电传感器充电节点的动态选择算法(DSACN)计划。第三,基于性能和效率的模拟退火(SABPE)旨在优化充电路径移动充电车辆,减少充电时间。最后,为了提高公司的效率,DBCS建议。
在[17),提出了一个新的标准称为收取报酬。这部小说将协助测量传感器的质量标准收费,然后监控手机充电器计划旨在填补传感器供应,这样总充电奖励收集的手机充电器充电的最大化。值得注意的是,总收费奖励收集的能源容量限制手机充电器和充电时间窗口的传感器。由于问题的复杂性,深入强化学习技术是利用实现的移动路径移动充电器。
在[18),一个动态收费方案(DCS) WRSN基于actor-critic强化学习(ACRL)算法。在ACRL,封闭的复发性单位(格勒乌)提出了按时间顺序记录收费行为的关系。使用一个actor-network或代理格勒乌层,可以选择所需的或近最优传感器从候选人传感器充电和加快模型的下一个目标训练。同时,旅行的长度和死亡人数传感器信号作为奖励。演员和评论家网络更新与R的函数和V标准错误。
实现稳定、可靠的能源补充通过无线充电,必须优化手机充电器的道路。因此,本文的目的(19)是提供一个收费策略和调度算法在WRSN定向无线电力传输。首先,规范收费请求的优先级,充电需求的程度是定义良好的。之后,为了避免节点能量损耗,充电器定向角选择算法是根据优先级收费。最后,它制定定向充电器部署问题转化为一个离散单元disk-covering问题并建议轨迹规划方案基于一种改进的遗传算法来优化能源充电效率。
对于无线传感器网络和物联网收费,预计无线充电设备的移动能源(WCE)有足够的能源充电之旅,每个传感器的能量放电是相同的。然而,这些假设是不现实的。实际上,WCE巡演的能量限制的能源容量WCE,和不同的传感器的能源消耗是不平衡的。在文献[20.),定期充电调度提出了移动WCE旅行有限的能量。在这种情况下,连接时间比例优化和最大化。那么这个定期充电进度保证的能量WRSN周期性变化的传感器,传感器不不断死去。为了缓解这个问题,一种混合粒子群优化遗传算法(HPSOGA)解决np难问题的建议。
在[21),提出了一个有效的算法来提高移动无线网络的生命周期。它控制用户之间的通信和传感器水槽通过求解一个简单的凸优化问题。在最近的研究中,该算法的系统性能评估了记住(1)能源存储设备通过辐射传感器受到充电的无线电力传输事件,(2)传感器移动模式随机路点,高斯-马尔可夫随机和参照群体模型被认为是,(3)传播路径损耗预测模型根据两个传感器之间的距离,能源消耗,和电荷的数量交付给传感器,和(4)充电是通过全向和定向辐射模式。重要的是,许多先前的作品不能使用WMC的全部好处,因为它开始充电时,传感器的能量水平达到阈值时,导致越来越WMC空闲时间。此外,尽管已经有使用WMC高涨的兴趣,观察网络生命周期的限制。然而,最优传感器之间共享WMC能源能保证永久的网络性能。因此,一个有效的方法的建议,共同解决这些挑战是必需的。在[22),公平的能源部门计划(联邦政府),将进行永久网络运营与优化能源共享在每个周期的开始。
在[23),一个充电调度算法提出了WRSNs定向无线电力传输。首先,充电需求程度不同来调节充电请求的优先级。然后,绕过出现的节点的能量被耗尽,充电器的定向角选择算法基于优先级设计收费。最后,它是制定定向问题的充电器部署是一个离散单元磁盘覆盖问题,提出了一个移动的路径规划方案基于一种改进的遗传算法来优化能量充电效率。仿真结果说明我们的方案的收益基准。
在[24),在WRSN WCV充电策略研究的意义不同的传感器节点的数据传输和粗糙的能源消耗。根据传感器节点的重要性,它是伴随着基站之间的距离,我们将传感器节点划分为两种类型:内圈中的传感器节点和传感器节点的外环。因此,一个新的收费模式建议采取各种充电策略不同的传感器节点。为了更有效率,WCV传感器的传感器节点把一个小圈子里,然后同时负责多个传感器节点的外循环。一个叫做正常死亡的新测量时间提出了近似网络生命周期。被建模为最小化,最大化网络的生命周期正常死亡的时间,和一个有效的算法来减少正常死亡的时间通过搜索最优充电时间序列。然后,通过调整传感器节点的充电时间,最低成本算法最小化WCV旅游距离,确保了网络的生命周期。一簇头节点与充电电池容量组织其他传感器节点在一个有限的距离。一种算法对簇头节点能源predistribution。
最新的,大量的优化方法获得减少充电的充电路径与目标成本已经有据可查的。然而,自主充电路径规划中MC可切换的网络是不考虑。文章(11)强调充电路径MC因为MC是停在每个传感器节点到传感器节点是完全充电。在目前的勘探,强化学习(RL)规定收取路线规划WRSN MC。增强MC独立,一个新的充电策略RL-based WRSNs (CSRL)根据变化的影响,提出了传感器节点的能量和位置。在[25),无线传感器网络的操作WPT无线能量传输的基础上使用移动充电车辆(MCV)提供了一个周期的永久运行网络的策略。我们的目标是降低系统的总能耗和维护网络性能。在这种背景下,根据能源消费总量的分析,提出了一种节能可再生方案(ERSVC)实现节能。在[26),使用传统的项目参考模型,能耗最低路径建立的多个充电器和电池容量规划模型。然后,创意设计和应用平衡因素。在接下来的步骤中,一种改进的遗传算法基于平衡计划的程度。
这篇文章(27]调查最低电池容量的问题对于每个传感器的正常运行在确定移动充电器的充电路径。然后,无线充电的传感器网络的参数进行了研究。在这种情况下,目标是最小化每个传感器所需的电池容量,确保无线充电的连续操作传感器能耗最小的传感器网络。减少每个传感器的电池容量,被认为是一个线性规划模型。此外,行话方法用于解决模型。
文章(28)建立了一个新的调度方案在WRSNs按需收费。首先,它提供了一个高效的网络划分方法对MCS平衡工作负载同样。此后,模糊逻辑来确定MCS充电时间表。此外,它形成一个表达式来调节充电阈值节点变化取决于他们的能源消耗。
文献[29日)关注的是按需无线充电传感器网络(WRSNs)同意继续和可持续监控和匹配目标,提供基于应用程序服务的情况下,在智能城市和环境。这项工作提出了一种标定fuzzy-metaheuristic (CFMCRS)按需WRSNs集群路由方案。拟议中的CFMCRS援助从节约资源和能源补充技术除了使用metaheuristic和模糊逻辑方法来实现角色和能量分布在节点和整个网络。它还使用一个多目标函数标准化网络与nearest-job-next抢占(NJNP)充电调度程序以满足WRSN需求在智能城市。基于仿真结果,这种策略可以延迟WRSN的一生。
无线充电传感器网络(WRSN)辅助无人机(UAV)是一种很有前途的应用程序提供一个稳定的电源充电传感器节点(SN)。创建一个路径遍历所有的无人机SNs能源消耗成本最便宜的黑客是一个重要的问题在UAV-assisted WRSN。基于这些研究在这一节中,尽管一些精确算法和启发式方法提出了,他们不能达到一个优秀的结果对大规模网络的时间和能源约束反应良好。在本文中,我们检查的无人机从一个新的角度轨迹优化问题设计的轨迹应该最大化无人机的能源利用效率。能源效率问题分解成整数规划和非凸优化问题使用无人机的最大能量。解决无人机充电位置的问题,我们加快GBO算法的性能通过限制搜索方向,初始搜索位置,搜索空间。对于这个问题,大系统分为小型网络k - means聚类的帮助下,为每个集群和路线搜索完成。
3所示。基本概念
3.1。Gradient-Based优化器(GBO)
metaheuristic算法在2020年首次Ahmadian远等人提出的解决优化问题相关的工程应用。勘探开发是两个主要步骤metaheuristic算法,旨在提高收敛速度和/或当地最佳避免算法的搜索目标时/情况。GBO管理作出相应的勘探和开发之间的权衡使用两个主要运营商:梯度搜索规则(GSR)和当地摆脱运营商(狮子座)。一个简单的介绍这个算法解释如下。
3.1.1。梯度搜索规则(GSR)
首先,GBO显示第一个GSR函数,这有助于GBO考虑随机行为优化过程中促进勘探和避免局部最优。定向运动(DM)添加到GSR,用于执行一个合适的本地搜索过程促进GBO算法的收敛速度。基于GSR和DM,下列方程用于更新当前矢量位置( )(30.,31日]。 在哪里和分别是0.2和1.2,的迭代次数,是迭代的总数。此外,是一个正态分布随机数,是一个小数量的范围(0,0.1)。可以计算使用以下关系: 在哪里 是一个n维随机数, , , ,和 ,这是完全相反的,不同的整数随机选择来自哪里 , 是一个步长由吗和 。通过替换的位置最好的向量( )与当前向量( )对方程(1),新向量( )可以生成如下:
基于位置的和当前位置( ),下一次迭代的新解决方案( )可以定义如下:
3.1.2。本地转义符(狮子座)
狮子座是第二个GBO运营商。介绍了狮子座GBO仍然有效地处理复杂的高维问题。狮子座是使用几个定义解决方案,包括最佳位置( ),解决方案和 ,两个随机的解决方案和 ,和一个新的随机生成的解决方案( )。的解决方案是由以下方案: 在哪里一个随机数在区间[1]。是正态分布的随机数,意思是0和标准偏差1,是概率, , ,和三个随机数定义如下: 在哪里是一个二进制参数值0或1。图2显示了GBO算法的流程图。
3.2。k - means聚类
事实上,k - means聚类是一个矢量量化方法最初是从信号处理和数据挖掘中聚类分析是受欢迎的。k - means聚类旨在分解观察到集群,每个观测属于集群与最接近的意思是,这意味着作为样本。
给定一组观测数据( )其中每个观测是一个采用真正的向量。k - means聚类的目的是分区观察到 集 这样的平方之和的差异意味着(即。为每个集群是最小方差)。其精确的数学定义如下: 在哪里点的均值在吗 。这相当于减少2平方偏差的点在同一集群:
自总方差是常数,它可以从法律结论的总方差方程等于最大化之间的偏差的平方分不同的集群(bcs) [33- - - - - -35]。
3.3。模糊逻辑技术
模糊图像处理可以被定义为一组的所有方法都能够理解,显示器,和处理图像,部分,作为模糊集和特性。模糊图像处理有三个基本步骤:图像模糊化,修改会员值,如果需要,图像去模糊化。模糊化的一步是归因于编码的图像数据。此外,去模糊化的解码结果。这些阶段让我们处理图像与模糊技术的机会。因此,图像数据(模糊性)的编码和解码的结果(去模糊化)是最重要的阶段,为我们提供了处理图片的能力与技巧,如图3(11,36]。
模糊图像处理的最有效的元素,它可以观察到在中间阶段,即。,by modifying the membership values that can be considered as intelligent, since these steps make the difference between the approach and the other. Fuzzy logic is characterized by a wide variety of membership functions which include triangular, trapezoidal, Gaussian, and bell membership functions. Each of them has a distinctive influence. The use of appropriate membership by fuzzy system inference increases the effectiveness of the method. This method assumes the adjacent points of pixels and then divides them into classes using the membership function [37,38]。
图像可以使用模糊逻辑技术必须转换为灰度,然后转换为隶属函数(模糊化步骤),其值可以方便地调整模糊技术。这可以被称为模糊聚类、模糊规则的方法,或模糊集成方法。实现数据的不确定性,模糊图像处理是必需的。许多基于模糊逻辑的图像处理的好处表示如下:(一)模糊技术作为主要工具,图像显示和处理(b)它可以让我们有机会处理和管理与效率默默无闻(c)模糊逻辑的概念并不复杂(d)模糊逻辑提供了巨大的灵活性(e)模糊逻辑是手术即使数据是不准确的
值得注意的是,模糊逻辑比其他人更有效,因为一切都不精确,而模糊逻辑通过考虑结构使其理解。
在一些图片处理应用程序,来处理各种类型的复杂性等对象识别和场景分析,建议利用人类的逻辑根据if - then规则可以通过模糊集合理论和模糊逻辑访问。相比之下,许多原因喜欢随机性,模棱两可,含糊不清的不确定性在图像处理结果和数据。此外,这些不确定因素对图像处理的进展产生负面影响,导致许多并发症(39- - - - - -41]。
4所示。提出工作
根据不同领域的研究在WRSN充电传感器,使用手机充电器为规划和调度带来不同的问题在关键节点需要紧急充电。目标主题的移动路径充电器。在本文中,我们使用一个无人机空中传输系统,这样我们可以减少路径等不同的城市和移动环境的树木和建筑物。我们还可以创建传感器位置之间的直接路线可靠路由。与其他手机充电器相比,无人机运动路径之间的消耗更少的能量。它也可以被放置在最接近的距离无线能量传输的传感器。因此,在这项工作中,我们考虑的移动位置附近的无人机传感器节点进行充电。这工作减少了功率和功率损失将能量从无人机到目的地的最低价值。另一个值得注意的点对无人机的使用是无人机的恒速在节点之间的路由,使路线和能源消耗更精确和简单。图4显示了无人机运动提出的策略的流程图和传感器充电。下面的步骤解释道。
4.1。确定无人机的位置
在这种情况下,位置在原点的坐标通常是考虑,沿线的决心和随后的职位,当然,我们也定义无人机充电站在原点的位置,使无人机返回到机库和充电每一段旅行。在这种情况下,它可以准备下一个课程。
4.2。检查的收费水平无人机存储旅行
在这种情况下,检查电池发生每段时期内的存储能力达到一个最佳的方法在充电站充电无人机。
4.3。集群的所有节点基于传感器的环境位置与k - means聚类的帮助
在本节中,介绍了基于集群的数量在这篇文章中,等于5,结清头寸的节点放置在一个集团或集群。
4.4。包括优先检测参数的计算
(1)在每个集群节点的数量(2)关键传感器的数量为每个集群剩余的电池容量为30%(3)在每个集群节点的平均剩余能量(4)每个集群的节点的平均距离中心的充电站
这四个参数标准化优先检测模糊逻辑系统的输入范围在0和1之间。现在,这些输入发送的隶属度函数的模糊系统,优先级是基于定义的模糊规则来完成的。
4.5。优先级确定集群的集群无人机运动路径的帮助下提出了模糊逻辑
根据各种在裁判工作。(31日- - - - - -33在这篇文章中,一个模糊系统是用来选择和按优先级排序集群。排序模糊系统的输出为每个集群计算,直到所有集群排列优先路径选择的优先级。
4.6。为每个集群内部路由
在本部分中,无人机运动的每个集群路由执行的顺序确定模糊优先。(我)确定每个集群的关键传感器节点通过限制节点的剩余能量(2)定义目标函数基于最短路径和基于剩余能量加权路径的关键传感器(3)确定目标函数的最小的帮助下GBO算法
4.7。调查延迟和能量
对于这种情况,在最后的路由,必须检查两个能量限制和延迟策略。在模型中提出了工作,首先,计算总位移的充电时间延迟和关键传感器沿路径做了决定。管理这些计算的关系如下:
计算剩余的MCV (UAV)的工作时间:
首先,我们计算公司的剩余工作时间如下: 在哪里表示两个节点之间的距离,代表了维修点,MCV的速度,代表MCV附近停留的时间节点 。当剩下的工作时间大于MCV持续时间、节点确保它总是工作42,43]。
4.8。计算最小剩余工作时间的传感器
传感器的最小剩余工作时间计算WRSN由以下关系: 在哪里剩余的能量吗th节点th集群和代表的力量节点。
这里的状况提出的策略是,无人机的剩余工作时间小于最小剩余工作时间的传感器。这种限制,收敛条件和确认中所确定的路线,这一时期被批准,为实现下一阶段;否则,再次提出策略应该实现跟踪的新路线。该方法通过应用这个条件,传感器节点的死亡的概率将达到零。
在第一步应用延迟条件之后,是时候来计算能耗提出的路线。在这一步中,这两个问题的能量充电和能量损失的计算无人机根据路径的长度。
4.9。能源充电模式
在哪里源天线的增益,接收机天线的增益,代表了整流效率,代表了极化损失,是波长,的距离是无人机向传感器节点,等于1米在这个工作。作为参数值是0.2316调整摩天短途传播自由空间方程,和是MCV电力来源。功耗的无人机可以计算为每个传感器,这是本文中介绍 。
4.10。无人机旅行期间能耗模型
计算能源消耗在无人机的距离,由于相同的运动速度,这能量沿着路径是恒定的。建模,在这方面,能源消耗的数量是: 在哪里总距离是一个充电的旅行期间。”将是能源消耗系数沿路径,这是假定为0.3 j / m无人机在本文中。
在此基础上,能源消耗的总量访问一个特定期间计算如下:
在哪里所需要的能量完全电荷传感器节点和是充电器的时间下传感器节点停留吗并计算了以下方程:
为了实现在这篇文章中,提出的策略在该方法,能源消费总量应小于无人机的定期充电能量,以便MCV充分充电两个关键节点返回充电站。
4.11。提出了模糊逻辑系统
在本节中,集群优先级系统提出了4前一节中定义的参数和模糊规则(31日,32]。在本例中,我们使用的参数的数量在每个集群节点和关键节点的数量和剩余功率低于30%,平均能量的节点集群,每个集群的距离从维修中心,介绍了在原点的坐标,作为模糊系统的输入(Mamdani类型)。根据充电传感器网络节点总数和环境的维度,这四个参数应该确定区间[0,1]的模糊系统的输入。图5显示的结构和输入和输出隶属度函数定义的模糊系统。使用三角形、梯形和高斯隶属度函数模糊逻辑。表1也显示了集群的书面规则选择和优先级。的基础定义模糊规则的优先级系统集群将取决于四个模糊系统的输入参数,因此,降低平均电池充电电池(SC)、集群的优先级值越低,也就是说,它被放置在主和紧急订单无人机的路径。同时,较低的节点成员的数量(SC)、集群的优先级值越低,对关键节点的数量需要收取(关键节点),低优先级的值设置,最后,越低的中心节点和原点之间的距离(centraldis),优先级越高(即。,降低集群优先级值)。在这个阶段,进行模糊化操作WRSN集群的数量,和最终的价值。然后,基于这项工作中定义的优先级和升序排序输出的每个集群,放置订单介绍了无人机的路线。介绍了集群的编号顺序从最小到最大的基于模糊输出每个集群。
(一)
(b)
(c)
4.12。与GBO路由算法
后选择和优先集群,每个集群,敏感和关键节点剩余能量选择不到30%,突显出,激活充电的无人机。在这一步中,对于每一个集群,无人机的模糊优先路线决定基于一个梯度的帮助下对以下提出的目标函数优化算法。在第一个集群,无人机的初始位置选为机库,维修中心位于原点的坐标位置0,0,和接下来的集群,最后的位置的初始位置在前面介绍了集群路由节点。在每个集群定义目标函数的基础是所选节点的路径长度和每个关键传感器节点的权重函数定义的基础上的数学模型如下: 在哪里是集群中的节点选择算法下,是所选节点的相对数量的剩余力量这是定义在0和1的范围。图6显示了MATLAB代码的功能:
5。仿真结果
在本节中,进行了大量的仿真实验评估WRSN的性能。
5.1。模型的研究与仿真
如表所示2,我们随机部署中{100}节点广场400米到400米。维护站的坐标是(0,0),以及无人机被指控。从节点的信息,由各个节点接收后,传送到车站的中心。传感器节点发送一个电荷请求到火车站时剩余能量低于阈值。在我们的事件驱动的仿真器,测量数据模拟随机事件发生时间和在随机位置。当一个事件发生的范围内传感器节点,节点捕获事件并将其发送给b通过构造的路线。移动充电过程是模拟使用MATLAB的m文件代码2017 b软件。
5.2。显示结果
在本节中,一个示例系统从图的结果7所示为100年充电传感器节点的数量。根据图中,每个节点的剩余电池容量。节点的距离不到100米的能够相互通信和连接蓝线,和沟通交流更在拥挤的地区。在本节中,路由关键传感器的结果与讨论了不到50%的比例收取使用该策略的方法结合模糊逻辑与GBO算法。无线能量的基础要求无人机通过节点可以通过限制引入残余能量阈值的节点。通过改变阈值,系统的性能可以改变充电速度和收取的所有节点和无人机的初始充电。每次充电策略应用,综述了电池的能源容量和量化问题。
图8显示了一个示例系统响应的研究网络。在这幅图像中,应用提出的步骤显示充电技术。图8(一个)显示了聚类的结果基于位置的传感器节点的帮助下k - means算法,然后执行模糊优先选择集群。集群的优先顺序是量化模糊规则的帮助下,和集群较低优先级值将有更高的机会被早期的无人机。
(一)
(b)
图8 (b)也显示了路由的结果根据本文中定义的目标函数的帮助下GBO算法在每个集群。路线的关键节点之间的选择是基于节点的灵敏度达到电荷和最小化旅行距离。此外,数据9和10显示仿真结果为其他网络与50岁和30节点的例子。评估和比较的有效性提出设计、模拟其他情况下使用。的条形图的比较结果与不同数量的节点网络图所示11。可以看到,通过减少网络中传感器的数量,消耗的能量和距离和旅行时间减少。在表3三个重要参数的能量、时间和长度的旅行和一个参数模拟程序执行的时间和决策选择的路线比较两个遗传算法和GBO,获得了更好的答案基于GBO算法的结果。这个表中讨论的结果进行了分析与100个节点网络。
本文重点分析结果提出技术的性能改变数量的集群和无人机的速度。因此,在图12图表显示,数量的变化100传感器节点的集群系统。根据这个图,通过增加网络集群的数量收取4集群的数量,目标参数包括总航班延误,距离,和无人机的充电能源将减少,然后通过进一步增加这些参数,我们实现了目标参数的增加。4集群为集群的数量,我们已经能够获得的最好的回应充电性能的传感器网络,它提供了最好的回应在能源消耗方面,延迟,无人机的出行路径的长度。根据图13,这显示了无人机的变化速度,降低了总航班延误期间旅行,帮助改善WRSN充电系统的性能。最后,GBO 1000次迭代算法的性能与80年网络节点的路径跟踪检查,每个集群的图14。在这个图中,可以看出,所有的集群已经达到全球最低300年的时期。
6。结论
当前的研究体现一个随需应变的无线充电算法在无人机的帮助下,基于模糊逻辑系统,和基于一个梯度优化算法叫做fuzzy-GBO提议。利用聚类相结合的策略基于模糊逻辑和GBO路由算法,fuzzy-GBO可以帮助实现独立的无人机路径规划。此外,fuzzy-GBO充分考虑无人机的操作有限的能源和充电请求的响应。因此,fuzzy-GBO可以提高无人机的性能和传感器网络等。随后,进行实验来验证fuzzy-GBO的性能,这是相对于经典的按需充电算法。值得注意的是,仿真结果显示,fuzzy-GBO精心设计,可以有效地提高网络的生命周期以及能源利用有限的能量下的无人机无人机。值得注意的是,我们进一步分析等参数传感器节点的数量,无人机的速度,和集群的数量影响SRL-FA。
在未来,我们打算扩大这项工作通过使用多个无人机和考虑传感器节点的能耗动态。同时,能源消耗和不同的充电条件的不确定性是追究每个传感器节点。它可能导致更多的合作其中WRSNs解决更实际的问题。
数据可用性
数据共享只有在受人尊敬的编辑的要求由审查员审查。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。