基于自适应模糊控制器的无线传感器网络功率控制

胡黄水，沈玮娜，王出航，张邦成

(1.长春工业大学 计算机科学与工程学院，长春 130012； 2.长春师范大学 计算机科学与技术学院，长春 130026)(*通信作者电子邮箱wangchuhang@cncnc.edu.cn)

基于自适应模糊控制器的无线传感器网络功率控制

胡黄水1，沈玮娜1，王出航2*，张邦成1

(1.长春工业大学 计算机科学与工程学院，长春 130012； 2.长春师范大学 计算机科学与技术学院，长春 130026)(*通信作者电子邮箱wangchuhang@cncnc.edu.cn)

针对现有的无线传感器网络(WSN)功率控制方法存在的节点早死问题，提出一种考虑节点剩余能量的功率控制方法——SAFPC。首先，设计了具有“输入-输出-反馈”机制的两级模糊控制器系统模型，主控制器负责节点发射功率调节，从控制器负责期望节点度调节，自适应地根据网络中节点剩余能量来调节发射功率；然后，分别对主、从控制器的模糊化、模糊规则及解模糊过程进行了详细描述；最后，从网络收敛时间、平均能耗以及生命周期方面对SAFPC进行了仿真分析。实验结果表明，与模糊控制传输功率方法(FCTP)相比，SAFPC收敛速率快12.5%，在不同网络规模情况下节点平均能耗降低3.68%，网络生命周期延长7.9%。可见，SAFPC能有效延长网络生命周期，提高网络动态适应性及链路鲁棒性。

无线传感器网络；功率控制；模糊控制器；能耗均衡；自适应性

0 引言

随着无线传感器网络(Wireless Sensor Network, WSN)在环境监测、医疗保健、国家安全以及太空探索等领域的广泛应用，其持续在军界、工业界和学术界受到高度关注[1]。而能耗是决定无线传感器网络应用的最关键因素，通过功率控制来调节网络中每个节点的发射功率，在满足网络质量前提下减小网络通信干扰、降低网络能量消耗，则可有效延长网络生命周期，促进无线传感器网络应用[1-4]。

功率控制是一个十分复杂的问题，文献[1]中指出理论上寻找功率控制问题的最优解是不现实的。因此，当前所提出的解决方案都是力图去寻找功率控制的实用解，文献[3]从空间与时间控制方面对一些功率控制方法进行了介绍，并指出其各自的特点。文献[5]提出通用功率算法(Common Power, COMPOW)，在保证网络连通下所有节点以相同功率传输数据，对节点分布均匀的网络其能取得很好的效果。文献[2]中提出一种基于效用模型的分布式功率控制机制，综合考虑路由、信干比和误码率等因素，在网络效用最大化条件下对节点发射功率进行优化。文献[6]通过动态调节节点的发射功率以使其节点度处于限定的范围内，从而优化网络结构。随着模糊理论在无线传感器网络优化决策、降低资源消耗方面展现的优越性能[7]，其也用于功率控制。文献[8]中提出了一种使用模糊控制的功率控制方法，通过闭环回路控制邻居数量来对节点的传输功率进行调节，使节点的节点度在其与期望的节点度误差范围之内。文献[9]和[10]采用基于接收节点链路质量指示(Link Quality Indication, LQI)值来调节发送节点发射功率的点对点模糊控制功率调节方法，在保证链路质量的同时降低了网络能耗。以上算法在某些方面能改善网络的性能，但也都不可避免存在某些局限。如文献[5]对节点分布不均匀的网络则可能导致大量节点以远大于需求的功率传输数据，造成能量浪费；文献[6]当网络规模增大时，算法复杂度以指数级增长；文献[8]中每个节点的期望节点度不能随网络动态变化，很容易导致某些节点过早死亡，从而减小网络生命周期；文献[9]和[10]中采用点对点的功率调整方式，需要额外的点对点通信协议支持，且通过链路质量指示LQI作为功率调节的输入，实际无线环境中LQI变化无规律且频繁，将导致功率调节频繁执行，从而降低网络性能。尤其是以上所有功率调节方法都不考虑节点的剩余能量，无疑将导致剩余能量低的节点早死，从而减小网络的生命周期。

因此，本文提出一种基于自适应模糊控制器的无线传感器网络功率控制方法(Self Adaptive Fuzzy controller based on Power Control method for wireless sensor networks, SAFPC)。SAFPC的基本思想是网络任一节点的剩余能量决定其期望节点度，当其节点度高于期望的节点度，则降低节点的发射功率，否则增大节点发射功率。具体实现为采用两级基于“输入-输出-反馈”机制的模糊控制器，主控制器负责调节发射功率，从控制器负责调节期望节点度，从而自适应地依据节点剩余能量调节发射功率，均衡网络能量消耗，延长网络生命周期。

1 系统模型

节点实际通信范围可能不规则或非对称，但为了简化模型，广泛采用圆盘模型。本文控制器所需的输入为节点度和能量，采用圆盘模型对控制系统设计并没有直接负面影响。于是，采用圆盘模型的节点度和发射功率关系如图1所示。从图中可见，节点u在不同功率级别pA0、pA1、pA2时其节点度分别为3、5、9。

图1 节点度和发射功率之间的关系

图1中，为了计算任一节点u的剩余能量，假设网络中所有节点的数据传输速率相同，具有k个离散功率级别，最大和最小发射功率分别为pmax,pmin，且具有相等的初始能量EINI，其邻居节点记为N(u)，且其与邻居节点v的距离为d(u,v),v∈N(u)，LMAX为节点能够传输的最大数据包量，节点发送和接收数据耗用的时间与数据包大小成正比，当数据传输速率为常数时，Lu/LMAX表示节点传输大小为Lu的数据包所用的时间[11]。Ee为节点发送接收电路上的功耗，Er为功率放大器功耗，Eid为节点空闲状态时的功耗，则节点u的剩余能量Eu如式(1)所示:

(1)

其中：方括号中第一部分表示节点u发送状态的能耗，第二部分为节点接收其邻居节点数据时的能耗，第三部分为节点处于空闲状态时的能耗。

(2)

Δnd=nd-ND

(3)

(4)

(5)

e1=kE×Δe

(6)

e2=knd×Δnd

(7)

(8)

u=kU×U

(9)

(10)

图2 系统模型

2 模糊控制器设计

图2中主/从模糊控制器采用Mamdani型模糊逻辑系统[8-9]，其主要由模糊化、模糊规则、模糊决策以及解模糊构成。

2.1 从模糊控制器设计

1)从模糊控制器输入、输出变量模糊化。

①能量差值Δe：选取能量差值Δe的语言变量值为NB、NM、NS、ZO、PS、PM、PB，其语言变量论域元素为-3、-2、-1、0、+1、+2、+3。NB、PB采用梯形隶属度函数，NM、NS、ZO、PS、PM采用三角形隶属度函数，能量差值Δe隶属度函数如图3所示。

图3 能量差值Δe隶属度函数

图4 期望节点度偏差隶属度函数

2)模糊规则定义及解模糊。

表1 从模糊控制器规则表

2.2 主模糊控制器设计

1)主模糊控制器输入、输出变量模糊化。

①节点度调节量Δnd：选取节点度调节量Δnd的语言变量值为d2s、d1s、hold、u1s、u2s，其语言变量论域元素为-2、-1、0、+1、+2。d2s、u2s采用梯形隶属度函数，d1s、hold、u1s采用三角形隶属度函数，节点度调节量Δnd隶属度函数如图5所示。

图5 节点度调节量Δnd隶属度函数

图6 节点度调节量变化率隶属度函数

③发射功率调节量u：选取发射功率调节量u的语言变量值为nb、nm、ns、hold、ps、pm、pb，其语言变量论域元素为-3、-2、-1、0、+1、+2、+3。nb、pb采用梯形隶属度函数，nm、ns、hold、ps、pm采用三角形隶属度函数，发射功率调节量u隶属度函数如图7所示。

图7 发射功率调节量u隶属度函数

2)模糊规则定义及解模糊。

根据主模糊控制器的调节目的，同样采用“if-then”条件语句的形式定义模糊规则，具体规则如表2所示。主模糊控制器采用质心法解模糊，输出为发射功率调节量u。

表2 主模糊控制器规则表

3 仿真与分析

首先，将100个节点均匀部署在该方形区域内，测量初始发射功率在-20 dBm～5 dBm范围内的网络收敛时间，运行50次取平均值。结果如图8所示，SAFPC收敛时间较FCTP快12.5%。由于SAFPC要同时考虑节点剩余能量和实际节点度，因此当发射功率在-20 dBm～-15 dBm时，SAFPC收敛时间高于FCTP，当发射功率在-15 dBm～5 dBm时，SAFPC收敛速度整体比FCTP快。

图8 不同初始发射功率时收敛时间对比

接下来对不同网络规模时的平均能耗和网络生命周期进行测试，节点数从50递增至400个，分别运行50次取平均值，结果分别如图9和图10所示。从图9中可见，随着网络规模的增大，FCTP和SAFPC算法的平均能耗总体上呈递增的趋势，但SAFPC算法递增趋势总体比FCTP算法平缓,且随着网络规模的增大，SAFPC相比FCTP算法的优势愈加明显。图10显示，在不同网络规模情况下，SAFPC算法网络生命周期均比FCTP算法的长，这主要是因为SAFPC算法在调整节点度时考虑到了节点剩余能量，对于那些网络中剩余能量低的节点，通过调整其期望的节点度，降低其能量消耗，从而避免能量低的节点因节点度大而消耗更多能量，导致其过早死亡，最终延长网络的生命周期。

图10 不同网络规模时生命周期对比

4 结语

本文针对无线传感器网络，提出一种采用两级模糊控制器的功率控制方法SAFPC。其基于节点剩余能量来调节期望节点度，从而自适应的调节发射功率。SAFPC不仅能适应网络动态变化，且能有效提高链路鲁棒性。仿真结果表明该方法能有效均衡网络能量消耗，延长网络生命周期，为无线传感器网络的实际应用提供支持。

References)

[1] 张学,陆桑璐,陈贵海,等.无线传感器网络的拓扑控制[J].软件学报,2007,18(4):943-954.(ZHANG X, LU S L, CHEN G H, et al. Topological control of wireless sensor networks [J] . Journal of Software, 2007, 18(4): 943-954.)

[2] 刘韬.无线传感器网络中基于效用模型的分布式功率控制机制[J].电子学报.2016,44(2):301-307.(LIU T. Distributed power control mechanism based on utility model in wireless sensor networks [J] . Acta Electronica Sinica, 2016, 44(2): 301-307.)

[3] LI M, LI Z, VASILAKOS A V. A survey on topology control in wireless sensor networks: taxonomy, comparative study, and open issues [J]. Proceedings of the IEEE, 2013, 101(12): 2538-2557.

[4] LIN S, MIAO F, ZHANG J, et al. ATPC: adaptive transmission power control for wireless sensor networks [J]. ACM Transactions on Sensor Networks, 2016, 12(1): Article No. 6.

[5] NARAYANASWAMY S, KAWADIA V, SREENIVAS R S, et al. Power control in Ad-Hoc networks: theory, architecture, algorithm and implementation of the COMPOW protocol [EB/OL]. [2017- 01- 01]. http://www2.ing.unipi.it/ew2002/proceedings/171.pdf.

[6] KUBISCH M, KARL H, WOLISZ A, et al. Distributed algorithms for transmission power control in wireless sensor networks [C]// Proceedings of the 2003 IEEE Wireless Communications and Networking. Piscataway, NJ: IEEE, 2003, 1: 558-563.

[7] MAKSIMOVIC M, VUJOVIC V, MILOSEVIC V. Fuzzy logic and wireless sensor networks—a survey [J]. Journal of Intelligent and Fuzzy Systems, 2014, 27(2): 877-890.

[8] ZHANG J, CHEN J, SUN Y. Transmission power adjustment of wireless sensor networks using fuzzy control algorithm [J]. Wireless Communication and Mobile Computing, 2009, 9(6): 805-818.

[9] 吴鹏杰.一种新颖的无线传感器节点模糊功率控制算法[D].北京:北京邮电大学,2010:22-29.(WU P J. A novel fuzzy power control algorithm for wireless sensor node [D]. Beijing: Beijing University of Posts and Telecommunications, 2010: 22-29.)

[10] 邵奇可,冯淑娜,毛科技.面向WSN的自适应模糊功率控制算法研究[J].传感技术学报.2015,28(4):563-571.(SHAO Q K, FENG S N, MAO K J. Adaptive fuzzy power control algorithm for WSN [J]. Chinese Journal of Sensors and Actuators, 2015, 28(4): 563-571.)

[11] NICKRAY M, AFZALI-KUSHA A, JNTTI R. Simultaneous power control and power management algorithm with sector-shaped topology for wireless sensor networks [J]. EURASIP Journal on Wireless Communications and Networking, 2015, 2015(1): 1-16.

[12] 张建辉.无线传感器网络拓扑控制研究[D].杭州:浙江大学,2008:34-51.(ZHANG J H. Research on topology control in wireless sensor networks [D]. Hangzhou: Zhejiang University, 2008: 34-51.)

Self-adaptivefuzzycontrollerbasedpowercontrolforwirelesssensornetworks

HU Huangshui1, SHEN Weina1, WANG Chuhang2, ZHANG Bangcheng1

(1.CollegeofComputerScienceandEngineering,ChangchunUniversityofTechnology,ChangchunJilin130012,China;2.CollegeofComputerScienceandTechnology,ChangchunNormalUniversity,ChangchunJilin130026,China)

To solve the problem of node’s premature death in existing power control methods for Wireless Sensor Network (WSN), a new method called Self-Adaptive Fuzzy Control (SAFPC) was proposed. Firstly, the model of two level fuzzy controller with “input-output-feedback” mechanism was designed, whose main controller was responsible for the node transmission power adjustment, and auxiliary controller was responsible for the desired node degree adjustment, so as to adjust the transmission power adaptively according to the residual energy of the node. Secondly, the fuzzification, fuzzy rules and defuzzification process were described in detail. Finally, SAFPC was simulated and analyzed in terms of network convergence time, average energy consumption and network life cycle. The experimental results show that, compared with FCTP (Fuzzy Control Transmission Power method), SAFPC can increase convergence rate by 12.5%, the average energy consumption of the nodes is reduced by 3.68% and the network life cycle is prolonged by 7.9%. It can be seen that SAFPC can effectively prolong the network life cycle, as well as improve network dynamic adaptability and link robustness significantly.

Wireless Sensor Network (WSN); power control; fuzzy logic controller; balanced-energy consumption; adaptivity

2017- 03- 08;

2017- 04- 23。

吉林省科技厅科技攻关计划项目(20140204037GX, 20150204073GX)；吉林省发展与改革委员会经济结构战略调整引导专项基金资助项目(2014Y125)；。

胡黄水(1974—)，男，湖南隆回人，副教授，博士，主要研究方向：无线传感器网络、轨道车辆动力学； 沈玮娜(1993—)，女，江苏无锡人，硕士研究生，主要研究方向：无线传感器网络； 王出航(1976—)，女，吉林长春人，副教授，硕士，主要研究方向：无线传感器网络、实时嵌入式系统； 张邦成(1972—)，男，吉林长春人，教授，博士，主要研究方向：机电检测与控制。

1001- 9081(2017)09- 2470- 04

10.11772/j.issn.1001- 9081.2017.09.2470

TP393.1

A

This work is partially supported by Jilin Provincial Department of Science and Technology Research Project (20140204037GX, 20150204073GX), Jilin Province Development and Reform Commission Strategic Adjustment of Economic Structure to Guide the Special Fund (2014Y125).

HUHuangshui, born in 1974, Ph. D., associate professor. His research interests include wireless sensor network, rail vehicle dynamics.

SHENWeina, born in 1993, M. S. candidate. Her research interests include wireless sensor network.

WANGChuhang, born in 1976, M. S., associate professor. Her research interests include wireless sensor network, embedded real-time system.

ZHANGBangcheng, born in 1972, Ph. D., professor. His research interests include electromechanical detection and control.