无线传感器网络节点的休眠自动调度智能优化方法

严江荣

（贵州师范大学国际教育学院 贵州 贵阳 550025）

0 引言

无线传感器网络在许多领域都有着广泛的应用，如环境监测、智能家居、农业等。节点作为无线传感器网络的基本单元，其能源利用效率和数据传输速度直接影响着整个网络的性能。因此，针对无线传感器网络节点的研究具有重要意义［1］。无线传感器网络节点通常由传感器、微控制器、无线通信模块和电源等组成。在工作过程中，节点需要不断进行数据采集、处理和传输，而这些操作都需要消耗能源。由于节点通常由电池供电，能源消耗过快会缩短节点的使用寿命，甚至导致网络失效。此外，数据传输速度也是衡量节点性能的重要指标。如何平衡能源消耗和数据传输速度之间的关系，是无线传感器网络节点面临的主要问题之一［2］。对此，本文提出一种无线传感器网络节点的休眠自动调度智能优化方法，旨在提高节点的能源利用效率和数据传输速度。

1 建立无线传感器网络休眠调度机制

将无线传感器网络节点的休眠自动调度过程划分为若干个周期，调度方法会在每一个周期开始阶段对对应节点所处状态进行决策。如果一个节点被安排好了，这个节点就会转变为活跃状态，其他没有被安排的节点将会进入到休眠状态。该机制使得工作中的传感器节点进入睡眠模式，延长了网络的生命周期。在此过程中，关键能量的有效保留是实现对其调度优化的重点。根据上述所需，建立无线传感器网络休眠调度机制，在该机制中引入Ditian算法。该算法的基本思路为：在无线传感器网络中，任意一个节点被其相邻节点所覆盖的范围取值在［0，2π］以内，则将该点定义为冗余覆盖节点，需要将该节点的无线通信关闭，并将其从活跃状态转变为休眠状态。在网络当中，设置任意个传感器节点为w，则其邻域节点的集合可表示为：

式（1）中，N（w） 表示传感器节点w的邻域节点集合；d（u，w） 表示从u到w的欧氏距离（Euclidean distance）；Rs表示无线传感器网络的感知半径。若任意传感器节点w的所有邻域节点对w的覆盖范围均能够满足在［0，2π］范围内，则该节点称之为冗余覆盖节点［3］。通过上述机制的建立可以有效减少在无线传感器网络当中的冗余覆盖节点，进而达到降低节点能量消耗的目的。

2 基于分簇拓扑的网络模型与能量模型构建

在应用上述设计的无线传感器网络休眠调度机制进行调度时，得到的冗余节点集合相对较小，并且Ditian 算法在运算的过程中没有考虑到节点的相互通信问题，因此针对这一问题，可在机制运行的基础上，结合无线传感器网络特点和节点能量特点，进行后续的智能优化调度。引入分簇拓扑理论，构建无线传感器网络模型和节点能量模型［4］。分簇拓扑是一种常见的网络拓扑结构，它将网络划分为多个簇，每个簇由一个簇头和多个簇成员组成。簇头负责与汇聚节点（通常是基站或路由器）进行通信，而簇成员负责收集和处理传感器数据。在确定网络拓扑结构时，需要考虑节点分布、通信范围、能量消耗等因素。在分簇拓扑中，节点可以分为簇头节点和簇成员节点［5］。簇头节点负责与汇聚节点进行通信，并将簇成员节点的数据传输到汇聚节点。簇成员节点负责收集和处理传感器数据，并将其传输给簇头节点。假设存在一个边长为L的二维正方形区域，将该区域定义为Ω，在Ω当中部署了N个传感器节点，则传感器节点的集合可表示为：

式（2）～式（3）中，Node表示传感器节点集合。针对网络模型中的节点可用布尔覆盖模型结构构建，上述将节点感知的半径设置为Rs，则可以进一步确定感知面积：以节点为中心，以Rs为半径形成的圆，其面积为。上述论述内容为该网络模型的一般设置。在此基础上，除汇聚节点外，将所有节点的感知半径均设置为Rs， 初始能量均为E0，节点通信半径均为感知半径的2 倍。定义在网络模型当中，每一个节点都有唯一一个识别ID。

对于无线传感器网络，节点的能耗模型如图1 所示。

图1 无线传感器网络节点无线通信能量消耗模型图

在上述模型结构中，按照节点发送和接收之间的距离，划分自由空间和多链路衰减两个能量消耗模型。当节点发送与接收之间的距离d小于设定的临界值d0时，此时节点发送可以选择自由空间方式（方式A）；当节点发送与接收之间的距离大于临界值d0时，此时节点发送可以选择多链路衰减方式（方式B）。对于临界值d0的求解可结合下述公式得出：

式（4）中，εfs表示选择方式A 需要消耗的能量；εfs表示选择方式B 需要消耗的能量。假设节点发送与接收之间的距离为d，节点发送数据量为k位数据包，则节点能量的消耗通常包含两个部分，分别为发送电路损耗部分和放大功率损耗部分，其表达式为：

式（5）中，ETx（k，d） 表示节点能量的消耗；ETx－e（k） 表示发送电路部分能量损耗；ETx－a表示放大功率部分能量损耗；Ee表示1 bit 数据在发送或接收过程中所消耗的能量。在计算过程中，若d小于设定的临界值d0， 则按照公式（5）上半部分进行计算；若d大于或等于设定的临界值d0，则按照公式（5）下半部分进行计算。

3 休眠自动调度算法计算与智能优化

结合上述构建的网络模型与能量面模型，对休眠自动调度算法进行计算，并结合该调度算法实现对节点休眠自动调度的智能优化。无线传感器网络按照轮数实现运行，在运行时刻分为建立节点阶段和节点稳定运行阶段。在第一个阶段，将整个WSN 划分为若干个簇，每个节点都以一定的概率当选为簇首，并向其他节点发出邀请，由相邻节点根据信号强度确定最近的节点加入簇结构中，并将TMDA 时间切片中的数据分配到簇首。在此基础上，簇内的节点进入第二个阶段，而簇首等正常节点则稳定地工作。在此基础上，提出了一种基于聚类分析的方法。在此过程中，网络处于睡眠状态，不需要耗费任何能源。在这一过程中，对于簇首的选择按照下述内容进行。

首先，节点会随机产生一个0，1 的随机值，如果预设的数值比这个随机值大，那么这个节点就会被选中，成为这个簇首的节点，并向附近的其他节点进行广播。这一过程可以用下述公式表示：

式（6）中，T（n） 表示簇首节点；p表示簇首节点占整个网络节点的比例；n表示轮数；G表示簇首失败节点集合。在确定簇首后，形成簇结构，对结构当中每一个节点是否为覆盖冗余节点进行判定，并遵循上述构建的无线传感器网络休眠调度机制，实现对节点的休眠自动调度。

4 优化前后调度效果分析

为验证本文提出的休眠自动调度智能优化方法的有效性，进行了一系列实验。实验中，应用本文方法对无线传感器网络节点进行调度，并将优化前后的调度结果进行对比。

将Matlab 作为实验仿真平台，在该平台中引入一个无线传感器网络，该网络中每一个节点在100 m×100 m 的目标区域内为随机分布。将传感器通信半径设置为感知半径的2 倍。针对实验过程中其他条件，按照表1 中内容进行设置。

表1 实验参数设置

对优化前后节点休眠调度的能量消耗情况进行比较，可通过记录无线传感器网络中死亡节点的数量实现对能量消耗的衡量，死亡节点数越少，传感器网络节点的能量消耗越少，越能确保网络的连通；死亡节点数越多，传感器网络节点的能量消耗越多，越无法保证网络的连通。基于此，将优化前后调度中死亡节点数量随实验时间的变化曲线绘制成图2。

图2 优化前后休眠调度中死亡节点数量随时间变化曲线

从图2 中两条曲线可以看出，随着时间的增加，死亡节点数量也逐渐增加，但应用优化前的调度方法无线传感器网络中死亡节点数量随时间变化的曲线更陡，数量增加速度更快，而应用优化后的调度方法死亡节点数量变化曲线明显更加平缓，说明优化后死亡节点数量得到有效控制，传感器网络节点的能量消耗得到有效降低。

在此基础上，再对优化前后调度方法应用下无线传感器网络节点数据传输速度进行对比。在上述设计的实验环境中，随机选取5 个节点作为研究对象，其编号分别为CGQ-I、CGQ-II、CGQ-III、CGQ-IV 和CGQ-V。记录在相同的传输时间内每个节点传输的数据量，数据量越大，说明数据传输速度越快；反之，数据量越小，说明数据传输速度越慢。根据上述论述，将5 个传感器网络节点在应用优化方法前后规定时间内的传输数据量记录如表2 所示。

表2 优化前后节点在规定时间内的传输数据量对比

从表2 中记录的数据可以直观看出，优化前每个节点的传输数据量在100 Mbits ～200 Mbits 之间，而优化后每个节点的传输数据量均在300 Mbits 以上。根据上述逻辑可知，优化后各个节点的数据传输速度更快。因此，综合上述得出的结果可以证明，本文上述提出的优化方法在实际应用中，一方面可以降低节点能量消耗，另一方面可以有效提高节点的数据传输速度，具备极高的应用可行性，能够实现对节点休眠自动调度的智能优化。

5 结语

综上所述，本文提出一种无线传感器网络节点的休眠自动调度智能优化方法，通过自动调整节点的休眠时间，实现了能源的有效利用和数据传输速度的提升。实验结果表明，该方法在能源消耗和数据传输速度方面均优于传统的轮询方法。因此，本文提出的休眠自动调度智能优化方法具有重要的应用前景，可为无线传感器网络节点的性能提升提供有效支持。