謝小軍，于 浩，陶 磊，張信明

(1.國家電網(wǎng) 安徽省電力公司信息通信分公司，合肥 230061； 2.中國科學(xué)技術(shù)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥 230027)(*通信作者電子郵箱xinming@ustc.edu.cn)

0 引言

無線傳感網(wǎng)絡(luò)(Wireless Sensor Network, WSN)在環(huán)境監(jiān)測、自然災(zāi)害監(jiān)測等方面有著廣泛應(yīng)用前景。為維持無線傳感器網(wǎng)絡(luò)的長久運(yùn)行，通過引入能量采集(Energy Harvesting)技術(shù)[1-2]，可以為傳感節(jié)點(diǎn)配備可充電電池和能量采集模塊，從而使其擁有從周圍的環(huán)境中采集能量(如風(fēng)能、太陽能、電磁能等)的能力。

不同于移動(dòng)無線通信網(wǎng)絡(luò)中所關(guān)注的服務(wù)質(zhì)量問題[3-4]，無線傳感網(wǎng)絡(luò)是以數(shù)據(jù)為中心的網(wǎng)絡(luò)，大部分節(jié)點(diǎn)需要通過多跳傳輸將數(shù)據(jù)傳送至網(wǎng)關(guān)(sink)節(jié)點(diǎn)，由于靠近sink的傳感器節(jié)點(diǎn)需要轉(zhuǎn)發(fā)更多的數(shù)據(jù)，其耗能就多于遠(yuǎn)離sink的傳感節(jié)點(diǎn)，從而造成能量空洞問題[5]。解決該問題的方法之一是采用數(shù)據(jù)壓縮技術(shù)，即通過壓縮數(shù)據(jù)減少瓶頸節(jié)點(diǎn)的負(fù)擔(dān)。

關(guān)于數(shù)據(jù)壓縮策略，研究者們已經(jīng)為無線傳感器網(wǎng)絡(luò)提出輕量級(jí)的數(shù)據(jù)壓縮算法[6-7]。Sadler等[6]提出了兩種無損數(shù)據(jù)壓縮算法S-LZW(Sensor Lempel-Ziv-Welch)和S-LZW-BWT(Sensor Lempel-Ziv-Welch with Burrows-Wheeler Transform)，前者是基于LZW算法[8]的輕量級(jí)版本，后者在壓縮前通過BWT將字符串重排序，在實(shí)現(xiàn)更高壓縮率的同時(shí)壓縮能耗也隨之增加。壓縮感知[7]是另一種數(shù)據(jù)壓縮技術(shù)，不同于直接壓縮數(shù)據(jù)字符串，其采用信號(hào)稀疏變換，通過測量矩陣分解，取代直接發(fā)送原始數(shù)據(jù)，傳感節(jié)點(diǎn)傳輸長度遠(yuǎn)小于原始數(shù)據(jù)的數(shù)據(jù)投影，并在sink處完成數(shù)據(jù)重構(gòu)。由于壓縮感知存在數(shù)據(jù)重構(gòu)成功率和傳輸依賴導(dǎo)致時(shí)延過高的問題，本文采用文獻(xiàn)[6]中的算法作為數(shù)據(jù)壓縮的候選策略。

現(xiàn)有工作[9-13]對于能量采集無線傳感器網(wǎng)絡(luò)中的優(yōu)化策略進(jìn)行了較為廣泛的研究，其主要研究內(nèi)容是通過能量預(yù)分配和傳感器節(jié)點(diǎn)的采樣速率優(yōu)化來優(yōu)化網(wǎng)絡(luò)性能，其中文獻(xiàn)[9-11]以網(wǎng)絡(luò)吞吐量為優(yōu)化目標(biāo)，文獻(xiàn)[12]以網(wǎng)絡(luò)中節(jié)點(diǎn)的占空比為優(yōu)化目標(biāo)。另外，文獻(xiàn)[10]采用了基于交替乘子法[13]的分布式算法。

上述工作只單獨(dú)研究了數(shù)據(jù)壓縮策略或能量采集下的網(wǎng)絡(luò)性能優(yōu)化，均沒有考慮數(shù)據(jù)壓縮策略和節(jié)點(diǎn)采樣速率的聯(lián)合優(yōu)化。文獻(xiàn)[14]綜合考慮了能量采集和數(shù)據(jù)壓縮技術(shù)，提出了動(dòng)態(tài)的壓縮策略和周期控制方法，然而在能量建模上，每個(gè)節(jié)點(diǎn)只考慮了自身采樣數(shù)據(jù)的傳輸能耗，忽視了轉(zhuǎn)發(fā)數(shù)據(jù)的能耗，從而使得其不適用于網(wǎng)絡(luò)優(yōu)化。

本文在研究以上資料的基礎(chǔ)上，綜合考慮傳感器節(jié)點(diǎn)的時(shí)空能量采集特性和其網(wǎng)絡(luò)拓?fù)湮恢茫芯磕芰坎杉療o線傳感器網(wǎng)絡(luò)(Energy Harvesting WSN)中的最優(yōu)動(dòng)態(tài)采樣和數(shù)據(jù)壓縮策略，其中時(shí)空能量采集特性指傳感器節(jié)點(diǎn)采集的能量時(shí)間空間變化的特性，網(wǎng)絡(luò)拓?fù)湮恢弥傅氖枪?jié)點(diǎn)在到sink的數(shù)據(jù)匯集樹上的位置。如何統(tǒng)籌考慮上述條件，根據(jù)傳感器節(jié)點(diǎn)采集的能量動(dòng)態(tài)地調(diào)節(jié)自身的采樣速率和壓縮比例，最大化網(wǎng)絡(luò)的采樣數(shù)據(jù)總量，是本文需要解決的問題。

1 系統(tǒng)模型與問題陳述

1.1 能量采集的時(shí)空特性

傳感節(jié)點(diǎn)的能量采集速率在很大程度上決定了網(wǎng)絡(luò)數(shù)據(jù)采樣總量的結(jié)果，當(dāng)節(jié)點(diǎn)在一段時(shí)間內(nèi)采集了較多能量，該節(jié)點(diǎn)可以采樣更多的數(shù)據(jù)，并以較高的壓縮率壓縮和傳輸數(shù)據(jù)；反之，它只能采用較低的采樣速率和數(shù)據(jù)壓縮率。本節(jié)以太陽能采集為例研究非均勻的空間能量分布對節(jié)點(diǎn)采集能量的影響，如圖1所示。圖1(a)和(b)分別展示了在不同時(shí)間傳感器節(jié)點(diǎn)A的能量采集狀況:在圖1(a)中，A處于建筑的陰影中，其能量采集速率較低；在圖1(b)中，A處于陽光直射，其能量采集速率較高，這種隨時(shí)間變化的能量采集特性由A的地理位置所決定。如果節(jié)點(diǎn)A處于靠近sink的傳輸位置，在圖1(a)所處的時(shí)段中，其很可能成為網(wǎng)絡(luò)的瓶頸節(jié)點(diǎn)，因此需要采用動(dòng)態(tài)的采樣速率和壓縮策略來緩解A對于網(wǎng)絡(luò)性能的瓶頸效應(yīng)。具體地，當(dāng)上述情況發(fā)生時(shí)，A的子孫節(jié)點(diǎn)應(yīng)該采用更低的采樣速率和更高的壓縮比率，因?yàn)榻?jīng)過壓縮的采樣數(shù)據(jù)之和為A所需轉(zhuǎn)發(fā)的數(shù)據(jù)量，即使A的子孫節(jié)點(diǎn)可以采樣更多的數(shù)據(jù)，A卻并沒有多余的能量轉(zhuǎn)發(fā)這些數(shù)據(jù)，對于網(wǎng)絡(luò)性能的提升沒有幫助。另一方面，當(dāng)A的能量采集速率較高時(shí)，可以允許其孩子節(jié)點(diǎn)采用更高的采樣速率和更低的壓縮比率，來最大化網(wǎng)絡(luò)的數(shù)據(jù)采樣總量。

圖1 能量采集的時(shí)空特性

為描述能量采集的時(shí)空特性，進(jìn)行如下建模：假設(shè)整個(gè)研究時(shí)段周期的時(shí)長為T，將T劃分為K個(gè)等長的時(shí)槽。雖然節(jié)點(diǎn)的能量采集隨時(shí)間變化，但通過調(diào)整K可以保證在每個(gè)時(shí)槽內(nèi)傳感器節(jié)點(diǎn)的能量采集速率相對穩(wěn)定。記節(jié)點(diǎn)i在時(shí)槽t(1≤t≤K)中太陽能電池板單位面積的平均能量采集速率為λi(t)。

1.2 數(shù)據(jù)壓縮模型

傳感器節(jié)點(diǎn)可以根據(jù)自身的能量采集情況和電池剩余能量從下述三種數(shù)據(jù)壓縮模式中進(jìn)行選擇：

1)低壓縮比模式。

首先給出數(shù)據(jù)壓縮比cr的精確定義如下：

(1)

2)高壓縮比模式。

3)非壓縮模式。

在非壓縮(None-Compression, NONE-COMP)模式下，傳感器節(jié)點(diǎn)不對其采樣數(shù)據(jù)進(jìn)行壓縮，而是直接傳輸原始采樣數(shù)據(jù)。另外規(guī)定，所有的壓縮數(shù)據(jù)都在sink處進(jìn)行解壓復(fù)原，在此假設(shè)下，當(dāng)某個(gè)傳感器節(jié)點(diǎn)轉(zhuǎn)發(fā)的數(shù)據(jù)為壓縮數(shù)據(jù)時(shí)，其無法對這些數(shù)據(jù)包進(jìn)行解壓和再壓縮處理，而只能選擇是否壓縮自己的采樣數(shù)據(jù)。

1.3 網(wǎng)絡(luò)模型

1.4 問題

在上述模型描述的能量采集無線傳感器網(wǎng)絡(luò)中，考慮傳感器節(jié)點(diǎn)在接收、轉(zhuǎn)發(fā)、采樣、壓縮數(shù)據(jù)中的能量消耗，動(dòng)態(tài)地在每個(gè)時(shí)槽內(nèi)為每個(gè)節(jié)點(diǎn)最優(yōu)地分配數(shù)據(jù)采樣速率和選擇相應(yīng)的數(shù)據(jù)壓縮策略，在保持節(jié)點(diǎn)電量不耗盡的條件下最大化網(wǎng)絡(luò)收集的數(shù)據(jù)總量。首先考慮一種由同質(zhì)化傳感器節(jié)點(diǎn)構(gòu)成的網(wǎng)絡(luò)，假設(shè)每個(gè)節(jié)點(diǎn)的太陽能采集板面積固定且相等；接著研究能量采集板面積可變的場景，在總預(yù)算受限的約束下，最優(yōu)地分配采樣速率、壓縮策略和能量采集板面積；最后提出分布式的算法解決上述優(yōu)化問題。

2 LCSO算法

本章提出本地的數(shù)據(jù)壓縮和采樣速率優(yōu)化(Local data Compression and Sampling rate Optimization, LCSO)算法讓網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)根據(jù)局部的本地信息決定自身的最優(yōu)的壓縮策略和采樣速率。

(2)

(3)

(4)

圖2 數(shù)據(jù)壓縮流量模型

當(dāng)i采用兩種數(shù)據(jù)壓縮策略中的一種時(shí)，經(jīng)過該節(jié)點(diǎn)i的流向其父親節(jié)點(diǎn)pi(t)的數(shù)據(jù)流應(yīng)滿足下面的守恒定律：

(5)

(6)

其中cri(t)為節(jié)點(diǎn)i采用的壓縮算法對應(yīng)的壓縮比。式(5)表示i到pi(t)的壓縮數(shù)據(jù)流由經(jīng)i壓縮后的數(shù)據(jù)流和由i轉(zhuǎn)發(fā)的壓縮數(shù)據(jù)流組成；式(6)表示由于采用了數(shù)據(jù)壓縮，i傳輸給pi(t)的未壓縮數(shù)據(jù)流量為零。

另一方面，當(dāng)i采用非壓縮策略時(shí)，有：

(7)

(8)

接下來給出傳感器節(jié)點(diǎn)的能量消耗模型，節(jié)點(diǎn)i在時(shí)槽t內(nèi)的能耗Ei(t)由采樣能耗、接收能耗、壓縮能耗和傳輸能耗四部分組成，形式化的表達(dá)式如下：

(9)

步驟2 每個(gè)節(jié)點(diǎn)i根據(jù)其在匯聚樹中的拓?fù)湮恢?如距離sink的跳數(shù))，逐漸增加其數(shù)據(jù)采樣速率ri(t),并結(jié)合從i的孩子節(jié)點(diǎn)的數(shù)據(jù)流速率根據(jù)式(9)采取相應(yīng)的能量最優(yōu)的數(shù)據(jù)壓縮策略，具體地，記采用高壓縮比模式、低壓縮比模式和非壓縮模式時(shí)i的能量消耗分別為EH、EL和EN,有：

(10)

步驟4 當(dāng)節(jié)點(diǎn)i收到來自其孩子節(jié)點(diǎn)的數(shù)據(jù)流更新通知包時(shí)，回到步驟2，重新計(jì)算其最優(yōu)數(shù)據(jù)壓縮策略和并更新到父親節(jié)點(diǎn)的壓縮/非壓縮數(shù)據(jù)流。

為簡化步驟3中的計(jì)算，對比公式組(10)中的能耗表達(dá)式得出下面結(jié)論：

1)當(dāng)條件a)條件b)同時(shí)滿足時(shí)，采用高壓縮比模式最優(yōu)；

2)當(dāng)條件a)滿足條件b)不滿足時(shí)，采用非壓縮模式最優(yōu)；

3)當(dāng)條件a)和條件b)均不滿足時(shí)，若條件c)滿足，采用低壓縮比模式最優(yōu)；否則，采用非壓縮模式最優(yōu)。

3 HCSO算法

上一章給出了LCSO算法讓每個(gè)傳感器節(jié)點(diǎn)根據(jù)一跳鄰居范圍內(nèi)的局部信息本地地求解最優(yōu)的采樣速率和數(shù)據(jù)壓縮策略。LCSO算法需要的網(wǎng)絡(luò)信息開銷很少，然而在缺失了節(jié)點(diǎn)的拓?fù)湮恢眯畔⒑驼麄€(gè)網(wǎng)絡(luò)采集能量時(shí)空信息的條件下，LCSO算法很難做到全局最優(yōu)。本章利用全局的信息提出能量采集網(wǎng)絡(luò)中的數(shù)據(jù)壓縮和速率優(yōu)化算法，首先對網(wǎng)絡(luò)采樣數(shù)據(jù)總量的全局優(yōu)化問題進(jìn)行建模，分析該問題的難點(diǎn)，然后提出啟發(fā)式的優(yōu)化算法HCSO(Heuristic data Compression and Sampling rate Optimization)來解決該問題。

3.1 問題建模與分析

(11)

其中：

(12)

至此可以將最大化網(wǎng)絡(luò)數(shù)據(jù)采樣總量問題形式化地表示為問題(P)：

s.t. 式(3)、(4)、(11)、(12),

(13)

0≤xi(t),yi(t)≤1

(14)

i∈N

(15)

其中定義r(t)={ri(t)|i∈N},x(t)和y(t)的定義同理可得，f(t)={fl(t)|l∈L(t)}代表匯聚樹中每條鏈路上的數(shù)據(jù)流，A為傳感器節(jié)點(diǎn)的太陽能電池板面積；式(13)為能量約束條件，規(guī)定了任一時(shí)槽中節(jié)點(diǎn)的能量消耗不能超過其采集的能量與當(dāng)前電池剩余能量之和。

3.2 啟發(fā)式算法實(shí)現(xiàn)

考慮到這兩點(diǎn)因素，基于下述思路進(jìn)行網(wǎng)絡(luò)優(yōu)化：首先將最優(yōu)的候選數(shù)據(jù)壓縮方案由三個(gè)縮減為兩個(gè)，并根據(jù)各傳感器節(jié)點(diǎn)在當(dāng)前優(yōu)化時(shí)槽中網(wǎng)絡(luò)中的拓?fù)湮恢眯畔⒁约澳芰坎杉畔㈩A(yù)先決定該節(jié)點(diǎn)的最優(yōu)數(shù)據(jù)壓縮策略。具體地，為每個(gè)節(jié)點(diǎn)i定義兩種權(quán)值αi(t)和βi(t)分別反映其在時(shí)槽t中的拓?fù)湮恢煤筒杉芰康膬?yōu)先級(jí)，定義如下：

αi(t)=|Di(t)|/N

(16)

βi(t)=λi(t)/maxi{λi(t)}

(17)

其中|·|為求基操作符號(hào)。定義(16)說明，當(dāng)一個(gè)節(jié)點(diǎn)的子孫節(jié)點(diǎn)越多，其數(shù)據(jù)負(fù)載越高，預(yù)期能量消耗越高，拓?fù)湮恢脵?quán)值越大；定義(17)說明，一個(gè)節(jié)點(diǎn)的能量采集速率越高，其能量采集權(quán)值越大。在式(16)、(17)中分別對權(quán)值進(jìn)行了歸一化處理。最后定義權(quán)值閾值ω,當(dāng)

βi(t)-αi(t)>ω

(18)

由于問題(Q)的優(yōu)化目標(biāo)、約束條件均為關(guān)于r(t)和f(t)的線性函數(shù)，易知該問題可以通過現(xiàn)有的線性規(guī)劃算法解決。

首先決定各傳感器節(jié)點(diǎn)的壓縮策略，在此基礎(chǔ)上優(yōu)化各節(jié)點(diǎn)采樣速率和鏈路數(shù)據(jù)流速率，接著根據(jù)優(yōu)化的速率反過來優(yōu)化各節(jié)點(diǎn)的壓縮策略，重復(fù)上述步驟直到網(wǎng)絡(luò)性能不能再優(yōu)化為止。至此，給出HCSO算法流程如圖3所示。

圖3 HSCO算法流程

注意到在調(diào)整最優(yōu)壓縮策略時(shí)，采用從外至內(nèi)的順序優(yōu)化是因?yàn)檫h(yuǎn)處的節(jié)點(diǎn)的策略改變引發(fā)的流量改變會(huì)對近處的節(jié)點(diǎn)造成影響，而反之不成立。特別地，當(dāng)節(jié)點(diǎn)從非壓縮模式轉(zhuǎn)變?yōu)楦?低壓縮比模式時(shí)，會(huì)使流出該節(jié)點(diǎn)可壓縮數(shù)據(jù)流降為零，進(jìn)而對其到sink的路徑上使用數(shù)據(jù)壓縮模式的節(jié)點(diǎn)產(chǎn)生影響，故需要對這些節(jié)點(diǎn)協(xié)同優(yōu)化。另一方面，為使優(yōu)化過程能夠收斂，對于在循環(huán)優(yōu)化中發(fā)送策略搖擺不定的節(jié)點(diǎn)，采用固定其數(shù)據(jù)壓縮模式的方法。

4 算法評估

4.1 復(fù)雜度分析

本節(jié)對提出的兩種算法的時(shí)間復(fù)雜度進(jìn)行簡要分析。對于LCSO算法，在確定了節(jié)點(diǎn)自身的采樣速率和來自孩子節(jié)點(diǎn)的數(shù)據(jù)流速率后，根據(jù)第二章的結(jié)論需要進(jìn)行三次判斷決定其最優(yōu)壓縮策略，復(fù)雜度為O(1)。給定本文中算法的最大循環(huán)迭代次數(shù)為Imax,可得到LCSO算法的時(shí)間復(fù)雜度上界為ImaxO(1)。同理，對于HCSO算法，由于求解問題(Q)的復(fù)雜度是關(guān)于其變量個(gè)數(shù)的多項(xiàng)式級(jí)別，且該問題中的變量總數(shù)為：

|r(t)|+|f(t)|=N+N-1=O(N)

可知HCSO算法的時(shí)間復(fù)雜度上限為ImaxO(PN),其中PN是關(guān)于N的多項(xiàng)式函數(shù)。

4.2 性能評估

本節(jié)以Matlab為仿真平臺(tái)實(shí)驗(yàn)驗(yàn)證LCSO算法和HCSO算法在能量采集傳感器網(wǎng)絡(luò)中的有效性，在180 m×180 m的監(jiān)測區(qū)域中隨機(jī)布置49個(gè)可充電無線傳感節(jié)點(diǎn)如圖4(a)所示，值得提出的是雖然該布置較為稀疏，但本文的實(shí)驗(yàn)結(jié)果對傳感器密度并不敏感。網(wǎng)關(guān)節(jié)點(diǎn)sink位監(jiān)測區(qū)域中心坐標(biāo)(90,90)。為模擬真實(shí)環(huán)境中的建筑遮擋對能量采集的影響，假定建筑處于監(jiān)測區(qū)域的東側(cè)且太陽光入射角從東向西移動(dòng)，因此，圖4(b)所示的區(qū)域1～4中的傳感器節(jié)點(diǎn)在不同時(shí)段處于不同的陰影遮擋中，假設(shè)陰影遮擋區(qū)域內(nèi)的節(jié)點(diǎn)能量采集速率為0.5 mW/cm2，而處于光照區(qū)域內(nèi)的節(jié)點(diǎn)的能量采集強(qiáng)度如表1所示。

圖4 網(wǎng)絡(luò)仿真場景

實(shí)驗(yàn)的具體參數(shù)設(shè)置參考表2，其中Bmax代表傳感器節(jié)點(diǎn)的最大電池容量。本文設(shè)置的實(shí)驗(yàn)對比對象為ASCS[14]，該算法考慮了節(jié)點(diǎn)的能量采集速率，動(dòng)態(tài)地調(diào)整數(shù)據(jù)采樣速率并在高壓縮比模式、低壓縮比模式和節(jié)能模式中選擇一種最優(yōu)的工作模式。

表1 能量采集的時(shí)空變化特性

表2 實(shí)驗(yàn)參數(shù)

為了理解不同算法在采集能量時(shí)間空間變化下的表現(xiàn)，首先選取了兩個(gè)傳感器節(jié)點(diǎn)觀察其電量水平隨時(shí)間的變化曲線，如圖5所示，其中節(jié)點(diǎn)4和節(jié)點(diǎn)24分別是網(wǎng)絡(luò)中具有代表性的遠(yuǎn)離sink和靠近sink的兩個(gè)傳感器節(jié)點(diǎn)。從圖中可知，本文的HCSO算法和DCSO算法對于網(wǎng)絡(luò)中不同位置的節(jié)點(diǎn)均能夠維持其較為均衡的電量水平，有利于網(wǎng)絡(luò)收集更多的數(shù)據(jù)。ASCS算法在葉子節(jié)點(diǎn)4處的不同時(shí)間擁有最高的電量水平，然而在負(fù)載較重的節(jié)點(diǎn)24處出現(xiàn)了電量耗盡的情況，從而使得其網(wǎng)絡(luò)性能受損(見表3)，由此可見，網(wǎng)絡(luò)性能由網(wǎng)絡(luò)中處于能量瓶頸的節(jié)點(diǎn)決定，根據(jù)節(jié)點(diǎn)的拓?fù)湮恢迷诓杉芰考s束下選擇最優(yōu)的壓縮策略，實(shí)現(xiàn)網(wǎng)絡(luò)中的電池能量水平均衡，是實(shí)現(xiàn)最大化網(wǎng)絡(luò)性能的必要條件。

圖5 不同傳感器節(jié)點(diǎn)的電量水平隨時(shí)間變化

表3描述了不同時(shí)段中采用各算法時(shí)網(wǎng)絡(luò)中sink收集的采樣數(shù)據(jù)總量，即網(wǎng)絡(luò)性能。由于陰影遮擋部分的區(qū)域隨時(shí)間增長而增大，三種算法的采樣數(shù)據(jù)總量均呈現(xiàn)降低的趨勢。本文的HCSO算法根據(jù)全局的網(wǎng)絡(luò)信息統(tǒng)籌優(yōu)化，計(jì)算最優(yōu)的壓縮策略和節(jié)點(diǎn)采樣速率，在不同的時(shí)間段都實(shí)現(xiàn)了最好的網(wǎng)絡(luò)性能；而DCSO算法由于只利用了局部的鄰居信息，其性能略微低于HCSO算法；ASCS算法沒有在壓縮能量模型中考慮節(jié)點(diǎn)的數(shù)據(jù)轉(zhuǎn)發(fā)帶來的影響，使得遠(yuǎn)處節(jié)點(diǎn)的數(shù)據(jù)采樣速率限制了近處節(jié)點(diǎn)的采樣速率優(yōu)化，從而降低了其網(wǎng)絡(luò)表現(xiàn)。

表3 網(wǎng)絡(luò)收集數(shù)據(jù)總量(×106KB)隨時(shí)段變化

圖6中給出了三種算法的信息交換代價(jià)。本文的HCSO算法需要多輪迭代優(yōu)化子過程，在每個(gè)子過程中各傳感器節(jié)點(diǎn)將自身的采樣速率上傳給sink節(jié)點(diǎn)，其通信代價(jià)最高；而DCSO算法只有一跳鄰居的信息交換，它在較低的通信代價(jià)下能夠?qū)崿F(xiàn)與HCSO相當(dāng)?shù)膬?yōu)化性能。在圖6中，沒有給出ASCS算法的代價(jià)，因?yàn)樗桓鶕?jù)自己的能量水平?jīng)Q定壓縮策略和采樣速率，信息交換代價(jià)為零。另一方面，可以看出HCSO和DCSO的信息交換代價(jià)與時(shí)間即采集能量的水平變化關(guān)系并不明顯。

圖6 網(wǎng)絡(luò)信息交換代價(jià)隨時(shí)間變化

5 結(jié)語

為實(shí)現(xiàn)能量采集無線傳感器網(wǎng)絡(luò)中的吞吐量最大化，本文采用了一種基于節(jié)點(diǎn)動(dòng)態(tài)采樣速率和數(shù)據(jù)壓縮的策略，分別提出本地算法LCSO和全局的啟發(fā)式優(yōu)化算法HCSO，綜合考慮了傳感器節(jié)點(diǎn)能量采集的時(shí)空變化特性和其在數(shù)據(jù)匯聚樹中的拓?fù)湮恢眯畔?。仿真?shí)驗(yàn)結(jié)果表示，提出的兩種算法在維持電量水平穩(wěn)定的情形下，均有效提升了網(wǎng)絡(luò)收集的數(shù)據(jù)總量。