LBODC：基于元启发式的占空比方法，用于能量收集无线传感器网络中的能源管理

《Sustainable Computing: Informatics and Systems》：LBODC: Metaheuristic-based duty cycle method for energy management in energy-harvesting wireless sensor networks

　　侯赛因·内加赫达里（Hossein Negahdari）| 法希梅·马赫迪扬（Fahimeh Mahdiyan）| 扎赫拉·希尔莫哈马迪（Zahra Shirmohammadi）
伊朗德黑兰沙希德·拉贾伊教师培训大学（Shahid Rajaee Teacher Training University）计算机工程系

**摘要**
能量收集无线体域网络（EH-WBANs）通过收集和传输关键信息来监测患者的健康状况。EH-WBANs面临的主要挑战之一是管理节点能量以维持持续运行。提出了一种称为“ duty cycling”（任务调度）的方法，该方法通过安排节点的睡眠和唤醒时间来延长网络寿命。基于启发式算法的先前方法在确定节点任务调度时存在以下缺点：（1）由于无法识别能够优化整体网络性能的最佳活跃节点集，这些方法容易陷入局部最优解；这意味着它们只能在较小的搜索空间内选择最优解，而无法找到最高效和最有效的活跃节点集。此外，（2）这些方法假设能量收集过程是恒定不变的，而在现实世界中，能量收集源的行为是多变的。本文介绍了一种名为“基于瓢虫优化的任务调度方法”（Ladybug Optimization-Based Duty Cycle，LBODC）的自适应策略，旨在解决EH-WBANs中的这些问题。该方法利用了受瓢虫生命周期启发的元启发式算法，通过设计合适的适应度函数（考虑最小支配集和节点剩余能量），来确定能够延长网络寿命的最佳活跃节点集。该方法通过以下方式解决了上述问题：（1）结合多样化机制、随机调整和选择性淘汰低质量候选节点，从而提高算法逃离局部最优解的能力，并确保更全面地探索搜索空间以获得更优解；（2）考虑具有不同能量收集率的节点，使方法能够适应随时间变化的能量收集资源。仿真结果表明，与现有方法相比，LBODC可将网络运行寿命延长多达15%，同时将节点中未使用的剩余能量减少约30%，并且识别最佳解的频率比其他方法高出约70%。

**引言**
能量收集无线体域网络是医学领域的一项先进技术，可实现持续和实时的患者健康监测[1]。EH-WBANs中使用的节点包括可穿戴节点和植入式节点，用于监测生理参数。可穿戴传感器放置在身体表面，记录心率、体温和血压等数据；而植入式节点则放置在体内，以更准确地监测氧气压力或血糖水平等参数。这些节点通常由热能、太阳能或生物机械能等可再生能源供电，以确保长时间稳定运行[2]。收集到的信息会被发送到医疗中心或相关设备，以便采取必要的措施改善患者状况。

EH-WBANs面临的主要挑战之一是能量管理，这直接影响网络性能和寿命[3]。尽管通过为节点配备能量收集器部分缓解了这一问题，但能量收集仍然具有不可预测性和不可控性。换句话说，能量收集率可能会显著波动，导致某些节点能量耗尽或饱和。研究表明，不当的能量消耗管理会缩短网络寿命并导致性能下降。此外，节点间的能量消耗不平衡以及在不同时间间隔选择不当的活跃节点可能导致网络连接失败，尤其是在紧急情况下丢失关键数据包。因此，有效的能量管理方法对于确保这些网络的稳定性和效率至关重要。

近年来，已经引入了多种方法来优化能量消耗并提高EH-WBANs的性能。其中一种有效的方法是睡眠-唤醒调度（Duty Cycling）[3]。在这种方法中，节点定期在“活跃”状态和“不活跃”状态之间切换。在活跃状态下，节点执行任务，如收集环境数据、向邻近节点或中心站发送信息以及处理数据；在不活跃状态下，节点进入低功耗模式，大部分组件处于关闭状态以节省能量[4]。该方法分为三类：（1）静态方法；（2）基于学习的方法；（3）元启发式方法。静态方法[1][2][5][6][7]由于过度依赖节点的能量水平，通常无法获得满意的结果。尽管基于学习的方法[3][4][8][9][10]效果较好，但存在计算复杂度高、需要大量训练数据以及在动态EH-WBAN环境中可能过拟合的问题。元启发式方法[11][12][13][14]由于其灵活性和适应性表现出更好的性能，但无法识别既能保证最佳性能又能确保网络稳定性的最佳活跃节点集。此外，这些方法在寻找最优解时也可能出现不收敛或耗时较长的情况。睡眠-唤醒调度方法的主要问题包括：（1）选择活跃节点时的不平衡；（2）这些方法未能充分利用节点的潜力，导致某些节点能量过剩而其他节点过快耗尽能量；（3）某些节点可能过早离开网络，从而威胁网络连通性。大多数现有方法假设网络和节点具有预定义的结构，将节点视为同质的[5]，并且假设能量收集条件是恒定的，这导致在实际网络条件下缺乏灵活性，最终缩短网络寿命。

本文提出了一种新的睡眠-唤醒调度方法，称为“基于瓢虫优化的任务调度”（LBODC）。该方法的核心思想是将受瓢虫行为启发的优化方法与能量管理技术相结合，通过最优选择活跃节点来最小化能量消耗并最大化网络寿命。该方法根据节点的剩余能量及其在维持网络连通性和覆盖范围中的作用来选择节点，从而不仅优化了剩余能量分布，还增强了网络稳定性。LBODC通过平衡探索和利用，并结合随机扰动，选择每个周期内的最佳活跃节点集。此外，淘汰较弱的活跃节点集有助于加速收敛到最优解。该方法确保处于能量耗尽风险中的节点有机会收集能量并恢复到稳定运行状态。LBODC解决了以下问题：（1）防止节点完全耗尽能量，确保其持续参与网络并可靠地中继关键数据；（2）根据平均剩余能量选择每个时间槽的活跃节点集，确保网络内的能量消耗均匀；（3）利用最小支配集选择每个时间槽中最少的节点，节省能量同时保持网络连通性；（4）在网络寿命结束后最小化节点的平均剩余能量，防止能量浪费。该方法使用基于最小支配集和剩余能量概念的成本函数来确定最佳活跃节点集。

为了比较LBODC与其他现有方法的性能，设计了多种场景并进行仿真。评估了网络寿命、节点平均剩余能量、首个节点死亡时间、半数节点死亡时间、能量公平性和全局最佳发现率等参数。仿真在不同的能量收集条件和初始能量下进行，以评估各种情况下的方法性能。此外，还进行了其他仿真以评估最佳解的发现频率，并将结果与现有方法进行比较。其他仿真评估了LBODC的收敛性和执行速度，以及瓢虫算法参数对LBODC收敛性的影响。

**本文的主要创新和贡献**：
- 提出了一种使用瓢虫优化算法的睡眠-唤醒任务调度方法，用于能量收集WBAN节点，以最大化网络寿命并增强网络稳定性；
- 整合了最小支配集概念，选择负责数据收集并在不活跃节点与汇聚节点之间保持连通性的最少活跃节点数；
- 开发了一个全面的成本函数，考虑了活跃节点集的大小、活跃节点与不活跃节点之间的连通性、节点能量水平、剩余网络能量分布以及处于能量耗尽风险的节点，以确定最佳活跃节点集；
- 将EH-WBAN任务调度问题表述为一个受时间槽支配集优化问题，同时考虑连通性、覆盖范围和能量阈值约束；
- 实施了一种能量平衡的激活策略，防止重复选择接近耗尽的高度活跃节点，并促进网络内的均匀能量消耗；
- 建立了一个异构能量收集评估框架，包括基于时间槽的寿命定义、公平性指标和未使用能量分析。

**论文结构**：
第2节回顾了WBANs中任务调度和优化的相关工作；第3节描述了系统模型，包括节点的能量消耗和收集；第4节详细介绍了所提出的算法和优化方法；第5节展示了仿真结果并评估了所提方法的性能；第6节总结了全文。

**相关工作**
在无线传感器网络中，尤其是能量收集无线体域网络（EH-WBANs）中，已经广泛研究了能量高效的任务调度控制，因为长期可持续性和可靠的生理监测至关重要。与传统WSNs不同，由于人类移动性、姿势变化和异构能量收集源的存在，WBAN环境中的能量可用性变化很大。这些特性使得睡眠-唤醒调度和EH-WBAN架构变得复杂。在无线体域网络（WBAN）中，各种传感器节点被安装在衣物上、身体上，甚至植入皮肤下。能量收集无线体域网络（EH-WBAN）通过持续监测患者的健康状况来检测和预防潜在的健康风险，并将收集的数据传输给医生和护理人员。节点收集数据后通过互联网和其他通信介质发送到汇聚节点。

**LBODC算法概述**
瓢虫优化（LBO）算法是一种受瓢虫启发的元启发式方法，包括三个主要步骤[15]：
1. 确定每个瓢虫的位置；
2. 更新瓢虫的位置；
3. 消除失效的瓢虫。
LBO的关键创新在于其种群位置更新方式，该方法通过两种方式实现。该算法的另一个优点是能够淘汰较弱的成员，从而加快搜索过程。

**提出的睡眠和唤醒方法**
算法1展示了用于解决网络节点睡眠和唤醒周期问题的整体流程。在算法中，初始化网络节点后，迭代过程一直进行，直到瓢虫优化算法确定当前帧内可行的活跃节点集。算法2展示了LBODC方法的运作方式，首先生成初始种群，然后根据瓢虫的行为进行优化。

**仿真结果与分析**
使用Jupyter Notebook环境中的Python对EH-WBAN场景进行了仿真。每个评估周期包含10到50次测量。第7.1节研究了npopinit参数的不同值和代数对瓢虫优化算法获得解决方案质量的影响，以及感知数据变化阈值率对数据完整性的影响。第7.2节评估了所提方法的效果。

**结论**
本文提出了一种基于瓢虫优化算法（LBODC）的睡眠/唤醒任务调度方法，用于EH-WBAN网络，其效果优于现有方法。所提出的方法表明，将结构约束与自适应能量建模相结合可以实现网络功能的持续运行。在每个周期中，瓢虫算法生成一组候选节点作为初始种群。这套作品的评价和评分基于以下标准：作者贡献声明（CRediT）、Hossein Negahdari的写作工作（包括审稿和编辑（Review & Editing）以及初稿撰写（Original Draft）；Fahimeh Mahdiyan的正式分析（Formal Analysis）；以及Zahra Shirmohammadi在资金获取（Funding Acquisition）和正式分析（Formal Analysis）方面的贡献。

**利益冲突声明**
作者声明了以下可能被视为潜在利益冲突的财务利益或个人关系：Zahra Shirmohammadi表示其工作得到了Shahid Rajaee教师培训大学的行政支持。如果还有其他作者，他们也声明自己没有已知的可能影响本文研究结果的财务利益或个人关系。