[发明专利]一种基于图神经网络和强化学习的WRSN充电调度方法

说明书

本发明涉及一种基于图神经网络和强化学习的WRSN充电调度方法，属于利用无线充电技术延长无线传感器网络生存周期的研究领域。大规模WRSN中单个可移动充电器(MC)显然不能应对繁重的充电任务，而常规的多MC充电调度方案中MCs能量利用率低下且各个MC的充电负载不均衡，制约了整个网络的充电效率。本发明将WRSN中的多MC充电调度问题建模为多目标优化问题，并将传感器节点分配问题建模为多旅行商问题(MTSP)。提出了一种基于图神经网络和强化学习的充电调度方法(GRCS)，建立了多MC协同的充电模型，并采用强化学习训练模型从而为充电调度问题生成近似最优解。本发明在提高MCs能量利用率的同时均衡各个MC的充电负载，在延长网络生存时间的同时显著提高了充电效率。

技术领域

本发明涉及一种基于图神经网络和强化学习的WRSN充电调度方法，属于利于无线充电技术延长无线传感器网络生存期的研究领域。

背景技术

无线传感器网络(WSN)被广泛应用于物联网的各个场景，但由于传感器节点采用电池供电，有限的电池容量使传感器不能长时间有效的工作，阻碍了WSN的大规模部署。无线能量传输的迅速发展为解决WSN中节点的能量限制问题提供了新思路，使得无线可充电传感器网络(WRSN)应运而生，其中配备有谐振线圈的可移动充电装置(MC)用于将能量无线传输到传感器节点，使WSN的生存时间不再受限于传感器的电池容量。理想情况下，WRSN的寿命可以达到无限长。

无线可充电传感器网络(WRSN)由三类成员组成:一个基站(BS)、n个传感器节点和m个移动充电设备(MCs)。其中传感器节点和基站固定不动且位置已知，基站作为最终的数据采集器不受能量限制，MCs和传感器节点电池容量有限，MCs是一种具有自主移动、计算和通信能力的设备，例如智能小车或移动机器人，并带有无线能量传输装置为传感器节点补充能量，其自身可通过BS快速更换电池。而在WRSN中如何高效的调度MCs为节点补充能量是当前的最大挑战，并受到了国内外研究者的广泛研究。

Lei Mo等学者于2019年在IEEE internet of things journal发表的“Energy-Aware Multiple Mobile Chargers Coordination for Wireless Rechargeable SensorNetworks”研究了WRSN中多MC充电过程中的协调问题，将MCs协调问题描述为一个混合整数线性规划，将充电调度问题分为MC调度子问题和MC移动时间、充电时间子问题，并提出一种新的分解方法来求解，提高了充电效率。

T Liu等学者于2020年在IEEE Conference on Computer Communications发表的“An Effective Multi-node Charging Scheme for Wireless Rechargeable SensorNetworks”提出了一种多节点时空部分充电算法(MTSPC)在减少节点死亡率的同时最大化MC充电效率。MC以部分充电的方式为节点充电，且在同一充电范围内的多个传感器节点可同时得到能量补充。

从出版的文献中，尚无这样的研究工作来利用图神经网络和强化学习技术来解决WRSN中对多个移动充电器调度策略的优化。现有的多MC充电规划研究大多仅考虑单一性能指标，并未考虑到MCs承担充电任务的均衡性。考虑MCs充电任务的均衡性一方面可以提高MCs整体充电效率,减少MC数量；另一方面可以避免单个MC负载较重而造成节点饥饿死亡的问题，提升整个网络的生存时间。WRSN中的充电调度被证明是NP-hard问题，对于NP-hard问题没有可用于监督学习的最优标签。目前已有的研究工作大多基于传统的优化方法，如枚举策略,近似算法和启发式算法等。传统方法对于NP-hard问题一般不容易得到满足实际需求的最优方案，很难适应复杂多变的环境，甚至把问题过于简单化。因此充电调度工作仍需进一步优化。

发明内容