减少能量消耗的方法模板(10篇)

时间:2024-01-27 16:35:42

导言:作为写作爱好者,不可错过为您精心挑选的10篇减少能量消耗的方法,它们将为您的写作提供全新的视角,我们衷心期待您的阅读,并希望这些内容能为您提供灵感和参考。

减少能量消耗的方法

篇1

要实现我省女子排球运动员的合理营养和科学补充,既保持良好的体能又保持良好的体型,必须先了解运动员的能量消耗。由于不同运动项目具有各自独特的方式和特点,所以,各运动项目的强度、量度、密度、时间并不完全相同,因而能量消耗和需求也不相同,因此,准确评估女子排球运动员的能量消耗和需求具有重要意义。

本研究目标,利用Senseware Armband便携式能量消耗测定仪,开展女子排球运动员能量消耗测定研究,为制定运动员营养推荐标准提供依据,为运动员合理营养和实施营养干预方案提供依据。

1研究对象和研究方法

研究对象:选取河南省女子排球运动员6名为测试对象。测试流程及细节均告知受试者并取得同意后进行,所有受试者测试期间均无感冒发热,无代谢疾病等问题。

研究方法:采用Senseware Armband便携式能量消耗测定仪测量能量消耗,受试者于优势侧上臂肱三头肌处佩戴,除洗澡时间外,训练、日常活动和睡眠时间连续佩戴两天。采用T-SCAN PLUSⅡ身体成分分析仪测试运动员身高、体重、基础代谢率,同时调查运动员一般情况信息和训练信息。

数据统计、分析:包括每日总能量消耗,总运动时间和运动能量消耗及占总能量消耗的百分比、恢复期能量消耗量及占总能量消耗的百分比、不同训练课内容的运动时间和能量消耗量及占总能量消耗的百分比。实验数据经SPSS11.5数据软件包处理,结果以平均数加减标准差。

2研究结果

2.1研究对象基本情况

受试者年龄、身高、体重和基础代谢率如表1所示。

2.2女子排球运动员能量消耗的测试结果

女子排球运动员每日上、下午的训练时间均为120分钟左右,运动员上午训练的平均能耗在652千卡,平均代谢当量(METs)5.1;下午训练的平均能耗在706千卡,平均代谢当量(METs)5.9。女运动员在6天的连续测试中,训练能量消耗占总能量消耗的38.5%;

3分析与讨论

美国新研制的Senseware Armband便携式能量消耗测定仪具有双轴加速度感受器、皮肤温度感受器、臂带周围环境温度感受器、皮肤电流反应感受器和心率感受器等多个感受器捕获数据计算能量消耗,可以测定运动或生活、休息状态下24小时的日能耗量,并能按时间对运动进行分割,确定所进行活动的时间和运动强度,运动员除洗澡外,其他训练、日常活动或睡眠时间均可佩戴测定,文献报道其与间接测热法相比准确性和重复性达到85-90%以上〔12,13〕。

机体每天的能量消耗包括维持生命的基础能量消耗、进食引起的能量消耗即食物的特殊动力作用和运动能量消耗。运动的能量消耗是指运动引起的能量消耗,是能量消耗变异最大的部分,平均占能量消耗的25%-30%,在大强度持续运动的极端情况下,可以高达75%。运动能量消耗是人体控制能量消耗、维持能量平衡、存进健康最重要的一部分。

运动能量消耗的影响因素众多,例如环境温度、体重、年龄、性别等。对于同质人群能量消耗主要与身高、体重、去脂体重和BMI指标正相关,即身高越高、体重和去脂体重越重,其能耗量也就越大,所以要使运动更为经济,减少运动过程中相对的能耗,必须要求运动员保持好的身材〔14〕。该研究结果显示,女运动员全日的能量消耗均小于3590千卡,与我国优秀运动员营养推荐标准中田径运动员能量摄入推荐标准范围3700~4700千卡有一定差距〔15〕,所以在营养补充上要适当低于优秀运动员的推荐标准,否则会造成体重逐渐增加,身体脂肪含量增加,最终会影响运动成绩。从本研究的结果中可以看出,女运动员的平均训练的能量消耗可以达到或接近我国优秀田径运动员能量摄入推荐标准,但是不同个体的实际训练的能量消耗存在着显著的个体差异,所以在运动训练和营养补充中都不能“一刀切”,而应该根据个体之间的差异进行个性化的指导。

参考文献

〔1〕Chen KY,Basselt DR.The technology of accelerom etrybased activity monitors current and future〔J〕.Med Sci Sports Exerc,2005,37(11):490-500.

篇2

doi:10.3969/j.issn.1006-1959.2010.05.213文章编号:1006-1959(2010)-05-1221-02

Daily activities in patients with chronic hepatitis B Quantitative Analysis of nursing intervention PU Ding-qi. Sichuan Province Zhong Jiang county town south community hygiene service centre (Red Cross hospital) zip code:618100

【Abstract】Objective:Analyse effect and effect in discussing the daily activity quantization nursing interfering with in clinical nursing of chronic hepatitis B (CHB) patient.Methods:Be in hospital with 58 examples the CHB patient random is every 29 examples mark interfere with a group and contrast a group.Interfere with a group implementing quantization to daily activity on routine nursing basis interfering with;Contrast the group line routine nursing.2 group,equally,every examining the l the third revolution of time of grain ammonia enzyme (ALT) and general bilirubin (TBIL) across 7 ds,and carries out comparison.Time at the same time,observing change condition,daily activity sustained time that 2 set of energies consume and being in hospital.Results:2 set of daily activities sustained time difference has statistics meaning (P

【Key words】Chronic hepatitis B;Daily activities;Quantify interference

对于慢性乙型肝炎(CHB)的治疗手段目前主要还是依靠休息、饮食、药物等综合措施,其中卧床休息是很重要的环节,尤其是肝功能明显异常时,卧床休息更为重要[1]。临床上,护理人员在给CHB患者实施护理健康教育时,一般只是停留在表面,告诉患者如何去"休息",休息到怎样一个度,没有具体的量化数据,说服力较弱,患者的主观依从性差,导致护理质量下降,影响临床疗效。鉴于此,我科2005-2008年10月对29例CHB住院患者的日常活动实施量化护理干预,获得良好的效果,现报道如下。

1.资料与方法

1.1 一般资料:收集58例CHB患者,均为我科2005-2008年10月的住院患者,随机分为干预组和对照组各29例。干预组男19例,女10例,年龄16-60岁,平均年龄(43.15±4.5)岁;对照组男17例,女12例,年龄18-61岁,平均年龄(48.32±5.55)岁。2组患者在年龄、性别、病情等方面差异无统计学意义(P>0.05)。并向患者告知研究方案和方法,均在知情同意的条件下,自愿参加此研究。本组患CHB的诊断参照2000年9月的中华医学会传染病学会制订的诊断标准[2],入选患者谷丙转氨酶(ALT)120-600U/L,总胆红素(TBIL)50-150μmol/L。排除合并有甲亢、血液病、严重贫血、严重心肺疾病者。

1.2 方法:每组患者药物治疗采取统一肝炎治疗方案。干预组在常规护理基础上,实施日常活动量化干预;对照组仅实施常规护理。(1)干预方法。对干预组患者日常活动采取以下日常活动量化干预措施:根据WHO报告的要因加算法,将日常活动分为休息、轻体力、中体力、重体力4种活动类型,即24h内日常活动及时间的安排-休息类(卧床休息、午睡、晚睡等)为12-13h;轻体力类(穿脱衣服、看电视等)为9-10h;中体力类(步行、上下楼等)为l.0-2.5h;重体力类(跑步等)为0-0.5h。(2)日常活动项目能量消耗量的估测。2组患者均采用生活观察法、全天活动时间记录法[3,4],详细登记其24h中各种活动类型的内容和时间,以mim为单位准确记录24h内从事的各项日常活动类型及起止时间,1d之内相同的活动时间相加,最后得出1d内各项活动所用的时间。测量2组患者的体质量(清晨空腹、脱鞋帽、外衣),以kg为单位,读数精确到0.1kg。根据日常活动量与能量消耗率之间的转换方法将消耗量数据化,即各类活动项目的能量消耗量=体质量×kJ.kg-1.min-1×活动时间。合计求出全天总能量消耗量。

1.3 观察指标:2组病例每隔7d(根据病情需要必要时可加查)查ALT、TBIL,观察ALT、TBIL的变化。评价2组患者住院期间ALT、TBIL变化速率[(最高值-最低值/同期时间)]与能量消耗量之间的关系。

1.4 数据处理:应用SPS11、12软件进行统计分析,所得数据以(x±s)表示,计量资料采用t检验。

表1 2组日常活动持续时间的比较

组别nCHB病情严重程度(例)

轻度中度重度不同类型日常活动持续时间(x±s,min)

休息轻体力中体力重体力

干预组2911810347.98±12.95265.55±11.4356.89±13.459.37±4.22

对照组2910811320.45±8.58255.00±13.6367.90±11.9817.94±6.41

表2 2组之间能量消耗量、ALT变化速率、TBIL变化速率和住院天数的比较(x±s)

组别n能量消耗量(kJ)ALT变化速率TBIL变化速率住院天数

干预组293723.50±289.3211.60±2.611.24±1.046.48±1.94

对照组294158.38±233.5810.32±2.970.95±0.894.25±2.87

2.结果

2.1 2组日常活动持续时间的比较,(见表1)。2组日常活动持续时间的比较,干预组休息类,轻体力类、中体力类、重体力类与对照组的比较,t分别为29.321、26.089、-11.201、-18.910,P

2.2 2组住院期可能量消耗量、谷丙转氨酶、总胆红素变化速率和住院天数的比较(见表2)。干预组能量消耗量、ALT变化速率、TBIL变化速率、住院天数与对照组的比较,t分别为-19.983、5.113、4.043、-1.599,P

3.讨论

3.1 有研究表明,人在直立时肝脏的血流量比卧位时减少40%,而直立下活动,甚至可减少80%~85%的肝脏血流量,由于肝脏血流量减少,肝细胞得不到充分的营养和氧,肝内糖元及蛋白质分解增加,这些代谢产物都要通过肝脏减毒,增加了肝脏负荷。人在日常生活活动中因从事的活动项目不同所消耗的能量也明显不同,有的甚至相差5-6倍[5],肝脏为人体能量代谢的主要脏器,能量消耗有可能导致肝功能的损伤,所以,能消耗率的多少与肝功能的恢复有着密切的关系,能量消耗反应了肝功能。ALT主要反映肝细胞的破坏,TBIL反映肝脏的排泄功能,在肝功能的检测中有重要意义。本研究选定ALT、TBIL作为肝功能的主要观察指标。

3.2 CHB患者应处理好休息与活动的辨证关系,休息可以促进肝功能好转,但长期过多休息又可能降低机体抵抗力[6]。本研究对CHB患者日常活动实施量化干预,对照组和干预组患者的住院期间能量消耗量比较,差异又统计学意义(P

临床上,大多数CHB患者在疾病尚未出现严重并发症,且临床症状较轻时,容易对此病存在麻痹思想,有的甚至还坚持上班,这对疾病的治疗是极为不利的,本研究结果提示,能量消耗多少与肝功能恢复密切相关,这就要求临床护理人员必须做好健康教育工作,使患者了解休息在疾病治疗过程中的重要行。在为患者实施健康教育时,建议患者实施日常活动量化干预。具体活动量可以依据本研究中干预组的活动时间,结合患者个体差异制订具体的、量化的日常活动计划,让患者对"休息"的内涵有较为直观的认识,从而由被动的接受变为主动的配合,不仅提高了患者的主观依从性,而且也提高了临床治疗效果。

参考文献

[1] 慢性重型肝炎病人的临床观察与护理[J].中国基层医药,2003,10(11):1208-1210.

[2] 牛俊奇,苏秀芬.肝炎病人生活质量调查分析(附142份健康状况调查)[J].吉林医学,2004,(05):5-7.

[3] 朱虹,彭汉香,张娴,蔡微娜.慢性乙型肝炎病人能量消耗量对肝功能指标的影响[J].护理研究,2006,20,(8):2019-2020.

篇3

中图分类号:TP393文献标识码:A文章编号:1009-3044(2010)21-5743-05

A Energy-aware Multipath Routing in Wireless Sensor Networks

WANG Lin1, DUAN Xiao-yang2

(1.College of Software Engineering, Tongji University, Shanghai 201804, China; 2.School of Computer and Information Engineering Henu University, Kaifeng 475004, China)

Abstract: Recently, there has been a growing interest in the potential use of Wireless Sensor Networks (WSNs) in many applications such as smart environments, disaster management, combat field reconnaissance, and security surveillance. Therefore, to realize their potential, there is a need of an simulation platform that facilities the research of wireless sensor network .This paper focuses on developing node energy consumption in WSN.Therefore, we proposed a energy consumption model based on Markov chain, Furthermore, using the proposed algorithm to improve the multi-paths route scheme can extend the lifetime of the whole WSN by remaining load evenly distributed among several paths. According to performance comparison betweenthe traditional algorithmand the new method, numerical results have been proved feasible.

Key words: WSN; markov; multipath route; energy consumption

无线传感器网络(wireless sensor network,简称WSN )的相关研究已经成为现阶段国内外研究的热点[1-4],这不仅因为WSN相关领域技术的迅速发展,如微机电系统(Micro-Electro-Mechanism System)、无线通信和数字电子技术的发展,另外也是由于WSN在国防军事、环境监测、交通管理、医疗卫生、防恐抗灾等众多领域的广阔应用前景。WSN相关协议需要考虑的主要因素有传感器网络节点的有限计算能力和存储空间、传感器节点有限的能量资源等。由于传感器网络有限的计算能力和存储空间,为尽可能减小节点的运算开销,所设计的路由协议必须简单有效。另外,传感器节点通常由电池供电,因此如何高效率地利用有效的电池资源,从而尽可能地延长节点的生命周期也是WSN相关协议要考虑的重点因素。WSN的网络管理与传统网络管理相比,不仅包括QoS支持、故障管理等功能域,还包括能量管理[2]。而WSN能量管理的核心是能量消耗模型,因此不管在理论意义上还是在现实价值中,建立WSN能量消耗模型都显得十分重要。

WSN路由协议的任务是通过建立路由,使传感器节点和汇聚节点之间可靠地传递数据。能量多路径路由[5]在源节点和目的节点之间建立多条路径,首先基于能量因素给每条路径赋予被选择使用的概率,在发送数据时,根据赋予的概率随机选择其中的一条路径发送,这样就没有一条路径一直传送数据的现象,从而防止一条路径上节点能量消耗过快。就是在源节点和目的节点之间建立多条路径,根据路径上节点的通信量消耗以及节点的均衡消耗节点能量延长网络的生存期。但是由于其是在节点发生故障之后进行路径切换的,因此耗费了大量节点的能量资源。

本文针对现有网络传感器网络节点能量消耗的特点,在分析WSN节点能量消耗特征的基础上,通过对无线传感器网络节点的运行状态利用Markov来进行模拟,建立了无线传感器与网络的节点能量消耗模型,并基于能量消耗模型改进了无线传感器网络多路径路由机制,通过在J-sim [6]无线传感器网络仿真平台进行仿真对比,结果验证了Markov节点能量消耗模型的性能,通过分析改进前后的无线传感器网络多路径机制,结果表明基于能量感知的多路径路由机制能够有效降低节点能量消耗,提高网络生存时间。

下文组织如下,第二节在分析WSN节点能量消耗的基础上提出了一个WSN节点能量消耗模型;第三节基于能量消耗模型,改进了传统的WSN多路径路由机制;第四节在Jsim仿真平台分别对WSN能量消耗模型和改进前后的多路径路由机制进行了分析;最后在第五节总结全文。

1 无线传感器网络节点能量消耗模型

1.1 无线传感器网络节点能量消耗分析

典型的传感器网络体系结构通常由分布的传感器节点、接收发送器、互联网和用户界面等构成。其中,传感器节点作为网络中的独立工作实体,其基本的功能子系统包括供电子系统、计算子系统、传感子系统和通信子系统等,如图1所示,其能量消耗分别说明如下。

供电子系统:主要任务是为其他各个子系统供给能源,它主要由电池和DCDC转换器等模块构成。电池是节点最主要的能量来源,因此它的性能与容量就显得至关重要。为实现延长供电子系统的能量供给时间,从而给其他子系统提供持续性的能量供应,可以采用增加电池容量的方法,但采用有效的再充电技术或是太阳能等再生性能源则更利于保证供电子系统的能量来源,。

计算子系统:主要任务是负责控制传感器、执行通信协议和处理传感数据等软件算法,是节点的控制和计算核心。它主要包括存储器和I/O接口电路、微处理器/微控制器、存储器等硬件。作为节点的数据计算中心和功能控制中心,计算子系统与其他各个子系统联系十分紧密,功能也很复杂。因此,其性能高低、功能强弱、在不同工作状态(活动、空闲和休眠等)的持续时长以及不同状态间的相互切换等,都会对整个节点的能量消耗产生严重影响。硬件上减少计算子系统能量消耗的常用技术包括低功耗器件、适时休眠和空闲时的降频技术等。而要从网络的整体来实现网络节点的能量消耗相对均衡,则采用的主要是节点间的功能轮换。

传感子系统:主要任务是将采样/收集被测控对象的敏感信息转换成相应的数字信息,它主要由一组传感器和ADC、控制器等构成。理想情况下,传感子系统自动检测周期性和非周期性两类事件时[7],它的能量消耗总量可以简单描述为单次采样消耗的能量与采样次数的乘积。因此,该子系统的能量消耗可以从以下两个方面进行控制:一是控制单次数据采样所消耗的能量, 可通过采用低功耗器件,从元器件本身有效控制单次数据采样的能量消耗。二是控制采样频率,有选择性地减少单个节点的采样频率,由于传感器网络众多分布节点中往往是成组节点去监测相同的对象或敏感数据,因此它不会对被测数据有效性和完整性造成破坏,只要依据应用需求合理设置节点采样任务的激活原则,就能在保证数据准确性的前提下,较好地控制该子系统的能量消耗。

通信子系统:主要任务是负责节点的通信,由无线收发部件(radio)构成。影响通信子系统能量消耗的关键因素[8-9]包括无线收发部件采用的调制模式、数据率、发射功率和操作周期等。另外,在没有通信任务时,通信子系统应尽可能地处于休眠期,而不是处于空闲期[9]。这是因为通信子系统即使处于空闲期,也有着与接收期几乎相近的能量消耗。

根据以上分析,以分簇方式组织的无线传感器网络,节点能量消耗主要是数据发送和数据处理模块,节点运行时共分为6个状态,如表1所示。其中状态3和状态4消耗能量最多。

1.2 基于Markov的无线传感器网络节点能量预测模型

无线传感器网络节点的状态转换是建立节点能量消耗仿真模型的基础,采用Markov进行节点能量消耗的预测,其中关键点是转移矩阵的生成。

1.2.1 状态转移概率矩阵生成模型

生成WSN状态转移矩阵有两种可行的办法,一种是WSN节点根据自身过去的历史采集状态值构造自己的状态转移矩阵。另一种方法是混合在同一个区域中节点之间的概率,在这种情况下,迁移矩阵将代表一个网络的特定区域中所有节点的行为。最终生成的状态转移阵如式(1)所示:

(1)

其中

2.2.2 Markov能量消耗预测模型分析

通过建立Markov仿真模型来模拟传感器网络节点能量消耗情况,其模型如下所示:

每个节点中用一个随机变量序列表示该节点在这段时间的状态,假设该随机变量为X0,X1,X2……。那么每个节点在同一时间可以处在不同的模式下。Xn=i表示传感器节点在时间段n处于操作模式i下。假定所有的状态迁移发生在任何时间段的开始阶段,如果状态j是节点在状态i后的下一个状态,用Pij来表示节点由状态i迁移到状态j的概率,则这个概率可用下式来表示:

(1)

定义2阶的迁移概率Pij(2)表示一个节点当前在状态i,经历两次状态迁移后到状态j的概率,则该概率可表示为:

(2)

Pij(2)的计算如下式,可以由Pij得出:

(3)

由上可以得出,若Pij(n)为n阶的迁移概率,则由Chapman-Kolmogorov方程式定义如下:

(4)

对于任意0

(5)

Pij(2)的值就是矩阵P和它自身的乘积矩阵P2(P*P)中第i行第j列的元素。类似的,Pij(n)就是矩阵P的n次方的第i行第j列的元素。又Pm+n=Pm*Pn,所以有:

(6)

在上面的模型中,传感器节点的行为由迁移概率矩阵表示,每个节点的初态由X0表示,这样我们就可以建立整个无线传感器网络能量消耗序列。

假定现在节点在初态i,即X0=i,节点在经过T个时间段后到达状态s,Pis(t)表示节点当前处在初态I,经历t个时间段迁移到达状态S的概率。则节点停留在任意的一个状态s的时间段数可用下式计算:

(7)

假设BS表示节点在状态S停留一个时间段所传输的数据量,BT表示节点当前处在状态i,经过T个时间段后到达状态s所传输的数据总量。而节点经过T个时间段到达状态s 的期望时间段数可由计算出来,于是可以得出BT:

(8)

由计算可以得出每个节点在时间T的数据,总的节点数由下式来计算:

(9)

其中BS表示一个节点在状态s 停留一个时间段所传输的数据量,Ck-i表示它是属于簇Ck 的第i个传感器节点,Pis表示从状态i迁移到状态s的概率。

综合上述可知,根据无线传感器网络的状态转移矩阵和建立Markov模型可以预测节点在T时刻的能量消耗。

2 改进多路径路由协议

2.1 改进思想

在传感器网络中,为了实现网络负载平衡和提高数据传输的可靠性,于是引入了多路径路由。文献提出一种多路径路由机制,通过预先建立和维护一组数据,从而不需要周期性洪泛就能够得到从数据源节点到汇聚节点的传输路径。其基本思想是:在从数据源节点到汇聚节点之间除了建立一条主路径之外,还建立多条备份路径,首先通过主路径传送数据来维护数据的有效性,但当主路径失败时,就从建立的备用路径中选择次优路径进行数据传送。但是,这种思想并不适用于WSN的需求,因为由主路由失败触发的切换机制所引起的负载不均衡会导致传感器节点资源消耗的不均衡,从而降低WSN全网的生存期。改进该思想,可以引入能量消耗预测机制,这样主路径在预测其将要传输失败前就切换至次优路径,从而实现WSN多路径之间的负载均衡。

2.2 实例分析

如在图2所示的WSN节点拓扑中,节点A为传感器源节点,汇聚节点sink node是目的节点,在基于预测的多路径路由机制中,假定路径A-B-C-D-sink node 为主路径,其他两条路径为次优路径。其基本步骤为:

1) 在主路径A-B-C-D-sink node中,每个关键节点中都建立了Markov能量消耗预测模型。

2) 主路径中的关键节点从本地检测网络流量,建立阈值,如果检测到即将发生拥塞,或者本节点能量即将耗尽,或者流量超过本节点负载,则给源节点A发送一个消息。

3) 源节点A接收到关键节点发送的消息后,就会立即进行路径切换,选择一条次优路径进行数据传输。

3 仿真比较分析

3.1 Markov能耗预测模型仿真说明

仿真的主要目的是比较Markov能量消耗感知模型和真实WSN能量消耗的性能,共分为训练时间比较和预测效果比较两个方面,采用了J-sim平台进行比较仿真验证。J-Sim是一种基于Java的、开放源代码的、实时进程驱动的网络仿真平台。该项目由美国DARPA、NSF、Cisco公司及美国高校项目资助开发。除了支持IP网络之外,J-Sim还支持多种有线(MPLS、区分服务、综合服务)和无线网络(Ad hoc网络、无线传感器网络),能够对不同网络层次、不同网络结构、不同网络组件进行实时仿真。

具体仿真步骤如下所示:

1) 在真实环境中中进行WSN节点能量消耗采集,采样流量数据的采集是每隔1秒采集一个数据,采集了88组数据。

2) 在J-Sim中,扩展实现Markov能量消耗模型。

3) 把步骤1)中所采集得到的WSN节点能量消耗数据序列化为矩阵。

4) 利用Markov能量消耗模型模拟WSN节点能量消耗过程。

5) 将仿真结果利用Jsim绘图工具绘制成图。

真实无线传感器网络节点采用了Medusa II Nodes.其能量消耗参数如表2所示。

3.2 WSN能量消耗仿真结果分析

仿真结果如图3所示,在时间段(0,12)WSN节点状态为休眠状态,能量消耗比较少,在时间段(21,42)WSN节点采集传感数据,在时刻31秒是能量消耗很大,然后节点在时间段(47,60)进行传感数据处理,节点能量消耗相对较低,最后在(70,88)节点把传感数据通过路由协议发送给其他节点,整体能量消耗达到最大点,与真实WSN节点能量消耗过程相比,Markov能量消耗模型能够准确的预测出节点运行状态变换,而且在每一个状态中模拟曲线对实际WSN节点能量消耗具有良好的逼近性能,整体误差范围较小,说明基于Markov的WSN能量消耗仿真模型能够有效的预测现有真实WSN节点的能量消耗过程。

3.3 WSN多路径仿真

利用J-sim对改进前后的多路径路由协议进行了性能比较。实验参数如表3所示。

感知节点每次采样生成的数据量为4096byte,分别用改进前后的多路径路由协议机制对数据进行传送。试验中对生存节点个数和全网的能耗在每个采样周期都进行了统计。统计结果如图4所示。

图4(a)为改进前后的存活节点的采样值的统计图。在前400s内,存活节点的数量均未减少,而在400s之后,改进前的多路径路由协议的存活节点数迅速下降,在600s内即减少为0,而在改进后的多路径路由协议机制中,节点的减少速度相对较小,特别在400s-500s之间,与改进前的相比节点的存活数减少趋势较为平缓,最终在700s处才减少为0。因此改进后的协议可有效地减小WSN存活节点的减少速度。

图4(b)为改进前后的全网能耗的统计图。全网的初始功率为200J。基于能量预测的多路径路由协议在同采样时刻中的能耗和全网的生存期中,都表现出较改进前的更好的性能。这是因为在改进前的多路径路由协议中,路径切换至次优路径中是在主路径失败之后,而在改进后的多路径路由协议中,路径的切换是在主路径即将失败时实现的,这样就使得全网的负载在各个路径中的分配得以有效地平衡。这种机制与固定网中常见的重路由机制相类似,区分WSN中切换的是整条路径,而在固定网中只是在路由的某一结点处调整网络流量的物理路径。

4 结论

综上分析,本文通过采用Markov过程来模拟WSN节点的运行状态,从而建立了WSN的节点能量消耗模型,并通过在J-sim网络仿真平台将其与一个真实的WSN节点能量消耗进行了对比分析,仿真结果表明本文提出的WSN能量消耗模型能够有效的表示WSN能量消耗过程,并将能量预测模型引入到WSN多路径路由机制中,结果表明该机制能够有效减少WSN能量消耗,提高WSN中的节点存活数量。

参考文献:

[1] 孙利民,李建中.无线传感器网络[M].北京:清华大学出版社,2005,5.

[2] 崔莉,鞠海玲.无线传感器网络研究进展[J].计算机研究与发展,2005.42(1):163-174.

[3] Wireless Integrated Network Sensors, University of California, Los Angeles.Available: janet.ucla.edu/WINS.

[4] J.M. Kahn, R.H. Katz,,K.S.J. Pister.Next century challenges: Mobile for smart dust,in Proc. Mobicom,1999:483-492.

[5] Ganesan D., Govindan R.etc Highly-resilient, energy-efficient multipath routing in wireless sensor networks. Mobile Computing Review,2002.1(2):11-25.

[6] Jsim.cs.uga.edu/~jam/jsim/.

[7] Rhee S,Seetharam D,Liu S,et al. I Beans: An Ultra low Power Wireless Sensor Network.Interactive Poster in the Fifth International Conference on Ubiquitous Computing (UBICOMP),October,2003.

[8] A. Wang, S-H. Cho, C.G. Sodini, and A.P. Chandrakasan.Energy-efficient modulation and MAC for asymmetric microsensor systems, in Proc.ISLPED, 2001:106-111.

篇4

中图分类号:TH166

文献标志码:A

文章编号:1005-2615(2015)01-0088-08

随着社会的发展,节能已成为大势所趋。企业要想提高竞争力,成本的节约无疑是非常关键的一环,能量消耗的减少,一方面有利于减小企业生产成本,另一方面有利于绿色环保。如果能够仅通过调度优化,在不改变技术、资源等需求的情况下,减少能量消耗,缩短完工时间,对提高企业的竞争力有着非常重要的意义。

在柔性制造提出之后,对工艺规划与车间调度集成的优化问题研究逐渐增多。高亮等论证了工艺规划与车间调度集成的必要性,分析了研究现状及发展趋势。田颖等对遗传算法求解工艺规划与调度集成做了研究。Li等用混合模拟退火与遗传算法对工艺规划进行了优化。他们的研究都是只针对单目标(完工时间)进行优化。当前,对于工艺规划与能量消耗的多目标优化问题研究较少。Liu等在混合流水车间内建立了能量模型,用自适应变异概率的改进遗传算法分别对能耗和完工时间进行优化,比较了两种不同优化目标下的能量消耗情况。Zhang等研究了柔性制造系统中的能量消耗与调度问题。Salido等建立了数学模型,分析了能量消耗、鲁棒性与完工时问之间的关系,提出了节约能量的3种途径:发明高效节能的生产机器、在产品设计阶段充分考虑节能减排、优化生产调度系统,指出第3种方法是最切实可行的“。Mouzon等建立了多目标数学规划模型探讨调度作业的问题,他们指出关闭一台非必要的加工机器,节省的能源消耗占总量的相关份额可能会增加80%。Bruzzone等提出了一种基于混合整数规划的调度算法,在保持原有的固定的工作分配和给定的排序柔性流水作业基上进行能源优化。这些研究都已经开始具备了能量节约因素,但是没有同时进行能量与完工时间的多目标优化。何彦等建立了能量优化与完工时间的双目标优化模型,用禁忌搜索算法对问题进行了求解。但足,他们的双目标模型中,每个工件只有一个工序,且可以在任意一台机器上加工,没有考虑工艺规划的因素。

本文在此基础上建立了工艺规划与车间调度的能量优化模型,采用一种基于模拟退火与遗传算法的混合算法,使用新的交叉方法,配合模拟退火及同火,求解完工时间与能量消耗的多目标优化,通过设置权重系数,使企业可以自由调节优化目标的倾向,以完工时间或是能量消耗为主,或者同时双目标优化。实验结果证明了方法的有效性。

l 问题描述

1.1 工艺规划与车间调度的数学模型

传统的车间调度中每个工件只有一条工艺路线,不能满足现代日益发展的柔性制造要求。在生产实际巾,每个工件可能有几种工艺路线,而每条工艺路线的工序又各不一样。把工艺路线的选择与车间调度同时进行优化,有利于缩短完工时间或达到其他优化目标,从而提高企业竞争力。为了建立数学模型,作如下假设:(1)每台机器一次只能进行一个工序的加工;(2)每台机器从空闲状态到加工状态的准备时间为O;(3)每个工件同时只能被一台设备加工;(4)每台机器从开机到该机器所有的加工任务完成,中间不关机;(5)每个工序的加工从开始到结束不允许被中断。

1.2 能量模型

根据假设,每台机器从任务开始,到本机器所有加工任务完成,一直在运转。在实际生产中,机器的切削能耗占总能耗的比例不大,为了方便建立,数学模型,采用空转功率来计算机器运转淌耗的能量。作如下符号定义:

PAi:机器i运转平均功率,即单位时平均消耗能量。

EAi:机器i运转消耗能量。

EA:所有机器运转消耗能量总和。

2 算法设计

本文提出的混合调度算法主要由遗传编码、遗传操作、模拟退火、模拟回火等模块组成,算法以迭代次数为收敛依据。在算法中,染色体采用分层编码的方式,遗传算法的变异模块用模拟退火代替,同时引入回火机制,既保留了遗传算法的寻优性,义具备模拟退火的突变性。算法流程如图1所示,设置回火代数为20。

算法步骤如下:

(1)基本参数输入,Jm,T,包含详细的工艺路线、加工机器、加工时间等信息;

(2)进行遗传算法操作,初始化种群;

(3)计算适应度值,判断是否满足迭代次数,否则继续;

(4)进行复制交叉、模拟退火、回火操作,产生新的种群,转步骤3;

(5)结束。

2.1 染色体编码及种群初始化

用遗传算法解决优化问题,对染色体的编码设计非常重要.既要包括工艺规划和车间调度的全部信息,又要有利于交叉变异。本文采用分层编码的方式,第一层为工艺选择,码长为工件个数,每个基因的值表示该序号工件选择的工艺路线序号;第二层编码为工序排列。码长为各工件机器矩阵t,,的列数和。以6工件为例,如第一层编码表示为3―2 2 1 3 3,表示1号工件采用第3条工艺路线,2号工件采用第2条工艺路线,3号工件采用第2条工艺路线。第二层编码:3-2-3-1-5-4-3-4-2-1-6-3-6-2-4-1-3-6-3-5-2-1-3-5.该层编码有7个3表示3号工件的7道工序,4个1表示1号工件的4道工序。结合第一层工艺编码,该染色体表示的加工顺序为N312N221N322N131N53lN411N323N412N222N132N631N324N632N223N413N133N325N633N326N532N224N134N327N533,其中,Nijk表示工件i的第j条工艺路线的第k道工序。这种编码的好处是每个个体的长度是一样的,有利于后续的交叉变异操作,而且交叉中不需要考虑各工件的加工工序约束关系。

2.2 适应度函数

在实际生产中,有时候交货期紧张,这个时候就需要完工时间最短,有时候交货期比较松,就可以能量消耗最少为目标。根据这一实际情况,对节能和完工时间的综合采用加权多目标综合方法,设置一个权重系数W来控制目标函数的倾向。由于能量和完工时间量纲的差异,且数值相差较大,不具有可比性,在加权之前需要对能耗和完工时间值作适当的处理,受启发,本文对两个目标进行去量纲处理。先对两个目标单独进行10次优化,取优化过程中出现的最大值Makespan(max),EA(max),最小值Makespan(min),EA(min)。去量纲后的目标函数可表示为

2.3 交叉

交叉是遗传算法进行寻优的重要环节。由于本文采取分层编码的方式,所以交叉也进行分层交叉。

在父代种群Chroml中随机选取两个染色体P1和P2作为父代,满叉概率后,进行分层交叉,如图2所示。工艺部分:分别从P1和P2中取出染色体的工艺部分P11和P21,进行普通的单点交叉,得到O11和021作为子代的工艺部分。工序部分:先取出父代染色体的工序部分P12和P22。根据工件个数n.将n的随机系列随机分为两块A和B,A中含有工件的数为(0.3-0.5)×N个,这样既能维持交叉产生新个体的多样性,又能充分继承父代的优良特性。以6工件为例,假设A=(2,5.6),B=(l,3,4),令Ol2 =P12,O22=P22,将O12中B工件位置置O,将P22中B工件依次填人O12中O的位置。同理,将022中A工件位置置0,将P12中A工件依次填入022中O的位置。将O11和012组合得到子代01,将021和组合得到子代02。将01和02放入子代种群Chrom2中。

对父代种群Chroml以及概率交叉后得到予种群Chrom2采取精英保留策略.即对Chroml和Chrom2进行全排列,取出较优的一半染色体组成新的种群Chrom,这样做的好处是既能得到交叉后的染色体的多样性,义不破坏父代种群中的优良个体。

2.4 变异

为了改善遗传算法容易陷入局部最优的缺点,本文采用模拟退火算法代替遗传算法中的变异模块,步骤如下:

(1)给定初始温度t0,在种群中随机取一个染色体,汁算目标值F。

(2)对染色体进行变异操作。工艺部分:随机取一个工件位置,随机取该工件的另一条工艺路线代替当前工艺路线。若当前工件只有一条工艺路线,则另取一个工件。工序部分:随机将两个基因值不同的工序位置进行交换,得到新的染色体,计算目标值F',即F'-F=df,若dfO,即新染色体劣于原染色体,则概率接受新染色体。接受概率为cxp(-df/t)。

(3)更新温度t=t×q,q为降温系数。

2.5 回火机制

回火,就是连续多代小更新最优解时,人为地增加温度t的值,从而增大突变慨率。在算法运行的每一代中,以tempF记录、当前最优解,tempt记录当前温度,如果新种群最优解优于tempF,则更新tempF和tempt。本文设置回火代数为20,当连续20代不更新tempF时,令t=tempt,提高t的值,也就是提高突变慨牢。

3 算法仿真

目标函数值为0. 042 843。可以看出,不管是完工时间还是能量消耗,都不是单目标优化的最优值,但是目标函数最优。

(3)当w=0时,此时完工时间对目标函数值没有影响,相当于单一的能量优化。如图6所示,目标函数与能量消耗的变化曲线一致。最终的能量消耗值为617. 53,完工时间为37。由图7所示甘特图可以看出,在以能量消耗为单一目标优化的情况下,机器10由于能耗较大,并没有参与工作。

由图3可知,单纯的从车间调度与工艺规划的角度来看,本文的优化结果Makespan一27,优于的结果28,证明了本算法的可行性。图6中的能量消耗为617. 53,与图3中单一的完工时间优化所耗能量为796相比,能量的节约达到22. 5%。由以上结果可以看出,在权重系数W取值不同的结果下,目标函数的优化结果都不一样,企业在实际生产过程中,可以根据需求设置权重系数,在不影响交货期的情况下,最大限度地减少能量消耗。

4 实际案例

某车间需生产10个工件,每个工件有不同的工艺路线,共有加工设备10台,各设备在运转时所消耗的平均功率PU=[2.9,1.O,0.8,0.75,0.7,0. 65,0.95,1.7,0. 85,1.6] kW。加工数据如表l所示。

优化算法的参数设置和第3节一样,权重系数w=0:0.1:1.O,共11组,每组运行 20次,优化结果的完工时间和能量消耗各自取平均值。结果如表2所示。

篇5

 

现代社会不断进步,科学技术不断发展,人们的生活水平也在不断提高。由此而带来的一系列问题也越来越明显,肥胖就是其中之一。肥胖是指身体内脂肪积累过多。肥胖的主要原因是热能不平衡,即营养过度,热能摄入量过剩,长期缺乏运动使新陈代谢逐渐降低,内分泌失调,影响脂肪代谢。由于身体活动量减小,热能的需求量也将减少,从而使多余的热量就以脂肪的形式贮存在体内,使体重、体脂超出正常水平,给人类的生活工作带来诸多的不便,而且影响到人类的健康。肥胖可引起人体机能的一系列变化,使人体的工作能力降低,甚至显著缩短寿命。对于成年人,肥胖是损害健康的先兆,肥胖时由于过量的脂肪在体内堆积,增加了身体负担,过多的脂肪需大量的血液来供应,加重了身体心血管系统负担。肥胖者在同等情况下,氧消耗较正常人高34%-40%,严重肥胖者对疾病的抵抗力下降。肥胖者动作迟缓,易疲劳,常有腰、背、腿疼,不能耐受高温,同时肥胖影响体型美观。论文格式。

随着现代社会的发展,生活水平不断的提高,肥胖症有逐年增加的趋势。近年来社会上出现了多种减肥方法:药物减肥、手术减肥、节食减肥、运动减肥等。减肥方法虽多,但如果应用不当,不仅达不到减肥的目的,还会引起一定的副作用及危险。运动减肥简便易行,效果最好。

研究报导,力量训练也是运动减肥的一种方式,力量训练能够帮助提高新陈代谢,减少脂肪,对减肥有明显的效果,同时可以改善机体的功能,提高机体的免疫功能。中低强度的力量训练是以脂肪供能为主,在运动中可以消耗大量的脂肪。大强度力量训练后的24h恢复期由于基础代谢率的加强,需要消耗更多的能量促进机体恢复,这时以脂肪供能为主。论文格式。因此,从某种意义上相对于中低强度力量训练来说,大强度力量训练可以消耗更多的身体脂肪。最新的研究表明,足够强度的力量训练,能使训练者在训练结束后也保持较高的代谢水平。但另有研究提出,力量训练会给机体带来不必要的伤害,不提倡力量训练减肥。多数实验研究样本为正常人群,肥胖群体作为特殊人群有其不同于正常人群的解剖生理结构,那么,力量训练能否对肥胖人群运动减肥起到积极的效果正是本文的论点。

力量训练是人体在运动中抵抗阻力的能力的训练。各项运动都非常重视力量的训练,提高力量素质就是要发育肌肉并提高神经调节机能。其原因在于:力量来自于肌肉的收缩,肌肉的粗壮必然导致肌力的增加。而神经调节使应该用力的肌肉协调集中的收缩,对抗的肌肉高度放松。

力量训练能够帮助提高新陈代谢,减少脂肪,对减肥有明显的效果,同时可以改善机体的功能,提高机体的免疫功能。力量训练能够控制机体运动时的交感神经分泌肾上腺素增加,刺激机体运动后的能量代谢增加,促进减肥效果。

力量训练会促进身体肌肉和骨骼的增加,即使已停止锻炼,能量消耗还会继续,以便身体生成新的肌肉组织。通过力量训练,身体已经变成一个消耗热量和脂肪的高效能机器,如果你是想要减少脂肪、以达到健美的目标。中低强度的力量训练是以脂肪供能为主,在运动中可以消耗大量的脂肪。大强度力量训练后的24h恢复期由于基础代谢率的提高,需要消耗更多的能量促进机体恢复,这时以脂肪供能为主。

最新的研究表明,足够强度的力量训练,能使训练者在训练结束后也保持较高的代谢水平。运动后过量能耗的增加必须达到一定的阈值强度才能有效果,低强度有氧运动还不能产生这种效果,中强度和大强度运动可以刺激机体运动后的能量消耗。在一定时间内,中低强度运动在运动后只能额外消耗少量的热量,大强度运动可以额外消耗更多能量。大强度力量训练导致机体瘦体重增加,肌肉能有效的消耗脂肪。实验发现,大小两种不同运动强度运动后,最大有氧能力都增加,低强度力量训练组肌糖原降解酶活性下降,而高强度力量训练组糖原降解酶活性增加,促进脂肪β氧化增加。得出结论认为高强度力量训练更易导致机体能量负平衡而达到减肥效果,并且认为大强度运动有利于促进机体骨骼肌对脂肪的氧化。

人们经常会认为运动后能量消耗增多,食欲会增强,食物摄取也会增加,能量过多的摄取足以抵消运动中的能量消耗而致运动减肥没有效果。但实际上大量研究文献表明,运动并不一定会导致食欲增强,运动对食欲的研究结果非常复杂。运动强度是影响运动后食欲的因素之一,而且运动中能量和身体脂肪的消耗在短时间内是不会导致能量摄取增加而抵消,虽然从长远来说,运动最终会导致食物摄取增加而达到能量平衡以维持身体正常体重。力量训练后消耗能量导致能量缺失,但不会在短时间(至少1小时)内导致食欲增加、摄食增多而完全补足运动中所消耗的能量;相反,一定强度的力量训练后,食欲会在短时间内下降,造成“运动性厌食”,但这种厌食行为只会持续一段较短时间,在这段时间过后,如果停止任何运动,往往食欲增加,摄食增多,逐步补充运动所消耗的能量达到能量平衡以维持自身体重。如果坚持长期力量训练,由于食欲抑制而导致的能量摄入减少,会造成身体能量负平衡,对超重和肥胖者控制体重有较好效果。

运动减肥消耗总能量,除了考虑运动中的能量消耗外,还要考虑运动后的能量消耗。对于减脂肪来说,运动中和运动后总能量消耗比单纯运动中的能量消耗更重要。中低强度力量训练可以持续较长时间,是以脂肪供能为主,在运动中可以消耗大量的脂肪,大强度力量训练虽然不能坚持太长时间,但是训练后的24h恢复期由于基础代谢率的增强,需要消耗更多的能量促进身体恢复,这时也以脂肪供能为主。不论中低强度力量训练,还是大强度力量训练,都能消耗大量能量。

篇6

中图分类号TM4 文献标识码A 文章编号 1674-6708(2012)64-0189-02

无线传感器网络中的大量监测数据需经过合理处理,才可满足不同用户的查询需求。但该网络数据的高效查询受到网络自身的限制,其中节点能量是制约其发展的核心因素。为有效降低网络节点的能耗,本文研究了两种算法。

1 基于时间范围查询的优化算法

传感器网络对环境的感应,很多时候要求得到查询时间范围内感应对象的属性变化趋势。若传感器节点上有大量重复数据查询并向基站发送时,可通过拟订新的查询表,将这些查询合并,使大量重复数据一次性发送,减少了节点能量的消耗。该算法充分利用基站强大的计算能力、足够的存储及充足的能量等特点,以求减少节点的通信能量消耗,延长传感器网络的寿命,如流程图1所示。该算法只考虑了时间范围条件下单用户查询的优化,同时在能量消耗上只考虑了发送能量的消耗。

合并查询发送能聊消耗为,优化合并后发送能量消耗为,则能量消耗节省量为,其中,ΔE为能量节省量,t为查询时间范围,T为查询采样周期,f(a)为合并分解次数,a为一次感应属性数据量,A为一次感应总数据量, Es为位能量发送消耗能量。

2 查询类型的归纳并引入的算法

文献[3]给出了一种基于where条件的多查询合并算法,实际上查询中节点上固有属性也可以进行合并。另外文献[3]中给出的查询满足概率是基于属性能够选择的最大范围,而实际上,几乎没有节点在实际工作时能够取得感应的最大范围。针对这两点,本文研究了以下算法。本算法是利用基站存储的节点历史信息,以最小化查询消耗能量为目标,提出一种基于预测查询满足概率的多查询合并算法,以达到能量消耗最小的目的。

以下给出多查询能量消耗模型。假设节点发送一个数据包消耗能量为E,接收一个数据包消耗能量为E。一个节点是否发送数据包,与节点采集的数据是否满足查询的概率P有关。每次采样相互独立,因此n次采样满足查询条件的次数为n×p,每个数据包需要d次转发到基站,一个时间间隔为t的查询单位时间内单个节点发送数据消耗的能量为,接收数据消耗的能量为(此处不考虑最后基站接收数据消耗的能量)。则整个网络的所有节点消耗的能量为,其中,Esi为第i个节点发送一个数据包消耗的能量,Eri为第i个节点接收一个数据包消耗的能量,Pi为第i个节点满足查询条件的概率,为无线传感器网络节点数,di为节点深度(对应发送次数),t为采样周期。

上面各参数中,节点深度di可以根据网络路由计算得到,采样周期可以根据查询需求或网络采样周期得到。下面给出查询满足概率计算方法。假设某查询属性A的搜索条件为x

在实际的无线传感器网络中,不是每个节点都能感应到属性值A的最大范围。本文利用基站的计算和存储能力,将节点历史感应并发送到基站的数据汇总起来得到每个节点感应到的最大值Amax和最小值Amin。由于最大值Amax和最小值Amin是已知能够观测到的属性范围,而未来观测到的属性范围,而未来观测到的属性范围可能在最大值Amax和最小值Amin之间,也可能在其范围之外,此处用参数ΔA来修正观测到的最大值Amax和最小值Amin。则节点取值范围为[Amin-ΔA,Amax+ΔA]。

节点i的满足查询条件概率为:

其中,y为查询上限,x为查询下限,pi为在以[x,y]为查询条件下节点i查询满足概率,Aimax为节点i历史查询出现的属性A的最大值,Aimin为节点i历史查询出现的属性A的最小值,ΔiA为节点i属性A历史最大值最小值变化修正值,ΔiA可以用属性A历史出现的数据标准差得到。

对两个查询要判断是否进行合并,可以根据上面的公式分别计算两个查询消耗的能量;。根据表1合并规则合并查询,预测合并后查询消耗的能量Enew。

若Enew>E1+E2两查询不进行合并,反之进行合并。

若n个查询需判断是否进行合并,需轮流判断可以合并的查询,最后将合并后的查询列表发送到传感器网络再查询。

该多查询合并算法与文献[3]提出的算法相比更好地利用了基站能量充足、计算能力强的特点,随着查询时间的持续,能够大量减少查询数量,降低无线传感器网络查询传输的数据量,减少网络节点的能量消耗,从而大大增加无线传感器网络的寿命。由于存在查询合并,本算法的时效性有所欠缺,更加适合对实效要求不是太高的环境。

参考文献

篇7

[ABSTRACT] Objective To investigate the characteristics of rest energy expenditure (REE) of patients with gastric cancer during perioperative period. Methods Forty-six gastric cancer patients were enrolled randomly as study objects and 25 healthy volunteers served as controls. REE was measured by indirect calorimetry in the patients before and on day 1 after surgery and in the controls. Body composition was measured by dual-energy X-ray absorptiometry (DEXA) and nutrition was evaluated by mini-nutritional assessment (MNA). Results REE in the patients of both sex was lower than that of the control (t=2.359, 2.236;P

[KEY WORDS]Stomach neoplasms; Resting energy expenditure; Body composition; Nutritional evaluation

能量代谢是指生物体内营养物质(主要指糖类、脂肪、蛋白质)在代谢过程中所伴随的能量产生和利用过程。静息能量消耗量(REE)即机体禁食2 h以上、平卧休息30 min后的能量消耗,约占总能量消耗的65%~70%。由于REE测定方便、实用,且能够较好地反映机体每天的总能量消耗,故为临床上研究人体代谢消耗的常用指标。肿瘤是不受机体生理调节的新生物,由于肿瘤生长以及由此产生的机体代谢变化,使得肿瘤病人的能量代谢具有特殊性。本研究旨在观察胃癌病人围手术期REE特点,探讨胃癌病人REE改变的原因,从而更好地指导病人进行营养支持。

1 对象和方法

1.1 研究对象

选择入住我科的46例胃癌病人为研究对象,其中男39例,女7例,年龄36~81岁,平均61.8岁。以25例健康志愿者作为对照组,其中男15例,女10例,年龄46~73岁,平均59.8岁。入选者均无肝、肾、内分泌、自身免疫性、骨骼系统疾病,无感染、发热,测试前未进行肠内外营养。

1.2 研究方法

入院时通过询问病史、常规体格检查、实验室及辅助检查等多种途径,明确术前诊断及一般状况,记录饮食情况。根据简易营养评价法(MNA)将胃癌病人分为3组:营养不良组(MNA 评分<17分)、营养不良危险组(17分≤MNA评分<24分)、营养良好组(MNA评分≥24分)。病人入院当天利用美国MedGraphics公司生产的间接测热仪(代谢车)采用咬口法测定REE。测定时,代谢车需要先开机预热30 min,再采用标准气体校正,至定标通过。室温20~25 ℃。病人于测试前禁食 2 h以上,安静平卧半小时后,接受测试,连续测定10 min以上。机体REE按Weir公式计算:REE=(3.9VO2+1.1VCO2)×1 440,式中VO2表示氧耗量(L/min),VCO2表示二氧化碳产生量(L/min)。能量消耗预测公式为Harris-Benedict公式。病人入院后第2天行人体组成测定,采用美国LUNAR公司生产的DPX-NT双能量X线吸收仪测量全身体成分。测定时要求研究对象只穿贴身衣裤,摘下任何含金属的物件。采用仪器上的全身扫描模式进行扫描,分别给出各区域的脂肪、瘦体、骨矿盐含量及脂肪百分比;脂肪、瘦体、骨矿盐相加等于全身质量。术后第1天停止输液4 h安静平卧半小时后依前法测量术后REE, 根据日本胃癌学会1999年6月修订的第13版胃癌处理规约行PTNM分期。对照组记录性别、年龄和体质量,并按上法测量REE。

1.3 统计学处理

采用SPSS 13.0及PPMS 1.5软件[1]进行统计分析。计量资料数据均以x±s表示,两独立样本比较采用t检验,配对资料比较采用配对t检验,多组间比较用方差分析及两两比较q检验, REE与人体组成各指标间行简单相关分析。

2 结 果

2.1 胃癌病人术前REE与正常人比较

胃癌病人术前REE较对照组低(t=2.359、2.236,P

2.2 不同营养状态男性胃癌病人术前REE比较

营养良好者REE明显高于营养不良危险和营养不良者(F=6.493,q=4.673、5.921,P

2.3 饮食未受影响及饮食受疾病影响的男性病人REE的比较

饮食未受影响组瘦体为(48.927±6.645)kg,REE为(5.998±1.411)kJ/d,饮食受影响组瘦体为(44.087±5.390)kg,REE为(4.649±1.348)kJ/d,两组比较有明显差异(t=2.354、2.943,P

2.4 不同病理分期的胃癌病人REE比较

不同病理分期的男性胃癌病人REE比较未见明显差异(P>0.05),见表4。女性病人由于例数较少未行分析。表4 不同病理分期的男性胃癌病人REE比较(略)

2.5 手术前后REE比较

手术后第1天REE为(6.199±0.798)kJ,呼吸商为0.798±0.067,而术前REE为(5.351±1.453)kJ/d,呼吸商为0.836±0.040。手术前后比较有明显差异(t=2.496、2.415,P

2.6 REE与年龄及人体组成的相关性

REE与年龄呈负相关(r=-0.340,P

3 讨论

许多学者曾经认为,恶性肿瘤病人的能量消耗高于正常人群或良性肿瘤病人[2,3]。但近年来众多相关研究却发现,肿瘤病人的能量代谢值并不一定高于正常人群,甚至有病人表现为低代谢[4]。本文结果显示,胃癌病人REE并没有升高,而是有所下降。这是因为影响静息能量代谢的因素很多,除了性别、年龄之外,个体体质量是决定REE大小的最重要因素,而个体体质量可以通过双能量X线吸收仪分解为脂肪、瘦体和骨矿盐。本研究结果显示,脂肪和骨矿盐与REE无明显相关,瘦体是三种人体成分中影响REE的惟一因素,而有研究表明胃癌病人的瘦体量较正常人减少[5],因此瘦体含量的减少可能是胃癌病人REE下降的关键因素。其次,REE降低的原因也可能与肿瘤细胞能量代谢的特点有关,虽然肿瘤细胞代谢旺盛,但是产能并不一定多,因为肿瘤细胞多以无氧代谢为主,甚至出现酵解抑制氧化的Crabtree效应[6]。另外,人体对机体内外环境的变化都有一定的代偿适应能力,能量消耗下降是人体在摄入不足、体质量下降时的一种代偿性反应[7]。REE降低这一结果也提示胃癌病人体质量的下降可能与营养的摄入、吸收和利用减少更为密切相关,而不像甲状腺功能亢进症病人体质量下降原因以代谢亢进为主。

转贴于 MNA 法是GUIGOZ等[8]为完善对老年人营养评估而研究出的一种简便而快速的方法,这种方法的灵敏度为96%,特异度为98%,预测价值为97%[9]。本研究根据MNA 法将男性胃癌病人分为3组,发现不同营养状态的胃癌病人其瘦体含量、REE具有明显差异,而每千克瘦体的REE在3组之间未见有明显不同,进一步提示瘦体含量的减少是引起胃癌病人REE下降的原因。将3组病人的术前REE分别与男性对照组比较,发现营养良好的病人其REE并无改变,有所下降的是营养不良危险病人和营养不良的病人。因此,从营养状态的角度讲,胃癌病人REE之所以较健康人下降,是因为营养不良的发生率较正常人高。另外,胃癌病人常有饮食差,尤以出现幽门梗阻者明显,本研究根据病人饮食情况将男性胃癌病人分为饮食未受影响组和饮食受影响组,发现前者的瘦体、REE明显高于后者,每千克瘦体的REE虽然相差较大,但无统计意义。因此从营养摄入的角度看,营养物质摄入的减少是胃癌病人REE下降的一个因素。综合以上实验结果,胃癌病人摄入不足、肿瘤消耗等因素导致其在临床上表现出营养不良,在人体组成上表现为瘦体含量下降,而在能量代谢上则表现为REE减少。肿瘤分期与肿瘤细胞的生物学特点、肿瘤的分化程度等众多因素有关,许多恶性程度高的肿瘤病人常尚未表现出明显的营养不良、瘦体减少就已发生远处转移,这可能是不同肿瘤分期病人REE未发现明显不同的原因之一。

手术、创伤和感染等应激反应常使机体代谢率升高,并且随着应激程度的不同代谢率升高的幅度也不同。近年的研究表明,择期手术病人应激状态下代谢率增高幅度比以往想像的要小得多,甚至有人发现中等大小的手术对机体的REE并无明显影响[10]。本实验也显示,术后REE高于术前REE,但增高幅度并不大,因此术后给予营养支持时应注意营养物质的量,过多的营养物质可能会加重各器官的负担。术后病人的呼吸商较术前明显低,提示术后营养物质的利用与术前不同,糖的利用下降,而脂肪利用增多,这可能与体内代谢紊乱尤其是与应激引起的胰岛素抵抗有关,所以术后营养支持时各种营养物质的比例要合适,从而达到更好的治疗效果。

能量消耗下降是人体在摄入不足、体质量下降时的一种代偿性反应,胃癌病人术前REE偏低,并不意味着其需要的营养物质较少,相反,此类病人尤其是营养不良者仍需要给予足够的能量才能够改善营养状态。而对于术后的病人,临床工作者在根据代谢车测定结果给予代谢支持的同时也应该发现,术后病人体内代谢紊乱明显,如何采取措施将体内紊乱的代谢状况转为正常,从而变代谢支持为代谢调理是今后面临的一个重要问题。

【参考文献】

1]周晓彬,纪新强,徐莉. 医用统计学软件PPMS 1.5的组成和应用特点[J]. 齐鲁医学杂志, 2009,24(1):29-32.

[2]HYLTANDER A, DROTT C, KORNER U, et al. Elevated energy expenditure in cancer patients with solid tumors[J]. Eur J Cancer, 1991,27(1):9-15.

[3]CHEN W J, CHUNG Y C. Energy expenditure in patients with hepatocellular carcinoma[J]. Cancer, 1994,73(3):590-595.

[4]吴国豪,吴肇汉,吴肇光. 癌症病人机体能量消耗测定[J]. 肿瘤, 1997,17(6):455-457.

[5]张彩坤,周岩冰,陈栋. 胃癌病人人体组分变化的研究[J]. 青岛大学医学院学报, 2007,43(3):267-268.

[6]朱世能. 肿瘤基础理论[M]. 第2版.上海:复旦大学出版社,2001:110-130.

[7]BARENDREGT K, SOETERS P B, ALLISON S P. 临床营养基础[M]. 上海:复旦大学出版社, 2002:2-10.

篇8

中图分类号:TP393文献标识码:A文章编号:1009-3044(2010)01-34-03

A Novel Routing Algorithm Based on Ant Colony optimization for Wireless Sensor Networks

HAO Xiao-qing

(School of Computer Science, Chengdu University of Electronic Science and Technology,Chengdu 610054,China)

Abstract: In this paper, we introduce a novel routing algorithm which is based on Ant Colony System. The aim of this novel algorithm is to solve the problem of energy and congestion control on wireless sensor network routing process. This algorithm is able to achieve better load balance and prolong the network lifetime. In this new algorithm we combine the pheromone released by multi-ant colonies and residual energy. We also introduce the competition mechanism among multi-ant colonies to avoid the simplex convergence. The new algorithm controls the network traffic congestion effectively and balances the energy consumption for sensor networks. Simulation results demonstrate that this algorithm has better performance on load balance comparing with fundamental ant colony algorithm.

Key words: wireless sensor networks; ant colony system; pheromone; routing algorithm

无线传感器网络[1]是近几年新兴的信息获取平台,具有快速展开、抗毁性强等特点,有着广阔的应用前景。路由算法的作用是初始化并维护包含路径信息的路由表。路由算法可分为单播、多播以及广播路由算法,它应该具有简单性、可扩展性、节能性和鲁棒性。另外,针对节点故障和网络拓扑变化还应该具有自重构性。

蚁群算法是一种群体智能算法,最初用于解决组合优化问题中的旅行商问题、二次分配等问题,并取得了较好的效果。蚁群算法具有分布式并行计算、自组织、正反馈的特点,且有较强的鲁棒性。由于无线传感器网络自身的特点,传统网络的路由协议不能很好地适用于无线传感器网络。许多学者都在集中研究开发基于蚁群算法的无线传感器网络路由算法[2-4]。我们在本文中提出一种改进的基于蚁群优化的路由算法,该算法避免了基本蚁群算法中的单一收敛,在控制网络拥塞和平衡能量消耗上也达到了很好的效果,延长了网络生命周期,实现无线传感器网络的路由优化目标。

1 基于蚁群优化的路由原理

1.1 蚁群算法原理

蚁群算法[5]是一种启发式算法,蚂蚁借助他们在通过了的路径上留下的信息素彼此通信。每个蚂蚁可以嗅到其它蚂蚁留下的信息素并通过信息素引导自己的移动方向,但信息素会随著时间的流逝而挥发。因此,路径的长度和经过这条道路径的蚂蚁个数会影响信息素的浓度。另一方面,信息素的浓度将引导蚁群中其他蚂蚁的移动方向,如果有很多蚂蚁经过这条道路径,那么其它的蚂蚁选择这条路径的概率将会很高。这在蚁群系统中构成了一种信息素正向反馈机制。

近几年,生物启发算法已被广泛地应用到网络路由问题上,基于蚁群优化的路由算法对最大化网络生命周期有显著贡献。基于蚁群算法的路由算法一般分为两大类。一是Ant-Net算法,即通过正向蚂蚁和逆向蚂蚁的协作来取得最优路由,正向蚂蚁收集节点信息而由逆向蚂蚁根据这些信息来更新路由表。另外一种是蚁群控制算法, 它以特殊的概率选择和更新路径。该算法只有一种蚂蚁,从源点出发到终点。当蚂蚁抵达终点时更新路由表。两种算法在网络变化中都具有较强的自适应性,并能迅速的建立最优路径。但是当他们更新路由表时有两个缺点:一个是节点瘫痪,这是由于网络延迟,节点能量消耗过快引起的。另一个是因广播通信中更多的蚂蚁需要协同工作而消耗过多的能量。

为了达到结果最优和适应无线传感网络,在文献[6]中,提出了均衡节点的能量消耗的蚁群算法路由协议,他们利用蚂蚁算法建立最优路由路径。文献[7]中作者提出了基于蚁群系统的网络能量平衡路由算法。文献[8]实现了多蚁群路由算法。

1.2 基本蚁群路由算法

我们将无线传感器网络的拓扑结构模拟成一个无向图G(N,A),N是节点集,A是路径集。在初始化过程中,图中所有的路径都被给定一个信息素值。当搜索活动开始,蚂蚁会随机的在候选的节点集中选择一个并开始搜寻过程中。在这个搜寻过程中,蚂蚁倾向于选择具有较高浓度的信息素路径的下一个节点。当所有的蚂蚁都完成了他们的搜寻过程,更新全局信息素。这意味着所有路径上信息素会蒸发掉一部分,每一个蚂蚁根据能量消耗参数更新它通过的路径上的信息素。如果能量消耗参数低,这条路径上的信息素减少的就会很少。随后蚂蚁会选择一个新的节点重新开始搜索过程。

我们假设一些蚂蚁在节点n,蚂蚁k根据概率Pk(n,d)访问下一个节点d。Pk(n,d)公式如下:

在公式(1)中,Ω代表信息素大小,Γ代表从源点到目的地的距离的倒数,Xk(n)表示蚂蚁还没有访问过的节点集,ε是调整能量消耗和信息素之间关系的一个常数。全局信息素的更新根据公式(2):

ΔΩk(n,d)由公式(3)表示:

这里,Ek是蚂蚁k完成路由路径搜索的能量消耗。

从上面的描述我们可以知道,所有的蚂蚁通过具有最高信息素的路径到达目的地。因此,如果一条路径可以引导蚂蚁到达目的地,这条路会涌现大量的蚂蚁,最后我们会把这个路径作为热路径。在无线传感器网络中,这种热路径并不一定是一个用来转发数据包的最佳选择。因为在这个路径上数据包可能会拥塞、甚至导致部分网络崩溃的结果。而且热路径会缩短网络的生命周期。

2 基于蚁群优化的无线传感网络路由算法

为了达到平衡负载这个目的,我们不得不改进基本的蚁群算法。新算法能让数据包通过不同的路由路径来转发,收敛速度更快,避免了单一收敛。在新方法中,我们将标记不同的数据包流使他们通过不同的通道转发。为此我们引进多蚁群之间的竞争机制,结合节点能量的变化来达到负载均衡的目标。因为每一个蚁群都有他们自己的信息素,我们将每个蚁群标记不同的信息素以作为他们的蚁群划分。一旦不同的信息素出现在同一转发路径上时,所有的信息素会被迅速蒸发掉。这意味着, 不同的蚁群的信息素相互抑制。因此,这就导致了这个转发路径上蚂蚁的数量将会越来越少。

我们定义m个蚂蚁的蚁群为A1,A2,…,Am-1,Am,每个蚂蚁的信息素为Ω1,Ω2,…,Ωm-1,Ωm。蚂蚁Ai停留在节点n,根据概率Pik(n,d),蚂蚁Ai将访问下一个节点d。

这里Ω代表每条路径上信息素的量,Γ代表从源点到目的地的距离的倒数,Xik(n)表示蚂群Ai中蚂蚁k没有访问过的节点集,ε是调整能量消耗和信息素之间关系的一个常数,值设置为2。φi,d是蚁群Ai中蚂蚁k的信息素能量操作因子:

Ed表示蚁群Ai中蚂蚁k将要访问的下一个节点的能量消耗,Uk(n)表示蚁群Ai中蚂蚁k将要访问的下一个节点集合。

公式(4)中,?谆j是当蚁群Ai和其他蚁群有相同推进方向时候的抑制概率因子:

公式(6)表明在搜索传输路径过程中,如果两个蚁群Ai和Aj在同一路径上,这两个蚁群会相互抑制,最后导致这个路径上的两种蚁群的蚂蚁数目都减少。然而,这种数据流平衡不能使网络快速的稳定。在任何一个蚁群系统中,当选择一个路径的概率发生了变化,选择另一个相关路径作为下一个路径的概率也将更新。所以更新概率应该要满足下式:

在公式(7)中,我们以节点n作为源节点,并且所有的候选转发节点都有他们自己的转发概率,概率和为1。因此,在调整一个转发节点概率后,所有转发节点的概率都需要重新计算,也就是要动态的调整概率。

从公式(4)中可以看到,当所有的蚁群相互竞争最优路径时,他们都服从来自于转发节点的能量消耗最小的约束条件。也就是为了达到当蚁群算法收敛于最优解的同时平衡节点间的能量消耗的目标。与此同时,我们的算法将避免所有的蚁群收敛于同一个全局最优解,更避免了通信拥塞并延长了网络生命周期。全局信息素的更新公式(8):

这里的Eik表示当蚂蚁k完成路由路径搜寻后的能量消耗。在公式(8)中,λi表示改进后的信息素挥发因子,这个因子能由公式(10)计算:

εij是信息素抑制参数。在我们的算法中,我们使用信息素抑制参数来计算在两个蚁群竞争过程中的信息素的挥发程度和在竞争中蚂蚁减少的数量。

3 实验与分析

我们把改进的算法和基本蚁群算法做了实验比较。实验结果统计图如下:

图1基本蚁群算法中蚂蚁的多样性 图2改进的蚁群算法中蚂蚁的多样性 图3节点D的能量消耗情况

图1是模拟基本蚁群算法的实验结果,显示随着时间的推移不同路径上的蚂蚁的数目。结论:在路径BD上,蚂蚁的数量急剧增加。然而,路径BC和BE上的蚂蚁数目的远低于BD上的。图2显示的是改进算法的实验结果,可以看到在最优路径BD上,蚂蚁的数量得到了控制并相对于基本蚁群算法有明显的减少。另一方面,在路径BC和BE上,蚂蚁的数量也显著增加,这可以达到平衡网络负载这个目标。我们还对节点D在改进的算法和基本蚁群算法关于能源消耗上做了比较。从图3中可以看到采用基本蚁群算法时,节点D的能量消耗显著;相反,改进的算法在负载平衡上很有效,节点D则保留了更多的能量。

新算法结合了多蚁群的信息素释放机制和节能策略,还引进多蚁群之间的竞争机制以避免算法的单一收敛,解决了无线传感器网络路由过程中节点能量消耗和拥塞控制问题,能够达到更好的负载平衡能力,并延长了网络生命周期。

4 结束语

WSN具有广阔的应用前景,但是由于节点能量,处理能力,储存空间以及带宽等的限制,它的大规模应用还是存在许多需要克服的问题,设计一个满足需要的高效的路由算法是目前面临的一个主要问题。在本文中,我们提出一种新的基于蚁群优化的无线传网络的路由算法。新算法对基本蚁群算法进行了改进。引入多蚁群之间的竞争机制来解决局部最优解的问题和避免早熟现象。同时,结合节点的能量消耗问题,实现负载平衡。算法对延长网络的生命周期具有很明显的效果。

参考文献:

[1] 李晓维,徐勇军,任丰原,等.无线传感器网络技术[M].北京:北京理工大学出版社,2007.

[2] M. Dorigo and L.Gambardella, “Ant colony system: a cooperative learning approach to the traveling salesman problem,” IEEE Trans. On Evolutionary Computation,Vol.1,pp.53-66, Apr.1997.

[3] G.Chen,T.D.Guo,W.G.Yang and T.Zhao,“An improved ant based routing protocol in wireless sensor networks,” Proc. of International Conference on Collaborative Computing: Networking. Applications and Worksharing,pp.1-7.Nov.2006.

[4] L.Juan. S.Chen and Z.Chao,“Ant system based anycast Routing in wireless sensor networks,” Proc.of the International Conference on Wireless Communications, Networking and Mobile Computing (WiCom2007), pp.2420-2423, Sept 2007.

[5] 段海滨.蚁群算法原理及其应用[M].北京:科学出版社,2005.

篇9

在骑行中,空气阻力为速度的二次方:特别是在高速骑行过程中,对抗空气阻力是身体主要的能量消耗。当运动员骑行速度达到30km/h时,空气动力阻力占总阻力的90%以上,当达到50km/h时,空气阻力就成为起决定作用的变量。例如,对于1小时骑行的先前世界记录,在风道中每小时50kin的阻力的计算结果为12g(g为在海平面上的重力加速度)。为了最大程度减少骑行时的阻力,自行车的构造和组成部分以及运动员的身体骑行位置是需要特别关注的问题。

在1989年环法大赛上,自行车手柄首次被发现在空气动力学上起到重要作用,除了设备外,运动员的骑行姿势对于速度和能量代谢有重要影响。从减少横截面积的角度出发,当运动员采取向前蜷曲身体的姿势时,对骑行效果是有帮助的。然而,当运动员的上半身从垂直位置向前倾位置改变时,摄氧量,心率以及呼吸交流比率都有很大程度的增加。

由此可见,在不考虑风阻的情况下,极限的空中姿势会增加代谢消耗。采用这种上半身蜷曲姿势骑行时,空气阻力会减少20%,再加上双手搭在横杠上,作为完整的骑行姿势,又会减少10%―17%的阻力,总体来看,从垂直姿势变为蜷曲姿势时,空气阻力会下降30%-35%。

2、运动员身体横截面积对骑行效果的影响

与自行车选手紧密联系的身体横截面积会给骑行中产生的阻力带来很大影响,为了计算横截面积,会用摄影技术获得运动员在特殊骑行姿势下的矩形区域,通过对矩形区域的划分与测量,计算出整体面积。通过大量图片对比和数据参考,获得最终的运动员的骑行横截面积。另外,根据比例图采用面积测量学计算运动员坐在自行车上的横截面积。Bassett等人通过总结大量数据也描述了一种用来评估运动员表面积的方法,他们利用运动员的身高和体重,建立了一个方程用来计算运动员总的横截面积,当运动员采用空中骑行位置时,方程FA=0.0293H0.725M0.425+0.0604FA的单位是米2,身高单位是米,质量单位为千克。

3、运动员体型对骑行效果的影响

篇10

中图分类号:TN929文献标识码:A文章编号:1007-9599 (2011) 12-0000-02

Distributed Power Control Used for Ad Hoc Network

Shao Shuhua

(Technological Vocational College of Dezhou,Dezhou251200,China)

Abstract:In order to achieve information collection,processing and transmission in the coverage area,it needs to consider multi-hop transmission for large coverage area in bandwidth-limited Ad Hoc network.However,the multi-hop transmission will increase the interference between nodes,and cause the unbalanced energy consumption,so how to reduce nodes in the conflict and improve energy efficiency,has become the important issues of Ad Hoc Network.In this paper,we study the distributed power control.In the promise to ensure communication quality,it can minimize signal transmission power to reduce sending node interference with adjacent nodes,and improve the channel space complex in degrees.The results of a simulation model analyzed by OPNET show the effectiveness of mechanism.It can minimize the energy consumption per bit,reduce network conflicts,and improve network performance.

Keywords:Ad Hoc networks;Power control;Energy;OPNET

一、介绍

多跳传输是无线通信系统中常见的传输技术,它可以在不影响网络连接性和传输能力的前提下最小化节点供电能量消耗,但其会引发节点间互扰和能量消耗不均衡等问题,无线分组网中可以采用功率控制技术来解决此问题,主要通过调整发送节点的信号发射功率,在保证一定通信质量的前提下尽量降低信号发射功率来节省能量消耗,同时也可以减少某些发送节点对邻近节点的干扰,此时空间上相距较远的节点可以同时发送数据而不会相互影响,这样在一个较大区域内可以有更多的节点同时发送数据,因此也就提高了信道的空间复用度,增大了网络容量[1]。

本文针对Ad Hoc网络,在多跳场景中采用功率控制机制,将网络层路由协议,数据链路层介质接入控制和物理层功率调整等各层功能紧紧结合在一起,路由协议通过选择路径来决定功率等级是否可用,介质接入控制根据新的传输距离采用特定参数如等待或退避时间,最后物理层改变传输功率到一个新的等级,从而进行数据传输。

二、功率控制机制的设计

论文工作集中于随机信道接入,通过最小化每比特能量消耗来制定分布式功率控制的设计,同时考虑两种MAC协议:简单的载波监听ALOHA(CS-ALOHA)和IEEE802.11的MAC协议[2]。

(一)网络部署和最大功率设置

Ad Hoc网络拓扑中的节点部署问题是网络工作的基础,对网络的运行情况和生存周期有很大的影响,它涉及覆盖、连接和节约能量消耗等方面[3]。目前,Ad Hoc网络的初期部署有两种策略:一种是节点完全随机部署,即所有传感器节点随机分布在整个网络面积中,这样不仅会造成网络覆盖的不合理,而且此时的最大传输功率也与网络节点密度无关,无法采用功率机制技术;另一种是节点均匀放置在格型网络中,这样的网络拓扑在实际中更常见,仿真中假设这样的拓扑模型进行网络性能分析。

网络拓扑部署区域为格型,每个方格随机布放一个节点[4],此时网络密度 为:

(1)

其中, 表示网络中总的节点数目, 表示网络面积, 表示节点间平均距离,且节点间最大距离 表示为:

(2)

Ad Hoc网络中各节点应能够根据网络拓扑中节点间的距离远近,在有限的功率集合中变换传输功率,其集合范围从某一最小值到最大值,分别表示为 ,且定义最大传输功率 为最小值时仍可以保证网络中相邻两节点间的连接性。通常认为两个节点如果可以达到目标信噪比则物理上是连接的,考虑到网络中采用多跳通信方式,则两个节点之间如果至少存在一条物理连接就表明是连通的。

(二)功率等级划分及数目[4]

已知传输功率 与节点传输距离 有关,假设功率等级均匀分布,则两个连续功率等级之间的步长 定义为:

, , (3)

这里 表示相应于距离 的传输功率,两者之间具体关系如图1所示。

另外,两个连续功率等级的间隔也可以根据覆盖范围内节点间距离的均匀增值 定义:

, , (4)

其中,功率等级步长以 来表示:

(5)

而距离增值 以米作单位表示为:

(6)

图1 两种策略下的功率等级划分

图1显示相应于公式(3)和(4)的两种功率等级分配策略,由图看出这两种功率划分差别不大,如 ,但考虑到采用与距离增值相关的功率等级划分较为简单,本文中用此定义来分配功率等级。

可以完全描述功率控制的参数是功率等级数目 ,增加等级数目可以更精确地进行功率变换,但小的功率等级数则更易于实现,由此推测当功率等级数超过某个值时继续增加等级数将不再会明显节约能量消耗,而具体数目可通过网络仿真来估计。

(三)介质接入控制

简单介绍下这两种MAC协议:CS-ALOHA和IEEE802.11的MAC协议[5]。

1.CS-ALOHA。

节点在传输前首先监听信道,如果发现信道空闲,它就开始传输数据,由于所用的调制解调器采取半双工操作,传感器传输时不能检测到信道冲突,因此节点将传输完整个数据包,如果等待一段时间后没有得到肯定答复则表明本次传输与其它节点发生冲突,此时,若没有超过重传次数,节点将重新传输数据包。

CS-ALOHA优势在于简单和平均端到端延时,但是就能量来看并不是最好的选择,因为数据重传会导致更多的能量损耗。

2.IEEE802.11的MAC协议。

IEEE802.11的MAC协议是一种虚拟载波监听协议,最基本的媒体访问方法是分布协调功能DCF(Distributed Coordination Function),核心是CSMA/CA。它包括载波侦听机制、帧间间隔和随机退避。每个节点使用CSMA/CA机制的信道接入算法,通过竞争获得信道使用权,它基于基本发帧模式和RTS/CTS发帧模式[6]来进行数据传输,并利用短的控制包交换来避免数据包冲突,从而最大化网络吞吐量。

此协议就每比特能量消耗方面可以改进系统性能,但由于采用退避算法增加了系统复杂性和平均端到端延时。

三、结论

在带宽有限的Ad Hoc网络中分布式功率控制可将多跳通信用于可扩展的大面积范围,不同功率分配机制通过可变的功率等级数来改变功率密度。对于选定的场景,可看出四个均匀分布功率等级即可实现能量消耗接近最小值,改善网络性能。

未来工作中,还需要考虑含移动节点的网络,以适应Ad Hoc网络的动态变化。

参考文献:

[1]郑少仁,王海涛.Ad Hoc网络技术[M].北京:人民邮电出版社,2005:135-137

[2]B.Peleato,M.Stojanovic,“Distance aware collision avoidance protocol for ad-hoc underwater acoustic sensor networks,”Communications Letters,IEEE,2007,11,12:1025-1027

[3]陶丹,马华东,刘亮.基于虚拟势场的有向传感器网络覆盖增强算法[J].软件学报,2007,5

[4]Josep Miquel Jornet,Milica Stojanovic.Distributed Power Control for Underwater Acoustic Networks,OCEANS 2008,Sept

[5]B.Peleato,M.Stojanovic.“Distance aware collision avoidance protocol for ad-hoc underwater acoustic sensor networks,”Communications Letters,IEEE2007,11,12:1025-1027

[6].多跳中继式水声通信网的MAC层协议研究与实现[D].东南大学,2008,1