移动WSN中节能连通性优化

可持续移动无线传感器网络中提高连通性的节能方案

关键词

可持续移动无线传感器网络、连通半径、通信半径、检测区域等

摘要

移动无线传感器网络中与能耗和网络连通性相关的极端问题促使众多研究人员寻求最优解决方案。本文提出了一种新的概率算法，通过考虑网络概率、检测区域、单个节点的半径以及整个检测区域等参数来分析网络连通性。
目标区域采用自由空间传播模型。该方法论确保了网络连通性、通信的可持续性，并在最大程度上优化了能耗。
利用概率论建立了一个可行的数学网络模型。在该模型中，观察并分析了传感器节点相对于检测区域的变化情况。同时，识别出了通信半径、部署的传感器节点与检测区域之间的关系。本文还提出了一种新算法，通过提高连通性因子来优化能量并维持连通性。此外，还给出了所提模型的仿真图，以验证数学网络模型。

1. 引言

低功耗系统和高级数字集成设备的发展推动了移动设备应用的迅速增长，从而促进了小型、低功耗、低成本传感器节点的创新。这些传感器组合形成一个能够自组织的网络，称为无线传感器网络（WSN）。此类网络广泛应用于环境与气象监测、战场监视、结构健康监测、临床参数监测、森林火灾监测等场景。在这些应用中，传感器节点采集数据，将其处理成适合传输的形式，并发送至网络的控制站。大多数传感器节点配备电池作为电源。在诸如水下通信、自然灾害、可植入节点等关键场景中，电池无法更换或节点难以替换，且无法提供备用电源。这是影响性能的关键问题之一，因此必须在保持所需网络连接的同时优化电池寿命和能量使用，以确保网络高效运行[1]因此，低功耗是提高无线传感器网络（WSN）效率的关键因素[2,3],因为维持节点的能量水平。同时由于功耗较低，电池寿命也得到延长，从而使网络能够高效运行。
网络连通性在网络规划与设计、拓扑结构确定以及节点功率分配中也起着重要作用。许多研究人员通过提供更优的解决方案，从理论和实践上尝试改善网络连通性并优化能耗。一个称为渗流的学科被用于借助图论和概率概念来研究不同的网络场景[4]。渗流的中心问题被用作基于科学与社会研究来研究各种图的阈值。
基于前期研究，本文探讨了一种概率模型，用于估计确保网络连通性的最佳能量水平及相应的节点覆盖范围。众所周知，数据传输是传感器节点中最耗能的活动。因此，传感器节点的覆盖区域直接取决于其发射功率，反之亦然。降低发射功率以延长电池寿命将对节点覆盖范围和网络连通性产生不利影响。alternatively，需要更密集地布置节点。在移动传感器网络中，节点之间的位置和距离是随机的，需要通过概率建模来估计能量覆盖优化。在MWSN中，网络的主要挑战是在保持能量水平的同时维持连通性，因为每一时刻的接触点都在变化。数据传输是一项非常重要的任务，必须高效地进行，同时优化能量并保持连通性。
本文提出的网络模型旨在实现这种优化。通过基于数学和仿真的分析来验证所提出的模型。
本文已在以下部分进行了总结：在第一部分中，介绍了无线传感器网络的基础知识、主要问题以及为使网络更简单运行所需的关键参数。在第二部分中，介绍了与无线传感器网络相关的一些最新研究。在第三部分中，通过考虑网络概率和目标区域的半径，展示了网络的数学建模。第四部分展示了系统的网络架构以及所提出的高效能连通性算法。为了验证数学模型，在第五部分中提供了带有仿真结果的图。最后，第六部分对本文的工作进行了总结。

2. 相关工作

许多研究人员正在通过在不同条件下分析可变参数来研究无线传感器网络领域。本节中介绍了一些相关工作。近年来，许多研究人员探索了网络覆盖和路由协议，主要集中在自组织网络上，这是部署模块化传感器网络的一种流行方式。在[5],提出了一种方法，以地理方式将网络划分为更小的单元。这些单元被分为两类：单跳和多跳。提出了一种节能地理路由协议（EGPRM），其中两个移动汇聚节点以特定方式移动，从传感器节点收集信息。此外，还将EGPRM与传统方法进行了比较。
为无线传感器节点提出了一种温度自适应智能睡眠调度策略（RL Sleep）。该策略基于强化学习，即节点观察环境状况并做出相应反应，如发送、监听或睡眠。仿真结果也展示了更好的网络连通性[6]。在[7],提出了一种分布式MAC优化技术，用于选择性地选取跳转设备，以最小化能量消耗，使网络寿命延长86%，节点延迟降低82%，并减少通信开销。此外，该技术还与其他现有技术进行了比较。针对复杂数据中心中各种类型的集群，分析了其性能与功耗管理。Bithika 等人提出了一种自主电源管理方法，以提高系统效率以及平台在性能和成本方面的容量 [8]。HF 谢赫等人关注与单核、多核及并行架构相关的能量感知调度算法问题[9]。为了防范无线传感器网络中的恶意节点，开发了一种 EOSR（能量优化安全路由协议）。该协议基于分布式信任评估、剩余能量和路径长度。仿真结果表明，EOSR相较于早期技术更具优势[10]。
对现有无线传感器网络路由协议（静态&移动）进行了比较性综述。调研考虑了能效方案、网络寿命、网络拓扑等参数。此外，还对部分有限的路由协议进行了建模与仿真比较[11]。本文提出能量高效的ADMC‐MAC协议有助于根据现有流量场景进行数据传输。定义了两种算法：第一种优先选择能量最大的节点作为簇头；第二种则基于当前流量条件下的节点占空比。这些改进提高了系统的吞吐量和整体效率。此外，还对S‐MAC、M‐MAC和ADMC‐MAC进行了比较，结果表明ADMC‐MAC在能效方面表现更优[12]。
李等人利用连续理论对大规模网络中大量节点进行了分析[13]。本文提出了一种算法，以降低任务调度过程中的能量水平和温度。通过仿真实现和分析验证了该算法，结果表明所提算法具有优于其他算法的时间复杂度。HF Sheikh 等[15]对热感知任务调度算法进行了综述。如该工作所述，温度是主要考虑的约束因素，此处针对调度任务映射表示了温度的不同变化情况。
在[16],图论和统计学中，已被用于研究节点数量、通信半径与连通性之间的关系。该论文还给出了数学以及仿真结果。王等人在[17],中通过考虑区域内节点的分布，分析了连通性与覆盖率。他们在结果中建议，节点密度是满足节点连通性要求的参数。阿格拉瓦尔等人利用对数正态阴影研究了无线传感器网络中的传输模型。作者们最终解决了节点之间网络连通性问题中的高维护难题[18]。柴等人提出了用于无线传感器网络的能量高效算法[19]。莫斯塔法伊等人提出了一种传感器安全算法，该算法在保护传感器方面比之前提出的算法提高了50%[20]。阿舒托什等[21]讨论了簇内数据传输的各种路由协议。他们演示并比较了无线传感器网络的不同路由机制。本文中[22]作者们关注风险能耗感知下的最快最优路径选择。他们提出了一个风险能耗感知SLA提供模型 （RSEP），相比现有模型更加适用。同时还对AODV、DSDV、DSR、TORA和OLSR等不同路由协议进行了比较性综述[23,24]。布山等人提出了一种高效节能的安全环形路由协议，用于负载均衡并延长网络寿命 [26], ，类似类型的动态路由协议由穆罕默德·埃纳穆尔·哈克设计，以提升网络持久性[26]。雷纳托等人提出了一种用于改善无线传感器网络连通性的调度算法[27], ，此外安朱洛等人和路易等人也发表了关于数据采集和聚类算法的调查[28,29]。金志宇等人还提出了一种适用于频率范围的IEEE 802.15.4聚类算法[30]。
从第二部分可以看出，关于覆盖区域、连通性、能效、数据传输、聚类算法、安全算法、基于MAC的建模以及不同参数的研究已有大量报道，但这些研究主要集中在静态无线传感器网络中。当前的主要挑战是如何将这些约束条件应用于可持续无线移动传感器网络。因此，本文提出了一种新的概率算法及其针对移动网络的数学模型。该方法论展示了如何在优化移动传感器节点能量水平的同时改善网络连通性。这一点通过第5节所示的仿真图得以验证。

3. 网络的数学建模

由‘N’个传感器节点组成的网络，其序列号表示为 X {1, 2, ., N}，均匀分布并构成一个WSN [31,32]。根据图论，节点‘a’与‘b’之间的通信距离记为 Dab r 时，节点‘a’与‘b’之间即形成一条通信路径。
在无线传感器网络中，可能存在‘M’条多条路径，其中 0 ≤M ≤ N(N‐1)/2。当 M = N(N‐1)/2 时，网络被称为完全连通。
对于用于大范围监测的静态无线传感器网络，通常在特定区域内以高节点密度大量部署传感器节点[32]。此类节点分布遵循泊松’分布。在移动无线传感器网络（MWSN）中，由于节点位置持续变化，在某一时刻能通信的节点数量相比静态无线传感器网络更少。此外，与周围节点之间频繁发生连接建立与断开。这增加了能耗，并降低了网络可靠性。因此，静态无线传感器网络的网络模型和节能方案可能无法达到理想的服务质量（QoS），故本论文提出了用于移动无线传感器网络（ MWSN）的网络模型。本文用于分析的网络模型中，检测区域被定义为 ‘A’，其中 A ≫ πr² 使得节点’的通信概率 Pr= πr²/A<< 0.2。该因子表示节点’的通信区域与检测区域的比率。

3.1. 基于概率论的连通性

如前期研究中所述，监测区域中的节点分布呈分散方式，且遵循二项分布。本文主要利用概率论阐述连通性‘V’随节点覆盖半径‘r’变化的关系，由于节点是移动的，因此网络的连通性也遵循二项分布，即 B(V, Pr)。对于像[M, V],这样的二项（仅两种可能结果）事件，在M次试验中，有‘V’次事件成功。在网络中，一个节点尝试与网络中的全部 M个节点建立连接。该二项事件的输出‘V’表示所建立的链路数量，即有多少节点处于活动状态并位于该节点的通信范围内。在总共M个节点中，与V个节点建立了活动链路。此V值即为网络的连通性因子。V值越高，网络连通性越好。‘r’为节点覆盖半径。当r取值较小时，处于通信范围内的节点数量较少。本质上，二项分布概率论适用于节点数量较少或较多的情况。同时，目标区域内分散的节点被视为离散形式

因此，由于不适用于连续分布，故采用二项分布。在此我们考虑了节点数量N>>20和通信概率Pr<< 0.2，则无线传感器网络（WSN）也服从二项分布。
二项分布的期望值的数学表达式为
E[k]= NPr where Pr= πr²/A, so E[k]= N πr²/A
传感器的节点连通性‘V’遵循二项式理论，因此网络的连通概率为 P(x =V) =∑ n x=0( n x)[Prxqn− x]，其中 Pr= πr²/A，所以
P(x=电压（V）)=∑ n x=0(n x)[(πr² s ) x(1 − π r² s ) n x ] (1)
公式 1[25]给出了连通性因子‘V’取值下，‘r’与邻近节点之间的关系。由于移动节点或其邻近节点的移动性，‘n’会发生变化。因此，为了获得期望的连通性因子值，需要改变‘r’的值，这要求更高的发射功率。这会增加节点消耗的能量，以提供额外的发射功率[33,34]。
单个节点发射功率的增加不仅能够提高网络连通概率，还可用于优化整体能耗。其周围节点可以在较低能量下运行，从而间接实现能量共享。这意味着所有节点无需以相同的发射功率或覆盖区域运行，除非节点对之间需要同时进行双向传输。实现该网络能量优化的所提出算法将在第 4.1节中进一步说明。
我们已经看到，‘r’对连通概率存在影响。因此，为了优化网络的连通性，我们计算‘r’相对于连通概率的变化。对公式 1关于 ’r’求偏导数，P 关于 ’r’的变化率可表示为：
∂p ∂r =∑ n x=0( n x) 1 sxπ x[2x. r2x− 1(1 − πr2 s) n− x + r2x(n − x)(1 − πr2 s) n− x− 1 (− π s . 2r)] (2)
当需要最小值和最大值时，使用偏导数并将方程等于零以找到最优值。此处’s 使用公式 (1)的偏微分来寻找最优值具有重要意义。

4. 网络架构

无线传感器网络（包括移动无线传感器网络）的基本模型由传感单元、处理单元（包含微控制器）以及用于数据处理的计算机系统组成 [35]。基本MWSN的体系结构模型如图2 所示，包含三种类型的节点，即协调节点、传感器节点和汇聚节点。这些节点中设有收发器，以支持数据和控制信号的传输。这三种节点具有不同的功能，例如传感器节点用于收集信息，然后将其发送以进行进一步处理。同时，它还控制网络的不同方面，如执行器、运动、定位支持和能量再生[36]。在MWSN中，传感器节点以分散方式布置在监测区域或空间中，并实现自组织。传感器节点收集信息后，通过单跳或多跳方式将信息传输到汇聚节点。汇聚节点通过广域网将数据发送到协调节点。最后，数据被处理并呈现给远程/终端用户。
在移动无线传感器网络（MWSN）中，当通信系统保持运行时，维持连通性非常具有挑战性。由于MWSN中的接触点在每一时刻都在变化，因此很难保持一定的能量水平，因为高速移动的网络也需要大量能量。为了在维持连通性的同时优化能量水平，需要监控节点覆盖范围以及发射功率。通过这两个参数，我们可以通过周围节点之间共享能量来优化能量水平并维持连通性。
简单来说，全连接无线网络意味着网络中的任意两个节点都可以通过无线设置以单跳或多跳模式轻松通信并交换信息。本文提出了一种适用于MWSN的节能型网络连通性方案，该方案实现了最优节点覆盖，在维持网络全连接状态的同时，将能量消耗保持在最低所需水平。此外，还讨论并分析了一个概率模型，以获得优化的能量解决方案。

4.1. 提出的节能连通性算法

在第4.1节中可以看出，影响移动无线传感器网络连通性的两个关键因素是：通信半径 (r) 和周围节点的能量水平。由公式(1)和(2)[25],推导出了当网络连通性等于‘V’时，通信半径的变化情况。在MWSN中，如果节点超出定义的节点数量限制或范围，则冗余将增加，由于节点具有移动性，这会给通信网络带来异常负担[37,28]。因此，除了节点能量优化外，还需考虑另一个特性，即网络能量优化。由于传感器设备依赖电池供电，能耗是移动无线传感器网络中最重要参数之一[39]。如果电池电量低于阈值水平，传感器节点将失效，从而导致部署网络的目标无法实现。本文还提出了一种算法，不仅能够保证网络连通性，还能降低能耗。该新算法称为“概率网络连通性算法（PNCA）”。
如果已知节点数量‘N’和检测区域‘A’ ，则可以通过公式(2)(2)计算网络的通信半径。无线传感器网络的连通性‘V’服从二项分布，即 B(V, P r) ，其中P r = πr 2/A，P r 为通信概率。对于目标区域，若增加传感器节点的数量，则网络连通性的概率应增加至‘V’。此外，若通信半径增大，则连通性因子也随之增加，因为覆盖区域扩大，周围节点的可用性提高。这些周围节点有助于维持较大的发射功率P tr ，通过与周围节点共享能量来支持连通性的维持 [40,41]。所提出的PNC算法适用于移动无线传感器网络，其中传感器节点频繁改变其接触点。节点‘i’i’的周围节点集合表示为E i 。由于节点具有移动性，传感器节点以随机方式连接 [42,43]。一个节点从邻近节点接收信息，然后将其传输给其他附近的节点，最终传送到该区域的头节点 [44,45]。该区域的头节点发送将数据传输到基站以进行进一步处理。每一轮次结束意味着信息从节点传输到簇头的过程完成，即一轮次结束，随后头节点会更换，以便优化能量。该过程在下面给出的PNC算法中介绍，并在本节中进一步描述。
将传感器节点数量 N 初始化为 X {1, 2,., N}。总面积为 ‘A’，其中目标区域表示为 A n 。特定节点的通信半径表示为 ‘r’，连通性用 ‘V’ 表示。
在步骤1中，初始化所有参数并计算其值。’N’ 和 ‘A’ 的值是固定的，即 ‘N’ 等于 50，’A’ 为 50平方公里。
在步骤2中，更新周围节点的列表，以便在需要时可以利用周围节点的能量来维持连通性。在步骤3中，如果通信半径增加，则周围节点的覆盖区域也将增大。在步骤4中，条件得到验证：如果周围节点的覆盖区域增加，则网络中连接的节点数量将达到最大。在5 th步中表明，如果连接的节点数量巨大，则可能存在较大的净发射功率，该功率通过优化能量来维持连通性。当某个节点的能量水平较低时，周围节点会为其提供贡献，从而确保网络内的连通性存在。
因此，从上述所提出的算法可以得出结论：由于周围节点之间的能量共享，连通性因子得到提高，同时也优化了整个网络的能量水平。

5. 结果与讨论

5.1. 仿真性能

通过仿真进行性能分析时，相关参数如表1所示。在区域‘A’中的节点数量 (N)‘r 的取值范围为10米至60米。总面积为50平方公里，移动速度为25米/秒，即90公里/小时。
由于成本和复杂性，在大范围内部署节点存在困难，因此需要针对有限范围确定解决方案[46–48], ，故参数针对目标区域固定。此外，在保持连通性的同时还需优化能量，因此本论文还提出了仿真工作及所提出的算法。该算法旨在实现高效的能耗，并通过共享邻近节点的能量来维持网络连通性。所提出的算法中也展示了发射功率的影响。
在上一节中，通过数学分析计算了网络概率。使用方程有助于确定通信半径与网络连通概率之间的关系[49,50]。为了在实践中验证这一点，我们使用上述参数创建一个场景，并在MATLAB R18a上进行仿真。
图显示了节点在目标区域内的部署情况，以便进一步处理（图3）。
上述图3(a)和3(b)显示了传感器节点在目标区域中的基本部署情况。
在上述图中，一个划分相当于0.5米，因为总目标区域为50平方公里。
针对两种不同场景进行了仿真性能测试。在第一种情况下，当通信半径固定时，展示了连通性因子与网络概率之间的关系。在另一种情况下，当连通性因子固定时，展示了通信半径随网络概率的变化情况[51,52]。
这两种情况均在第5.2节中通过相应的图进行详细说明。

5.2. 固定通信半径下的仿真结果与图示

表2和表3 给出了理论值和仿真结果中定义参数的数值。这些数值的图形表示由图4中的相应图给出。
以下 图4 中的仿真图展示了通信半径固定时的结果。四个图均表示移动无线传感器网络中连通性因子随网络概率的变化情况。针对监测区域，理论结果与仿真结果进行了比较。
在 图4(a) 中，“r” = 20的值是固定的，即通信半径固定，连通性因子随连通概率变化。可以看出，当“V” = 2时，P r 在图4(a) 中达到峰值。在 图4(b) 中，“r” = 30的值固定，最高峰值出现在“V” = 6处。在 图4(c) 和 4(d) 中，“r” = 40和 50，“V” = 10和 16，分别。

5.3. 连通性因子固定时的仿真结果

表4–7如下所示，表示网络概率相对于节点覆盖范围的数值。所有表格分别显示网络连通性的理论值和模拟值。评估针对节点覆盖范围‘r’从10米至60米的整个范围进行，但由于数值数量的限制，此处仅在相应表格中列出达到峰值的样本数据。
此处展示了仿真结果的图，其中连接因子保持不变，网络概率随通信半径的变化而变化。
在 图5(a)中，当 V = 2时，网络概率在通信半径‘r’= 18处达到峰值；在图5(b)和5(c)中，V 的值为= 5& 9，对于这两个图，概率分别在 ‘r’= 30& 40 处达到高峰。从图5(d)可以观察到，在‘r’= 50处，网络概率达到最高峰值，而在‘r’= 55处，该概率 P r 下降至 0.06。这是 V 固定在15 时的条件。

5.4. 能耗仿真结果

如上文所述，当某个节点处理数据且其能量水平耗尽时，邻近节点会贡献其能量，从而实现能量的优化。同时还可以发现，当覆盖区域的半径增大时，连通性因子也较好，且能量水平得以维持。传感器节点的总能量可通过以下方式计算
和 (b)：MWSN中传感器节点的部署)
r= 20 (b) r= 30 (c) r= 40(d) r= 50)
V = 2(b) V = 5(c) V = 9(d) V = 15)
TE=∑ N i=1 Energy Node i (3)
能量所在之处
节点i= E Ti + E Ri + E Swi E
Ti = P k + T T + I T + V T
E Ri =Pk +TR +电流（I） R +电压（V） R
E Swi =Ts w +I（电流）s w + V（电压）s w
在上述方程中[53,54] T E 表示节点的总能量，T 是以毫秒为单位的时间，V 是以毫伏为单位的电压，I 是以毫安为单位的电流，P k 是数据包的长度（单位为字节），E Ti 、E Ri 和 E Swi 分别表示传输、接收和切换过程中的能耗。表8 列出了用于评估能耗的某些参数及其数值 将我们提出的方案与其他现有算法进行比较，从仿真图可以看出，所提出的方法论在增加覆盖半径的同时具有更低的能耗。
表9 显示了不同算法和所提出的算法在覆盖半径变化时能耗的不同数值。
图6 展示了DSR、ZTR、LEACH以及所提出的PNCA等不同算法的对比图示分析。根据仿真结果，所提出的PNC算法相比其他现有算法能耗更低。第4节中所述的邻近节点能量共享概念，使得所提出的技术在保持连通性的同时更有利于能量优化以及网络的覆盖半径相关的能量水平。

5.5. 对比分析

本节主要对与无线传感器网络相关的一些最新研究进行了比较分析。
表10展示了所做工作的简要描述及其局限性。
从对比表中可以看出，一些研究人员关注网络连通性和延长网络寿命，而另一些人则致力于提高网络的能效。大多数作者在静态无线传感器网络领域开展研究，因为在移动环境中工作确实具有挑战性。在移动网络中，节点的移动性变化非常快，使得分析工作变得繁琐。但我们试图突出移动环境中网络的主要问题，即能量优化和连通性。所提出的方案为可持续移动无线传感器网络提供了一种能量优化算法，同时保持了网络的连通性。此外，还给出了数学模型以及仿真图，以验证结果的有效性。
能量的因子优化一直是无线传感器网络领域的一个挑战。当网络中存在移动节点时，为了维持连通性，这一问题变得更加具有挑战性。基于高移动性节点带来的网络复杂性概念，本文提出了一种算法，通过邻近节点间相互共享能量来优化能量，同时管理网络连通性。

5.6. 讨论

所提出的算法优化了节点（x）和节点覆盖半径（r）下的活动链路数量，使得最少数量的节点（x）保持活跃，以维持网络完全连通，并选择使能耗最小的r值。节点的电池状态和发射功率在网络路由表中持续更新。当某一区域内的节点电池电量较低时，增加x值，即让更多节点处于活跃状态，同时降低通信范围r，以降低能耗。引入网络连通性（ V）因子作为控制参数，用于选择x和r的最优值。
图4和图5中所示的结果表明，通过数学分析（理论值）和仿真获得的数值非常相似。这验证了所提出的二项分布模型的正确性。网络连通性可以通过增加传感器节点数量或增大通信半径来轻松提升。结论表明，通信半径的值越大，网络概率达到最高峰值时的连通性因子也越大。这意味着网络将具有更好的连通性。此外还观察到，对于特定的覆盖半径值，当连通性因子超过某一特定值后，网络概率反而会下降，因为过多的活跃节点会产生更多的活动路径需要分析，导致网络延迟超过链路故障的阈值。在多个活跃节点广播冗余数据的情况下，这还会造成网络拥塞。
在图5所示的结果中也可以观察到相同的现象，当连通性因子的值固定时，随着通信半径‘r’的值持续增加，网络概率在达到某一水平后会下降。这意味着无法保证网络连通性，且违反了能耗最小化的原则。
因此，使用所提出的网络模型，可以在保持连通性的同时，在较大半径值下优化能量，但仅限于一定范围内。

6. 结论

能量优化一直是无线传感器网络部署中的一个主要挑战。当邻近节点的距离和位置随机变化时，移动节点的存在使得维持网络连通性这一任务更具挑战性。根据所呈现的结果，可以确定在保持最优能量消耗的同时，移动传感器网络中的网络连通性只能提高到一定水平。这一点得到了支持
通过数学模型、仿真结果以及所提出的算法来选择与邻近节点的覆盖和连通性。通过更新列表中的信息，表示出利用邻近节点状态更新路由表并计算最优发射功率的概念，从而实现周围节点的能量共享。理论值与模拟值结果的相似性验证了网络连通性遵循二项分布。
本文所提出的成果基于仅考虑自由空间传播。通过进一步考虑邻近节点之间的干扰以及多径衰落对接收信号强度的影响，可以扩展该研究。
这些因素可能导致为达到所需的信干噪比而需要更高的发射功率。此外，还可以展望其对电池寿命的影响。未来可利用人工智能工具分析基于移动性特征的能量需求。

表1 网络连通性的仿真参数。
序号
1
2
3
4

表2 当‘r’值固定时，网络概率与连通性因子的理论值的示例数据
连接因子 (V)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

表3 当‘r’值固定时网络概率与连通性因子的模拟值样本数据 数值参数。
连接因子 (V)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

表4 当电压（V）的值固定为0.2时，网络概率与节点覆盖范围的理论与模拟值的 样本数据
节点覆盖率 (r)
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

表5 当电压（V）固定为0.5时，网络概率与节点覆盖范围的理论与模拟值样本数据
节点覆盖率(r)
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

表6 当电压（V）固定为0.9时，网络概率与节点覆盖率的理论与模拟值样本数据
节点覆盖率 (r)
30
31
32
33
34
35
36
37
38
39
40
41
42

表7 当电压（V）固定为1.5时，网络概率与节点覆盖范围的理论与模拟值样本数据
节点覆盖率 (r)
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

表8 能耗仿真的参数[53,54]。
序号
1
2
3
4
5

表9 不同算法能耗比较的样本数据。
序号
1
2
3
4
5
6
7
8
9
10

表10 与先前工作的对比分析。
S. No
1.
2.
3.
4.
5.
6.
7.
8