一种多移动充电车在线协同充电策略_张顺淼.pdf

第 卷 第 期 年 月传 感 技 术 学 报 .项目来源：国家自然科学基金项目（，）；湖南省重点研发计划（）收稿日期：修改日期：，（，；，）：（），（），（），：；：；：一种多移动充电车在线协同充电策略张顺淼，林亚彪，王 进（福建工程学院计算机科学与数学学院，福建 福州；长沙理工大学计算机与通信工程学院，湖南 长沙）摘 要：在大规模无线可充电传感器网络（）中，引入多部移动充电车（）为传感器补充能量可以有效提高充电可靠性。如何协同多 进行充电规划是提高 性能的关键，为此提出一种基于注意力机制的多 在线分布式协同充电算法（）。首先根据能耗率对传感器进行分级，结合传感器节点的距离和能量属性，采用注意力机制在线选择充电节点，并自适应调整充电时间。其次在满足 正常运行的基础上，确定网络中所需的 数量。最后提出分布式协同算法，确保 与充电节点一一对应，同时均衡多 的充电负载。仿真结果表明，与当前主流的几种协同充电算法相比，能有效提高传感器的存活率和 的能量利用率。关键词：无线可充电传感器网络；分布式协同算法；注意力机制；充电路径规划；移动充电车中图分类号：文献标识码：文章编号：（）无线传感器网络（，）在物联网工程中有着广泛的应用。然而 中为传感器提供能量的电池往往容量有限，因此传感器的能量问题一直是制约 发展的重要瓶颈。传统的研究方案通常采用节能路由协议或能量收集技术来解决此问题。节能路由协议以牺牲一定的网络性能为代价，降低网络中传感器的能耗，但其对传感器工作寿命的延长十分有限。能量收集技术则是从环境中吸收能量以维持传感器正常运行，然而由于外部环境具有不可预测性，导致充电功率无法保持稳定。无线能量传输技术（，）具有较强的可控性，可为传感器提供稳定的能量补给。以 作为技术支撑，无线可充电传感器网络（，）应运而生。第 期张顺淼，林亚彪等：一种多移动充电车在线协同充电策略 尽管 在解决 中传感器的能量问题方面极具发展潜力，但其充电效率和充电可扩展性仍是一个亟需解决的关键问题。等首次引入可进 行 无 线 能 量 传 输 的 移 动 充 电 车（，）提供能量补给，并研究了周期性充电的可行性，以最大化 的驻站比为优化目标，并证明了最短 回路为最优充电路径。在现有的 充电调度算法研究中，根据 的数量可分为单 充电算法和多 充电算法。针对小规模 中为数不多的充电请求，使用单 即可满足网络的能量需求。等提出了 充电算法，结合网络拓扑结构，将 的路径规划问题转化为旅行商问题。然而该算法需提前规划充电路径，无法根据网络需求进行调整。为此，等提出一种在线可抢占式充电（）算法，其核心思想是根据充电请求的相对距离更新充电目标，但 算法仅考虑了距离属性，忽略了传感器的能量属性对网络性能的影响。文献则对 算法进行优化改进，提出了能够根据网络环境动态调整各项充电属性的 算法，提高了充电请求响应的公平性。文献首先对网络节点进行非均匀分簇，随后通过簇内节点的能量状态和能耗率决定簇头的选举和轮换，并根据节点的时空混合优先级决定簇间和簇内 的充电次序。在大规模 中，由于充电请求的数量急剧上升，同时传感器节点间通常采用多跳通信传输网络数据，容易造成节点间的能量消耗不均，仅部署单 无法维持网络正常运行。因此，亟需引入多 进行协同充电。然而，若多 在同一时刻对同一个传感器进行充电，由于电磁辐射的存在，将产生无线电干扰，从而降低传输效率。为有效避免电磁辐射，等首次提出协同充电的概念，之间可进行能量逐级传递，理论上当充电设备充足时，可为网络中的任意节点充电。针对多 的协同充电问题，等提出了 算法，该算法建立了双层充电结构。其具体结构为：底层 固定在子区域内，独立负责子区域内传感器节点的充电服务，底层 无需返回基站补充能量，其能量由上层 提供。然而该充电结构需要部署大量设备，且采用了为充电请求节点充满电的方案，容易增加网络的整体充电时延。等提出了 算法，联合优化 的移动时间和充电时间，将协同充电问题转换为混合整数线性规划问题。等提出了 算法，首先采用 均值算法对网络节点进行划分，然后将充电请求节点的时空特征属性结合成一个度量，并确定特征属性的最佳权重，从而决策 的充电序列。文献提出了 算法，该算法将充电决策转化为 之间的合作博弈，通过使全局网络达到纳什均衡以提高充电效能。然而当网络节点呈显著的非均匀分布或节点能耗不均衡时，求解复杂度增大。现有的多 协同充电算法大多为离线模式，即 按照预先规划的充电路径遍历节点，无法进行实时调整。由于传感器节点间能耗不均衡，且实际的网络环境具有不稳定性，因此在线充电算法更有利于提升网络性能。本文针对大规模 的节点能量补充问题，提出了基于注意力机制的多 在 线 分 布 式 协 同 充 电 算 法（，）。本文的主要贡献可归纳为：提出基于注意力机制的充电节点选择 算 法（，）。首先根据传感器的能量消耗率对网络节点进行分级；其次结合节点的距离属性和能量属性，作为 选择下一个充电目标节点的依据，调整参数权重值合理选择充电目标；最后 根据节点能耗调整对充电目标节点的充电时间，使能量有限的 可为高能耗节点补充较多的能量。通过分析 的能量消耗过程，确定不同网络规模下 数量的取值范围，并提出多 分布式协同算法（），使 与充电请求节点满足一一映射关系的同时，均衡 之间的充电负载。通过大量仿真实验对所提出算法的性能进行验证，实验结果表明该算法不仅能够降低网络节点的死亡率，同时可以有效提高 的能量利用率。系统模型和问题定义 系统模型无线可充电传感器网络（，）由随机部署在半径为 的圆形监测区域中的 个可充电传感器和一个静态基站（，）组成，其中，表示网络中的传感器节点，是传感器节点的边集合。传感器节点采用文献中的路由协议进行感知数据传输，当节点 和 之间的距离 小于或等于传输半径，则节点间存在一条边，并以边 为数据传输路由进行单跳通信。如果节点之间不存在边，则需要采用多跳通信传输数据。每个节点均配置有无线可充电电池，初始电池传 感 技 术 学 报第 卷容量均为，表示节点 的剩余能量，节点的能量消耗集中于感知数据、处理数据和传输数据。位于网络区域中心，作为数据汇集中心和能量站，承担着收集网络数据和补充 能量的任务。网络模型如图 所示，假设 能量不限，网络中配备有（）台，将其表示为，所携带的初始能量均为，表示 的剩余能量。初始时 均位于，在接收到充电任务后，以恒定速度 巡游网络，通过磁耦合技术对节点进行一对一充电，在能量不足时返回 蓄电。在充电过程中 以当前位置为圆心，以 为半径形成充电区域，并选取 内的节点作为充电目标。图 网络模型 能量消耗模型本文的传感器能量消耗模型参考文献，假设节点 在单位时间内向通信范围内的节点转发大小为 的感知数据，则节点 的能量消耗率为：（），（）（）式中：为传感器监听功率，为传输放大器因子，为距离因子。为有效甄别出极低电量的传感器，使其能够被及时补充能量，本文设置了充电双阈值：常规充电阈值 和紧急充电阈值，即当，则 发送常规充电请求；当，则 发送紧急充电请求，设，。的能量消耗由移动能耗和充电能耗组成。构建集合，在充电过程中每遍历一个节点，则将该节点添加至，其中 和 分别表示 和当前充电节点，则 的当前行驶距离为 ，。表示节点 的最大充电量，则 对 充电的过程中所消耗的能量为。因此，在充电过程中的移动能耗 和充电能耗 如式（）和式（）所示，式中 和 分别为 的单位移动能耗和充电能耗。，（）（）（）问题定义记 为 位于 的时刻，为当前时刻。若传感器的充电请求无法被及时响应，将导致传感器失效。定义传感器存活率 为 时刻网络中的传感器存活数量（即未失效节点数）与传感器总数 之比，的能量利用率 为 时刻 的充电能耗与总能耗之比。本文的设计目标是如何合理规划多 为需要进行能量补充的节点充电，使得 中的传感器存活率和 的能量利用率最大化。同时还需考虑以下几点：为有效避免电磁辐射的干扰，在任意时刻传感器至多只允许由一个 提供充电服务，即满足式（）；在充电过程中 需留有足够的能量作为返回 的移动能耗，即满足式（）和式（），结合式（）和式（）得到如式（）所示的能量约束；尽可能避免 之间的充电负荷不均衡。为满足 对充电请求节点进行一对一充电的约束，定义变量，和变量，当，表示 对传感器 充电，当，表示 关闭能量传输模块，当，表示 关闭能量接收模块。，（）（），（）（），（）为实现上述所提出的设计目标并满足约束条件，本文设计了一种基于注意力机制的多 在线分布式协同充电算法（）：首先，制定 的充电节点选择算法（）。其次，确定不同网络规模下 所需数量的范围。最后，提出多 在线分布式协同算法（）。下面对此展开详细描述。算法设计 基于注意力机制的充电节点选择算法注意力机制的本质是将计算资源分配至优先级第 期张顺淼，林亚彪等：一种多移动充电车在线协同充电策略 更高的任务，引入注意力机制可有效加强算法的自适应能力。本节的核心工作是阐述基于注意力机制的充电节点选择算法（算法），首先根据能耗率对传感器节点做分级处理；随后联合考虑充电请求节点与 的空间距离、充电请求节点的剩余能量和能耗级别，同时根据充电双阈值调整权重系数，选择充电目标；最后 根据充电目标的剩余能量和能耗级别对其补充相应的能量。算法的具体过程如下：算法：，：，：（）：（，）：，；：（）（）（）：（）（）（）：（）：（，）：算法的第 行是根据传感器的能耗率进行节点分级。首先，根据式（）计算得到所有节点的能耗率，其中的最值和极差值分别记作、和，分别取 和 作为节点分级数和分级区间长度；其次，为了将节点分为 个层级，设置了 个分级阈值，阈值设定为，（）；随后，比较各个节点的能耗率和分级阈值的大小，当，则节点 为第 级能耗节点，并赋予该节点能耗层级值；最后，为降低 的充电总时延，采取部分充电方案，设第 级节点 的最大充电量，其中（），则 的充电时间为（）。记最低能耗级别节点 的最大充电量 。算法的第 行构造了节点的充电优先级系数。以当前所在位置为圆心，以 为半径得到充电区域，内能量低于 的节点向 发送数据包，其中，表示 与充电请求节点 的距离。算法的第 行构建了距离参数，、能量参数 和能耗参数 。算法的第 行是根据充电双阈值判断充电请求类型，并计算充电请求节点的充电优先级系数，如式（）所示，其中、和 为加权因子，参考文献，设 ，。选择充电优先级系数最小的节点作为拟充电目标。（）（）（）（）（）（）（）算法的第 行用于判断 是否修改拟充电目标：当 使 （），则拟充电目标即为充电目标节点，记作。当 使 （），即存在与拟充电目标节点的距离、能量、能耗参数近似的节点。为进一步提高算法的合理性，引入节点密度 和邻节点充电需求量 作为是否修改拟充电目标的依据。表示在（，）中与节点 之间存在边且剩余能量低于 的节点数，表示上述个节点的总充电需求量，如式（）所示，充电优化优先级 如式（）所示，取。通过计算，选取最大值节点为充电目标，即邻节点密度和充电需求量越大，节点当选充电目标的几率就越大。最终 对节点 进行能量补充，若 的能耗级别为，则充电时间为（）。（）（）（）（）算法的第 行是判断 的能量条件。当 的能量满足（，）时，继续执行算法的第 行；反之，返回基站进行能量补充。传 感 技 术 学 报第 卷 确定 数量在 中，增加 的数量往往有利于提升网络性能，但同时也增加了网络的运行成本。因此在保证充电服务质量的前提下，如何最小化网络的运行成本，成为 发展的另一个关键问题。本节针对 的规模变化，从理论上确定 数量的取值范围，为多 的协同算法提供理论依据。定义 单轮充电周期 从 时刻记起，能量不足返回，直至电池电量充满的总时间称为 单轮充电周期，记作。定义 休整时间 返回 至能量补充完毕的过程称为休整时间，记作。为确保 补充足够的电量，取，其中 为 的能量补充功率。定义 平均能耗率 将单轮充电周期内在 时刻的总能量消耗与 至 时刻的总时间之比称为 平均能耗率，记作，其表达式如式（）所示。（）单轮充电周期由充电时间、行驶时间以及休整时间组成。由于 且 能量有限，因此在单轮充电周期内若 越大，则 和 越小。当越小，则 可充电的周期就越长，即越大。具有初始能量的 从 出发，假设 以最短路径遍历 值均为 的充电请求节点，则此时 为最小值，为最大值。因此，为最小值，将定义为最小理论充电周期。单次充电的最大移动距离为充电半径，假设 每次充电均以 为移动距离，对 值均为 的充电请求节点充电，则此时 为最大值，为最小值。因此，为最大值，将定义为最大理论充电周期。记为单个传感器的充电时间，其约束如式（）所示；表示 的当前充电节点；、分别为、内单 可充电的节点数量；式（）为 的总行驶距离约束，结合式（）和式（）得到如式（）所示的单轮充电周期约束：（），（），（），（）（，）（）（）（）（）式（）和式（）分别为和内 的能量约束。由式（）可得 ，的初始值取 ，并利用 进行迭代，直至 值满足式（），得到 并代入式（）求得。随后计算内的充电请求总数，其中 为内发送充电请求的节点数，即节点剩余能量满足式（）；另外，部分高能耗节点在电池充满后的运行寿命小于，因此在充电周期内会多次发送充电请求，即节点能耗率满足式（），其数量为，其中（）为传感器 在 时刻的剩余能量。由式（）可得 的最大值为 （，），随后将其代入式（）得到；随后根据式（）和式（）计算内的充电请求总数。综上所述，当时，充电请求总数和单 可充电的节点数分别为 和，因此所需的 数量记作 ；当时所需的 数量记作 ，则 的数量，。多 的在线分布式协同充电算法针对多 的协同充电问题，本节提出在线分布式协同算法（）以满足大规模 的充电需求。为有效避免 的充电负载不均衡，以及因 分布不均所造成的局部网络节点能量空洞和充电请求无法得到及时响应的问题，初始时刻 合理选择初始方向，使其在充电初始阶段均匀分布在网络中。在充电过程中，当多 同时选择同一传感器作为候选充电目标时，通过定义 与该传感器的适应度进行协同调度，实现 与传感器的一对一充电。当多 的充电区域相互重叠，且重叠区域内存在一定数量的低能量节点，若这部分节点无法被及时充电，局部网络将陷入瘫痪状态。对此提出对这部分节点进行聚类分簇，并以充电簇的形式将充电任务分配至距离该簇较近且能量充足第 期张顺淼，林亚彪等：一种多移动充电车在线协同充电策略 的，以满足网络的充电需求。算法的具体步骤如下：算法：，（节点坐标），：，：（）：，：（），（）：（）：（）：，：，：（）：（）（）（）：（，）：（）：?，?；（?，?）：（，）：，：（）：（）：，：；：（，）：（）：首先给出以下定义：定义 适应度 用于衡量 与充电请求节点的匹配度，（，）的大小取决于的剩余能量和 与节点 的距离，其计算公式如下：（，），（）定义 簇优先级 用于衡量充电簇 的重要程度，的大小取决于簇 内的总充电需求量 （），以及 的簇心 与 个 的平均距离 ，()，其中 为簇内剩余能量低于 的节点数，其计算公式如下：（），（）图 确定 的初始方向算法的第 行是对网络进行初始化。刚开始 均位于基站，依据充电请求的发送次序相继从基站出发，若同一时刻基站接收到多个充电请求，则多个 同时出发执行充电任务。算法的第 行将基站至最大能耗节点 的连线作为 的初始方向，并将该方向作为基准线；算法的第 行是确定其余（）的初始方向：通过 计算 与 间的夹角范围，其计算由式（）给出；表示 内优先级最高的节点，将基站至 的连线作为 的初始方向。如图 所示，以最大能耗节点的位置作为初始方向，并根据该方向确定 和 的夹角域，从而选择夹角域内优先级最高的节点作为其初始方向。（），（）|，（）（）协同算法的目标在于构造：的一对一映射关系，算法的第 行是对协同算法具体步传 感 技 术 学 报第 卷骤进行描述。算法的第 行是针对多个 拟定同一节点作为充电目标：当 个 同时拟定节点作为充电目标，即：存在 的映射关系。通过式（）计算 的适应度，并选取适应度最大的 对节点 充电，即 的剩余能量越大且与 越靠近，则 与该节点的适应度越高。其余 个 则将 从候选充电目标中移除，重新执行 算法直至满足：的一一映射。算法的第 行是针对多个能量低于 的节点同时被多个 的充电区域所覆盖：当 个 的充电区域相互重叠，且重叠区域内存在 个剩余能量低于 的节点，已知其坐标为（，），记，。在算法的第 行中，当，由于低能量节点数量有限，则将此聚类成单充电簇。计 算 满 足 上 述 条 件 的 节 点 质 心 ()，()()作为充电簇心。通过式（）计算 的适应度，并选取适应度最大的 对充电簇充电，此时需将适应度中的距离，替换成 与簇心 的距离，；随后该 根据式（）计算簇内节点的充电优先级完成充电簇的充电任务；最后其余 个 重新执行 算法直至 与 之间一一映射；在算法的第 行中，当，由于低能量节点数量增加，单 的充电能力不足，则利用 算法将此聚类成多个充电簇。计算 作为簇数并随机生成 个初始聚类中心；通过计算能量低于 的样本点到每个中心的欧氏距离，将每个样本点聚类到与其最临近的中心，将聚类后每个类的质心作为新的聚类中心；进行迭代直至聚类中心不变，得到充电簇 和簇心，（）。根据式（）计算簇优先级，并根据簇优先级进行降序排列得到 ，；随后根据式（）计算 的适应度，适应度最大的 与 匹配，此时需将适应度中的，替换成，。重复执行上述运算，直至 中的所有充电簇与 完成匹配。根据式（）计算 所匹配簇的簇内节点充电优先级对充电簇充电；其余个 重新执行 算法直至 与 之间一一映射。实验结果及分析为了验证上述所提出算法的可行性，本文基于 语言进行大量仿真实验。首先，评估 值的变化对 算法性能的影响，并确定网络性能最优时 值的大小；其次，采用单 对小规模 进行能量补给，验证 算法对网络性能的优化效果；最后，针对大规模，根据 小节的分析结果选定 数量，采用多 进行协同充电，验证 算法的可靠性。实验仿真场景为在半径 的圆形区域内随机部署 个传感器，相关参数设定如表 所示。表 仿真参数设置参数数值参数数值 （）（）图 取不同 值时网络的性能对比 分级系数对性能的影响本组实验研究节点分级系数 对 算法性能的影响。将其余参数设为缺省值，分级系数 设为 至，图（）图（）分别表示 第 期张顺淼，林亚彪等：一种多移动充电车在线协同充电策略 时，的传感器存活率、的能量利用率和总行驶距离。由图 可知 时各项性能达到最优，其原因主要有两个方面：其一，当 取值较小，易造成部分节点在短期内频繁发送充电请求，从而导致 行驶距离增加；当 取值较大，即第 层级节点的最大充电补给量也相对较大，将增加 对部分节点的充电时间和 的充电总延迟。特别说明 表示对充电请求节点采取完全充电方案。图 单 模型的网络性能对比 算法在小规模 中的性能本组实验为了验证 算法的有效性，构造了单 对小规模网络进行能量补给的模型。对比 算法与 算法和 算法的性能差异，网络节点数量设置为 ，分别从 的传感器存活率和 的总能量消耗进行比较。由图（）可知：算法的节点存活率优于 算法和 算法。随着节点数量的增大，充电请求节点相继增加。算法中的近距离充电请求具有优先抢占权，导致部分远距离充电请求节点无法被及时响应；算法则设置了失效节点数量作为能量属性权重因子，即失效节点越多能量属性权重越高，距离属性权重越低，这将导致 需增加长距离移动，从而增加了部分节点的充电时延。由图（）可知：算法和 算法的总能量消耗均高于 算法，其主要原因是：算法采用部分充电方案，融合了距离、能量和能耗因素，具有较快的响应特性；随着传感器存活率的下降，在 算法中，不得不增加移动能耗以满足节点的优先抢占，同理 算法的距离权重下降，移动能耗的增加直接导致了总能量消耗的增加。算法在大规模 中的性能本节通过两组实验进一步对比 种多 协同算法对大规模 进行能量补给的性能差异，验证 算法的优势。第 组实验的内容是比较 算法和 算法的传感器存活率、能量利用率和传感器平均能量。基于 算法的层级充电结构，需将充电设备的数目设置为。其具体充电结构为：网络中部署 个移动充电设备（）和 个特殊充电设备（），并假设 和 为同质充电设备，独立负责子区域内的传感器充电任务，而 负责补充对应 个 的能量。本组实验参数设定节点数量为，数量取、，。如图（）图（）所示，当节点规模扩大至 ，取 时，算法在运行周期内可将传感器存活率维持在 以上，算法与之相比提升约；在 算法中 的能量利用率维持在 ，而 算法可提升至 ；同 时 算法可以使传感器的平均能量保持在较高水准，有利于延长网络的工作寿命。与 算法所采取的网络分区方案相比，算法的 具有较强的充电覆盖特性，加速充电响应速度，同时 从多维度属性出发，选择充电目标节点，使网络的能量分布更加均衡。第 组实验则对比了 算法和 算法的网络性能，分别从传感器的存活率、的行驶距离和传感器的平均能量三个方面进行比较。算法立足于将多 的协同充电转化成竞争博弈，通过设计收益函数和博弈规则，使网络的收益总和最大，并提出了 间不可相互充电和可相互充电这两种工作模式；算法的核心思想是将充电请求的时间需求和空间特征结合成一个度量，并利用该度量对充电序列进行决策。本实验将 的数量设为、，。由图（）图（）可知：算法能够有效延长网络生存周期，相较于上述两种算法，算法采取部分充电方案，将更多的电量分配至能耗更高或能量更传 感 技 术 学 报第 卷低的节点，有效降低充电时延。由图（）图（）可知：算法的 总行驶距离为 算法的 倍，算法两种充电模式的 总行驶距离分别为 算法的 倍和 倍。算法可以使 保持较高的节点存活率，因此其存活节点的相对密度更高，有利于降低 的行驶成本。由图（）图（）可知：算法在维持节点能量方面也具有更优表现。这是因为 算法在充电优先级系数中引入了能耗率特性，并根据充电双阈值动态调整权值，有效缓解节点能耗不均的问题，使得 之间的充电负载更加均衡。图 算法与 算法的网络性能对比图 多种 协同充电算法的网络性能对比 结论高效的传感器能量补给方案是延长 寿命的关键，无线能量传输技术为其提供了全新的方向。本文针对大规模 中多 的协同充电问题，提出了基于注意力机制的在线协同充电算法（）。首先，提出了基于注意力机制的充电节点选择算法，该算法将传感器的距离属性、能量属性和能耗率属性组合成多元决策模型，并根据能量属性调整权重以优化充电目标节点的选择。其次，第 期张顺淼，林亚彪等：一种多移动充电车在线协同充电策略 通过分析 的能量消耗过程，确定不同网络规模下 的数量范围。最后，为有效避免电磁辐射的干扰，同时均衡 之间的充电负载，提出分布式协同算法进行充电调度。仿真结果显示，本文所提出的协同充电算法能有效提高大规模 的传感器存活率和 的能量利用率，从而维持网络正常运行。本文所提出的算法仅针对传感器的能量补给问题，下一步工作将考虑联合充电和传感器的数据收集，以进一步提升网络性能。参考文献：（），：，（）：，（）：，（）：赵小强，崔砚鹏，郭铮，等 基于虚拟力的 能量高效分簇路由协议 软件学报，（）：周远林，陶洋，李正阳，等 基于演化博弈的无线传感器网络节能分簇路由算法 传感技术学报，（）：，（）：，：，（）：，（）：，：，（）：陈辉，于耀翔，刘昱君，等 无线传感器网络的注意力机制充电策略 华中科技大学学报（自然科学版），（）：尹玲，谢志军，陈科伟 一种基于非均匀分簇的实时充电算法 传感技术学报，（）：，（）：，（）：，（）：张娜，赵传信，陈思光，等 无线可充电传感器网络混合移动充电调度研究 传感技术学报，（）：，：，：，（）：，：，（）：，：，：，：，：，传 感 技 术 学 报第 卷 ，（）：，：，：，（）：，（），（）：张顺淼（），男，会员，现为福建工程学院副教授，硕士生导师 主要研究方向为无线传感器网络、智能优化算法等，；林亚彪（），男，现为福建工程学院硕士研究生。主要研究方向为无线传感器网络，；王 进（），男，现为长沙理工大学教授，博士，博士生导师，高级会员，主要研究方向为无线自组网和传感器网络，网络性能分析与优化等，。