物聯(lián)網(wǎng)環(huán)境下QoS驅(qū)動(dòng)的服務(wù)組合能量?jī)?yōu)化研究

付 佳，李?lèi)?ài)萍，段利國(guó)，王舒漫，趙菊敏

(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030000)

E-mail：tyutli@163.com

1 引 言

隨著新一代信息技術(shù)的發(fā)展，物聯(lián)網(wǎng)成為繼計(jì)算機(jī)、互聯(lián)網(wǎng)之后信息發(fā)展的又一次變革[1]，面對(duì)物聯(lián)網(wǎng)設(shè)備及環(huán)境都具有動(dòng)態(tài)變化的特點(diǎn)[2]，在將物聯(lián)網(wǎng)設(shè)備根據(jù)其功能封裝為服務(wù)的同時(shí)[3，4]，如何實(shí)現(xiàn)物聯(lián)網(wǎng)服務(wù)的動(dòng)態(tài)組合以達(dá)到最優(yōu)配置是目前的主要挑戰(zhàn)之一.

2018物聯(lián)網(wǎng)白皮書(shū)指出，據(jù)IDC數(shù)據(jù)統(tǒng)計(jì)，到2022年，將有超過(guò)500億的終端與設(shè)備聯(lián)網(wǎng)，形成一個(gè)高密度的物聯(lián)網(wǎng)環(huán)境[5].這將導(dǎo)致服務(wù)組合中候選服務(wù)的數(shù)量規(guī)模宏大.可能存在許多功能相同或相似但非功能屬性QoS(Quality of Service)不同的原子服務(wù)，所以物聯(lián)網(wǎng)環(huán)境下QoS的優(yōu)選仍是主要的研究方向之一.

當(dāng)前，大量文獻(xiàn)研究主要基于QoS進(jìn)行物聯(lián)網(wǎng)環(huán)境下的服務(wù)選擇[6]，然而，在實(shí)際應(yīng)用中，物聯(lián)網(wǎng)服務(wù)的提供受到周?chē)h(huán)境的影響和相關(guān)的制約因素較多[7]，導(dǎo)致物聯(lián)網(wǎng)服務(wù)是高度資源受限服務(wù)，隨著服務(wù)類(lèi)別及數(shù)量的增加，選擇服務(wù)時(shí)候選服務(wù)所消耗的能量也使得服務(wù)組合中的總體能耗隨之增長(zhǎng).因此，不同于傳統(tǒng)的web服務(wù)組合只進(jìn)行最大化整體的QoS單元的策略，物聯(lián)網(wǎng)環(huán)境下的服務(wù)組合，旨在能量消耗和QoS之間尋找平衡以延長(zhǎng)網(wǎng)絡(luò)生存周期.

2 相關(guān)工作

針對(duì)上述挑戰(zhàn)，國(guó)內(nèi)外已經(jīng)有許多研究人員對(duì)物聯(lián)網(wǎng)環(huán)境下的服務(wù)組合問(wèn)題進(jìn)行了深入研究.Zhou等人[8，9]提出了一種基于能源效率的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)智能對(duì)象服務(wù)發(fā)現(xiàn)鏈和選擇方法，該方法采用多目標(biāo)遺傳算法優(yōu)化，根據(jù)傳感器設(shè)備的功能和適合度對(duì)傳感器設(shè)備進(jìn)行分類(lèi)，選擇最優(yōu)的組合服務(wù).在此基礎(chǔ)上，Sun等人[10]提出利用遺傳算法、蟻群算法、粒子群算法對(duì)服務(wù)類(lèi)鏈進(jìn)行實(shí)例化.以上方法對(duì)網(wǎng)絡(luò)的能耗進(jìn)行了詳細(xì)的考量，但是沒(méi)有考慮到在實(shí)際應(yīng)用中，由于規(guī)模宏大的原子服務(wù)數(shù)量，可能存在很多功能相同或者功能相似的服務(wù)，所以物聯(lián)網(wǎng)的服務(wù)組合方法必須同時(shí)考慮組合對(duì)象的QoS屬性值和能源效率.

楊臻等人[11]提出一種基于功能價(jià)值擇優(yōu)的信息服務(wù)組合方法，結(jié)合物聯(lián)網(wǎng)中數(shù)據(jù)信息與地理位置密切相關(guān)、設(shè)備資源受限的特點(diǎn)，將剩余能量考慮為QoS的一個(gè)屬性值，建立物聯(lián)網(wǎng)QoS模型，進(jìn)行加權(quán)計(jì)算.但是，該方法沒(méi)有單獨(dú)評(píng)估在動(dòng)態(tài)配置過(guò)程中能量消耗對(duì)海量服務(wù)的影響.

Tong等人[12]將服務(wù)能量引入到無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的工作流管理中，給出了服務(wù)能量的計(jì)算方法，并對(duì)傳統(tǒng)的QoS模型進(jìn)行了擴(kuò)展，采用QoS約束分解的方法，通過(guò)同時(shí)考慮QoS和服務(wù)能量，將工作流的全局質(zhì)量約束分解為原子服務(wù)的一組局部質(zhì)量約束，實(shí)現(xiàn)高效的本地服務(wù)選擇，提出了一種動(dòng)態(tài)工作流適應(yīng)機(jī)制.Alsaryrah等人[13]將物聯(lián)網(wǎng)服務(wù)組合的QoS水平與消耗能量之間的最優(yōu)平衡問(wèn)題簡(jiǎn)化為雙目標(biāo)最短路徑優(yōu)化問(wèn)題，并采用脈沖算法求解.上述研究只簡(jiǎn)單考慮了QoS水平和能源效率問(wèn)題，沒(méi)有針對(duì)物聯(lián)網(wǎng)服務(wù)組合動(dòng)態(tài)配置中不同時(shí)期對(duì)QoS和能源的不同要求進(jìn)行衡量.

綜上所述，針對(duì)物聯(lián)網(wǎng)環(huán)境下原子服務(wù)數(shù)量宏大、設(shè)備資源高度受限、服務(wù)組合過(guò)程動(dòng)態(tài)變化的特點(diǎn)，本文提出一種改進(jìn)的自適應(yīng)方法，綜合考慮QoS屬性值和能源效率，解決服務(wù)組合過(guò)程中對(duì)能耗的不同要求，構(gòu)建不同的目標(biāo)函數(shù)；結(jié)合物聯(lián)網(wǎng)數(shù)據(jù)信息與地理位置密切相關(guān)的特點(diǎn)，利用位置信息進(jìn)行局部?jī)?yōu)選，縮小候選服務(wù)范圍；最后利用多目標(biāo)優(yōu)化算法在可行服務(wù)組合空間中全局尋優(yōu).

3 能量?jī)?yōu)化建模

3.1 概念定義

定義1.(物聯(lián)網(wǎng)服務(wù))：一個(gè)服務(wù)Service是一個(gè)三元組Service=(name，desc，QoS)，其中：

1.name是服務(wù)名稱(chēng)；

2.desc是服務(wù)的語(yǔ)義描述；

3.QoS={ QoS1，QoS2…QoSn}是服務(wù)的服務(wù)質(zhì)量屬性值集合.

定義2.(QoS)：服務(wù)質(zhì)量QoS是反映服務(wù)性能的指標(biāo)，是服務(wù)組合的主要依據(jù)，2003年，W3C提出了13種可能通用的QoS指標(biāo)[14]，截止到目前為止，已經(jīng)提出的QoS屬性指標(biāo)有30余種[15].結(jié)合物聯(lián)網(wǎng)的特點(diǎn)，物聯(lián)網(wǎng)環(huán)境下的服務(wù)需要考慮每個(gè)設(shè)備的動(dòng)態(tài)變化特性以及應(yīng)用環(huán)境，所以本文取用代價(jià)、響應(yīng)時(shí)間、可用性和可靠性四種屬性構(gòu)建QoS模型：QoSij(S)=(Cost，Response Time，Availability，Reli-ability).

1.Cost表示響應(yīng)一次服務(wù)，用戶(hù)需支付的成本花銷(xiāo)，由服務(wù)提供商給出；

2.Response Time表示用戶(hù)請(qǐng)求服務(wù)和用戶(hù)接收回答的時(shí)間間隔；

3.Availability表示一個(gè)服務(wù)在一定時(shí)間間隔可訪(fǎng)問(wèn)的時(shí)間比；

4.Reliability表示一個(gè)服務(wù)正確和穩(wěn)定的行為能力.

定義3.(服務(wù)請(qǐng)求)：服務(wù)請(qǐng)求r是一個(gè)三元組r=(I，O，w)，其中：

1.I是用戶(hù)能夠提供的輸入集合；

2.O是用戶(hù)期待得到的輸出集合；

3.0

3.2 能量模型

在本研究中，整個(gè)網(wǎng)絡(luò)生存周期內(nèi)主要考慮的能量消耗包括環(huán)境感知、發(fā)送數(shù)據(jù)和接收數(shù)據(jù)的消耗，本研究中的能量消耗計(jì)算模型采用一階無(wú)線(xiàn)電模型[16]，表1表示的是該模型中各參數(shù)的含義.

表1 能量模型參數(shù)含義Table 1 Meaning of the energy model parameters

PSense表示的是節(jié)點(diǎn)環(huán)境感知消耗的能量，PTx和PRx表示的是將一個(gè)b比特的數(shù)據(jù)包傳送r的距離的過(guò)程中的傳輸耗能和接收耗能，公式如下所示：

PSense=α1b

(1)

PTx=(β1+β2rn)b

(2)

PRx=γ1b

(3)

n為傳播衰減系數(shù)，數(shù)值范圍為2-5，n的取值取決于設(shè)備的環(huán)境，假設(shè)在當(dāng)前物聯(lián)網(wǎng)環(huán)境下，設(shè)備在傳輸數(shù)據(jù)包時(shí)是無(wú)障礙物的，將n的值定為2[17].根據(jù)一階無(wú)線(xiàn)電模型，一些典型的參數(shù)值如下公式所示：

α1=60*10-9J/bit

(4)

β1=45*10-9J/bit

(5)

β2=10*10-12J/bit/m2

(6)

γ1=135*10-9J/bit

(7)

4 物聯(lián)網(wǎng)服務(wù)組合流程

在基于用戶(hù)需求QoS限制的物聯(lián)網(wǎng)服務(wù)組合應(yīng)主要從局部、全局兩個(gè)階段上考慮.局部上，引入語(yǔ)義網(wǎng)的相關(guān)技術(shù)，實(shí)現(xiàn)QoS的語(yǔ)義化；全局上，計(jì)算QoS的屬性值對(duì)服務(wù)進(jìn)行選擇.

物聯(lián)網(wǎng)服務(wù)組合過(guò)程主要包括用戶(hù)需求分析、服務(wù)發(fā)現(xiàn)、服務(wù)匹配、服務(wù)選擇和服務(wù)組合五個(gè)階段，處理流程如圖1所示.

4.1 服務(wù)匹配

通過(guò)需求分解單元將用戶(hù)需求分解為功能性需求和非功能性需求，根據(jù)功能性需求，利用語(yǔ)義相似度計(jì)算方法，從服務(wù)庫(kù)中選取符合要求的候選服務(wù)集[18，19].

圖1 用戶(hù)請(qǐng)求處理框圖Fig.1 Processing block diagram of the user′s request

為提高求解效率，利用每個(gè)服務(wù)的位置信息，采用局部?jī)?yōu)選方法，從候選服務(wù)集中，為每個(gè)抽象服務(wù)優(yōu)選出優(yōu)秀候選服務(wù)集.

4.2 服務(wù)選擇

針對(duì)優(yōu)秀候選服務(wù)集中服務(wù)的選擇，在全局最優(yōu)策略中，不能只考慮當(dāng)前功能環(huán)節(jié)的QoS和能量計(jì)算，需要考慮各個(gè)功能節(jié)點(diǎn)聚合后的QoS和能量評(píng)價(jià)值，使組合方案整體的QoS和能量滿(mǎn)足限制條件.而具體的QoS的聚合計(jì)算和服務(wù)組合的執(zhí)行路徑有著密不可分的關(guān)系，一般存在四種基本結(jié)構(gòu)，即并行結(jié)構(gòu)、串行結(jié)構(gòu)、分支結(jié)構(gòu)和循環(huán)結(jié)構(gòu)[19]，如圖2所示.

圖2 四種基本工作流Fig.2 Four basic workflows

根據(jù)不同QoS屬性的特點(diǎn)，給出每個(gè)QoS屬性在四種工作流下的不同計(jì)算方法，如表2所示.

表2 四種工作流下QoS計(jì)算方法Table 2 QoS calculation methods under four kinds of workflows

4.3 服務(wù)組合實(shí)例化

4.3.1 服務(wù)組合目標(biāo)函數(shù)

1.最小化目標(biāo)

f1=Econsumption

(8)

EConsumption=PSense+PTx+PRx

(9)

2.最大化目標(biāo)

f2=QoS′i,j(S)

(10)

(11)

3.目標(biāo)函數(shù)

(12)

其中，w1和 w2都是權(quán)重因子，均為大于0的正數(shù)，分別表示f1和f2所占比的重要程度，并且w1+ w2=1.在本文中，考慮網(wǎng)絡(luò)負(fù)載均衡的要求，采用如下自適應(yīng)方法自動(dòng)地調(diào)節(jié)權(quán)重因子的值：

(13)

其中，Emax為節(jié)點(diǎn)能量的最大值，Eres為節(jié)點(diǎn)能量的剩余值，Eave為節(jié)點(diǎn)能量的平均值，0≤k1,k2≤1為常數(shù).

4.3.2 服務(wù)組合優(yōu)化方法

啟發(fā)式算法可以有效解決大規(guī)模問(wèn)題及NP難問(wèn)題[20]，因此在本文研究過(guò)程中引入了遺傳算法和粒子群算法，其步驟如下：

1.遺傳算法

遺傳算法是一種通過(guò)模擬自然進(jìn)化過(guò)程尋找優(yōu)化解的算法，它包括：選擇、交叉、變異.在本文中，基因表示為物聯(lián)網(wǎng)服務(wù)，染色體表示為不同的服務(wù)組合，染色體的適應(yīng)度反映了群體個(gè)體的適應(yīng)度.

算法1.遺傳算法

輸入：

MAX：最大迭代次數(shù)

N：初始種群中染色體的數(shù)量

輸出：一條相對(duì)優(yōu)化的染色體序列

1.while 迭代次數(shù)

2.for i

3.采用輪盤(pán)賭選擇法選擇種群中的染色體，將其加入到下一代種群中，其中具有較大適應(yīng)度函數(shù)值的個(gè)體更容易被選擇

4.采用單點(diǎn)交叉方法進(jìn)化下一代染色體

5.采用變異算子進(jìn)化下一代染色體

6.end for

7.基于適應(yīng)度將子代插入到新種群中

8.end while

算法1是遺傳算法的具體流程，在產(chǎn)生初始種群后，計(jì)算其適應(yīng)度函數(shù)值，采用輪盤(pán)賭選擇法選擇當(dāng)前種群中的染色體，并加入到下一代種群中(第3行).采用單點(diǎn)交叉和變異(第4、5行)，對(duì)種群中的染色體進(jìn)化處理.基于適應(yīng)度函數(shù)值將進(jìn)化后的個(gè)體插入到下一代種群中(第7行).不斷重復(fù)上述過(guò)程，直到找到最優(yōu)染色體或達(dá)到最大迭代次數(shù)時(shí)循環(huán)終止.

2.粒子群算法

粒子群算法是受鳥(niǎo)群覓食行為啟發(fā)的一種優(yōu)化算法，粒子代表的是不同的服務(wù)組合.在該算法的每一次迭代中，粒子通過(guò)兩個(gè)極值進(jìn)行更新：1)粒子局部最優(yōu)解pBest；2)目前整個(gè)種群中全局最優(yōu)解gBest.粒子更新d維速度和位置時(shí)遵循如下公式：

popv(i，:)=w*popv(i，:)+c1*rand*(pBest(i，:)-
popx(i，:))+c2*rand*(gBest-popx(i，:))

(14)

popx(i，:)=popx(i，:)+popv(i，:)

(15)

其中，w叫慣性權(quán)重，c1、c2為學(xué)習(xí)因子popv(i，：)為粒子的當(dāng)前速度.

算法2.粒子群算法

輸入：

MAXGEN：最大迭代次數(shù)

M：初始種群中粒子的數(shù)量

輸出：一條相對(duì)優(yōu)化的粒子序列

1.for i

2.計(jì)算每個(gè)粒子的適應(yīng)度，并初始化個(gè)體最優(yōu)解pBest和整體最優(yōu)解gBest

3.end for

4.while 迭代次數(shù)

5.for i

6.利用公式(14)、公式(15)更新個(gè)體的位置和速度

7.計(jì)算目標(biāo)函數(shù)值

8.更新pBest和gBest

9.end for

10.找到最優(yōu)解粒子

11.end while

算法2是粒子群算法的具體流程，在產(chǎn)生初始種群后，計(jì)算每個(gè)粒子的適應(yīng)度，并對(duì)個(gè)體最優(yōu)解和整體最優(yōu)解進(jìn)行初始化(第2行).根據(jù)公式14和公式15更新粒子的速度和位置(第6行)，計(jì)算目標(biāo)函數(shù)值并更新pBest和gBest.不斷重復(fù)上述過(guò)程直到達(dá)到最大迭代次數(shù)時(shí)循環(huán)終止.

5 實(shí)驗(yàn)及仿真結(jié)果

5.1 實(shí)驗(yàn)仿真

實(shí)驗(yàn)?zāi)M500m×700m的網(wǎng)絡(luò)區(qū)域中的空氣污染環(huán)境感知，其中部署了PM2.5，PM10，CO，SO2，O3，NO2六個(gè)服務(wù)類(lèi)共1200個(gè)傳感器節(jié)點(diǎn)，采用隨機(jī)分布方式，獲取每個(gè)節(jié)點(diǎn)的地理位置值，圖3表示的是PM2.5的節(jié)點(diǎn)部署位置.

假設(shè)每個(gè)節(jié)點(diǎn)上只封裝一個(gè)服務(wù).在本次實(shí)驗(yàn)中，我們?cè)O(shè)置每個(gè)節(jié)點(diǎn)的初始能量為0.01J，為求取某一地點(diǎn)的空氣污染程度，模擬工作流如圖4所示，實(shí)驗(yàn)采用Al-Masri E等人[21]提供的數(shù)據(jù)集，如圖5所示，設(shè)定每個(gè)節(jié)點(diǎn)的服務(wù)質(zhì)量屬性值，通過(guò)Matlab平臺(tái)來(lái)驗(yàn)證本文算法的可行性和有效性.

圖3 PM2.5節(jié)點(diǎn)部署情況Fig.3 PM2.5 node deployment

圖4 模擬工作流Fig.4 Simulation workflow

圖5 數(shù)據(jù)集Fig.5 Data set

5.2 性能參數(shù)

1.網(wǎng)絡(luò)生命周期

網(wǎng)絡(luò)生命周期定義為從整個(gè)網(wǎng)絡(luò)開(kāi)始響應(yīng)用戶(hù)請(qǐng)求到任一用戶(hù)請(qǐng)求無(wú)法響應(yīng)為止.根據(jù)節(jié)點(diǎn)的最小剩余能量判斷網(wǎng)絡(luò)的生命周期，網(wǎng)絡(luò)中節(jié)點(diǎn)的最小剩余能量越充足，網(wǎng)絡(luò)生命周期越長(zhǎng).

2.剩余能量方差

根據(jù)整個(gè)網(wǎng)絡(luò)中節(jié)點(diǎn)的剩余能量方差大小，判斷網(wǎng)絡(luò)的負(fù)載均衡情況.方差值越小，說(shuō)明該網(wǎng)絡(luò)中節(jié)點(diǎn)的使用越平均.

5.3 實(shí)驗(yàn)結(jié)果

首先，將本文提出的自適應(yīng)方法控制目標(biāo)函數(shù)的方法在遺傳算法和粒子群算法下與只考慮能耗的目標(biāo)函數(shù)和只考慮QoS屬性值的目標(biāo)函數(shù)的方法分別執(zhí)行30次后進(jìn)行比較，如圖6、圖7所示.

從圖6、圖7中可以看出，利用遺傳算法和粒子群算法進(jìn)行服務(wù)組合實(shí)例化時(shí)，本文提出的方法QoS屬性值變化接近于只考慮QoS性能的目標(biāo)函數(shù)方法下屬性值的變化，能耗變化接近于只考慮能耗的目標(biāo)函數(shù)方法下能耗的變化.這說(shuō)明本文方法在保證低能耗的同時(shí)，也能保證QoS屬性值的優(yōu)選.

圖6 本文方法與只考慮能耗的目標(biāo)函數(shù)方法分別執(zhí)行30次能量消耗的變化Fig.6 Energy consumption value for the method of this paper and the objective function method considering onlyenergy consumption when the algorithms are executed in 30 contiguous time slots

圖7 本文方法與只考慮QoS值的目標(biāo)函數(shù)方法分別執(zhí)行30次能量消耗的變化Fig.7 Energy consumption value for the method of this paper and the objective function method considering onlyQoS value when the algorithms are executed in 30 contiguous time slots

其次，將本文提出的自適應(yīng)控制目標(biāo)函數(shù)的方法在遺傳算法和粒子群算法下與固定目標(biāo)函數(shù)的方法進(jìn)行比較，如圖8所示.

圖8 本文方法與固定目標(biāo)函數(shù)的方法在整個(gè)網(wǎng)絡(luò)生命周期中剩余能量方差的變化Fig.8 Variance of the residual energy of the methods proposed in this study and the methods offixed objective functions throughout the network life cycle

從圖8(a)中可以看出，利用遺傳算法進(jìn)行服務(wù)組合實(shí)例化時(shí)，在整個(gè)網(wǎng)絡(luò)生命周期中，固定目標(biāo)函數(shù)的方法可以執(zhí)行1352次服務(wù)請(qǐng)求，本文提出的自適應(yīng)控制目標(biāo)函數(shù)的方法可以執(zhí)行1491次服務(wù)請(qǐng)求.從圖8(b)中可以看出，利用粒子群算法進(jìn)行服務(wù)組合實(shí)例化時(shí)，在整個(gè)網(wǎng)絡(luò)生命周期中，固定目標(biāo)函數(shù)的方法可以執(zhí)行1212次服務(wù)請(qǐng)求，本文提出的自適應(yīng)控制目標(biāo)函數(shù)的方法可以執(zhí)行1309次服務(wù)請(qǐng)求.在圖8中，本文的方法和固定目標(biāo)函數(shù)的方法方差變化基本一致，并且本文的方法的方差比固定目標(biāo)函數(shù)的方法的方差小.說(shuō)明改進(jìn)的算法能更好維持QoS和能耗的平衡，進(jìn)而延長(zhǎng)網(wǎng)絡(luò)生存周期.

再將本文與參考文獻(xiàn)[11]Yang等人提出的方法和參考文獻(xiàn)[13]Alsaryrah等人提出的方法進(jìn)行對(duì)比，如圖9所示.

圖9 本文方法與參考文獻(xiàn)[11，13]在整個(gè)網(wǎng)絡(luò)生命周期中剩余能量方差的變化Fig.9 Variance of the residual energy of the methodsproposed in this study and the method proposed inreferences[11，13] throughout the network life cycle

從圖9中可以看出，在整個(gè)網(wǎng)絡(luò)生命周期中，本文提出的自適應(yīng)控制目標(biāo)函數(shù)的方法可以執(zhí)行1491次服務(wù)請(qǐng)求，Yang等人的方法可以執(zhí)行1295次服務(wù)請(qǐng)求，Alsaryrah等人的方法可以執(zhí)行1346次服務(wù)請(qǐng)求.三種方法的方差變化基本一致，并且本文方法的方差小于其他兩種方法的方差，隨著服務(wù)請(qǐng)求次數(shù)的增加，本文方法的方差與其他兩種方法的方差差距逐漸明顯，說(shuō)明改進(jìn)的算法能更好的避免某一節(jié)點(diǎn)的過(guò)度使用，進(jìn)而延長(zhǎng)網(wǎng)絡(luò)生命周期.

6 總 結(jié)

物聯(lián)網(wǎng)環(huán)境下服務(wù)組合要求兼顧服務(wù)的時(shí)空約束條件、功能約束條件和能量約束條件，以及每個(gè)智能設(shè)備的地理位置、應(yīng)用環(huán)境、網(wǎng)絡(luò)延遲和剩余能量等因素，以確保網(wǎng)絡(luò)中的設(shè)備能量負(fù)載均衡.本文基于網(wǎng)絡(luò)生命周期不同階段對(duì)節(jié)點(diǎn)能耗的不同要求，提出一種自適應(yīng)方法來(lái)動(dòng)態(tài)地構(gòu)建目標(biāo)函數(shù)，實(shí)驗(yàn)結(jié)果表明，本文的算法提供了QoS屬性值和能源效率更好的平衡，避免了單個(gè)節(jié)點(diǎn)的過(guò)度消耗，延長(zhǎng)了整個(gè)網(wǎng)絡(luò)生存周期.