中国报告大厅网讯，在万物互联时代加速到来的背景下，物联网设备数量呈现爆发式增长，其应用场景已从智能家居、工业监控扩展到智慧城市、精准农业等多元领域。然而，海量分布式设备的能源供给问题已成为制约物联网可持续发展的核心瓶颈。传统电池供电模式面临续航有限、更换成本高、环境污染等固有缺陷，而固定线路供电又难以适应设备灵活部署的需求。与此同时，物联网资源分配涉及计算、存储、通信、能量等多维度的协同优化，在能量受限条件下实现资源的高效配置更具挑战性。无线能量传输技术的兴起为破解这一困局提供了新思路，通过射频信号的能量捕获与转换，可实现设备的持续供能与动态资源调配的有机结合。如何将无线能量传输与智能优化算法深度融合，构建适应复杂环境的物联网资源分配体系，已成为行业技术创新的重要方向。
《2025-2030年中国物联网行业市场调查研究及投资前景分析报告》指出，在用户发射功率与前传容量约束下，进行用户上行传输功率与射频拉远头前传容量联合优化时，电池电量有限，难以持续稳定地提供充足能量支持，导致联合资源分配困难。因此，基于无线能量传输技术构建一个物联网通信模型，利用无线能量传输技术将能量捕获模块设置于物联网通信网络中。该模块能够将环境以及专用能量站发出的射频信号转换为能量，用于后续的物联网数据传输。
基于无线能量传输技术构建的物联网通信模型主要包括能量广播站、物联网终端以及数据采集节点三部分。物联网终端利用能量捕获模块从位于地面的能量广播站中捕获能量，为资源分配奠定能量基础，有助于提升物联网系统的整体性能。
利用一根全向天线连接能量广播站发射端以及包含能量捕获模块的物联网终端接收端，从发射端到接收端的信道增益表达式如下：S=ρd^(-τ/2)，式中ρ与d分别表示小尺度瑞利衰落以及接收端与发射端的欧氏距离;τ表示路径损耗因子。
从物联网终端节点发射端至数据采集节点接收端的通信链路由视距分量和非视距分量组成。利用概率模型描述物联网通信链路的信道增益，通信链路为视距链路的概率表达式为：P1=1/(1+γe^(-λ(θ-γ)))，式中γ与λ分别表示传播环境相关常数以及载波频率相关常数;θ表示发射端至接收端的仰角。则通信链路为非视距链路的概率表达式为：P2=1-P1。
对于随机通信分量，物联网的总路径损耗主要包括自由空间路径损耗以及由于障碍物阴影效应和散射造成的路径损耗。不同情况下，路径损耗L1与L2的表达式如下：L1=ηφ1，L2=ηφ2，式中φi与η分别表示不同分量下的额外路径损耗均值以及路径损耗因子。
物联网通信链路的路径增益表达式为：hm=1/L̄m，式中路径增益与路径损耗成反比，较高的路径增益意味着能量传输过程中的损耗较小，能够为物联网终端提供更多的有效能量。这有助于解决因电池电量有限而导致的联合资源分配困难，因为更多的有效能量能够支持更合理、更有效的资源分配操作。其中，路径损耗L̄m的表达式如下：L̄m=L1P1+L2P2。
针对所构建的物联网通信模型，利用能量捕获模块从能量广播站捕获能量为物联网终端提供电量。假设物联网的固定区域内，可收集能量Ei呈均匀分布，且Ei。
基于无线能量传输技术构建物联网通信模型，通过能量捕获模块为物联网终端提供电量，为物联网设备运行提供基础保障。在此基础上，构建物联网联合资源分配优化模型，综合考虑物联网的总资源量、总能效和总时延，三者分别反映整体资源状况、能量利用效率及物联网应用性能。以平均能效最大化为目标函数可提升系统能效，而设置任务处理消耗电量、物联网资源和基站发射功率等约束条件，则能在保障能量供应基础上，合理分配资源、控制功耗和减少干扰，进而保障物联网高效稳定运行。
时隙t的电池电量不断增加，用于处理t+1时隙时的物联网传输任务。仅考虑物联网的本地处理任务，其他任务所需消耗能量极小，可忽略。时隙为t时，能量捕获模块的电量用Bti表示，时隙为t+1时，该能量捕获模块的电量为：Bt+1i=Bti-ξ(i,t)+Ei(t)，表示t时隙消耗的电量。
时隙为t时，物联网总资源量的计算公式为：Z(t)=∑i=1NZti，式中Zti表示终端节点i的资源量。
设置物联网总资源量与总能量Et之比作为物联网的总能量效率。物联网总能效的表达式如下：σ(t)=Z(t)/Et。
综合考虑物联网的总资源量、物联网总能效以及总时延，以物联网的平均能效最大化为目标，构建物联网联合资源分配优化模型：J=max limT→∞(1/T)∑t=0T-1ψtiE[σ(t)/ζtiD]，式中D表示物联网的总时延。
针对所构建的联合资源分配优化模型，设置约束条件。设置任务处理消耗电量约束如下：∂(i,t)≤Bti。
设置物联网资源分配约束如下：ζti≤1，式中ζti表示物联网终端i需要低于总带宽。
设置基站发射功率约束如下：ψti≤1，式中表明物联网终端的分配资源的功率ψti需要低于最大发射功率。
所构建的物联网联合资源分配优化模型通过网络资源、能量分配的联合优化，实现通信总成本最小化。该模型属于非线性规划问题，通过求解所构建优化模型，获取最优的物联网联合资源分配结果。
由于模型综合考虑了物联网的总资源量、总能效、总时延等复杂因素，并且设置了任务处理消耗电量、物联网资源和基站发射功率等多种约束条件，其求解过程变得极为复杂。传统的求解方法难以在这样复杂的条件下找到最优解，容易陷入局部最优而非全局最优，导致资源分配方案并非最理想的，无法真正实现以物联网平均能效最大化为目标的资源分配。因此，需要利用灰狼优化算法来求解所构建的联合资源分配优化模型J，输出最优的资源分配方案。灰狼优化算法具有良好的全局搜索能力和收敛性，能够在复杂的搜索空间中找到更接近全局最优的解，从而为物联网系统提供更合理、高效的资源分配方案。
灰狼优化算法通过模仿狼群的猎食策略以及等级制度，实现联合资源分配问题的智能优化。灰狼优化算法将每个物联网联合资源分配方案作为一个个体解，并基于该方案构建W维搜索空间，灰狼i的位置用Xi表示，种群规模设为N。在物联网联合资源分配中，将当前最优解、次优解、第三优解分别用α狼、β狼与δ狼表示，利用ω狼表示其余个体。ω狼在α、β与δ狼的指挥下，向着猎物位置即物联网联合资源分配的最优解逼近。
灰狼种群中，α、β与δ狼位置更新的表达式如下：
Xα(t'+1)=Xα(t')-A1·|C1·J(Xα(t'))-Xi(t')|
Xβ(t'+1)=Xβ(t')-A2·|C2·J(Xβ(t'))-Xi(t')|
Xδ(t'+1)=Xδ(t')-A3·|C3·J(Xδ(t'))-Xi(t')|
式中：t'表示当前迭代次数;Xα、Xβ、Xδ分别表示α、β、δ狼位置;Ai与Ci分别表示决定猎物远离还是靠近的系数向量以及[0,2]区间的随机常数。在考虑总资源量的分配时，这些系数可能影响到不同资源分配方案在搜索空间中的移动方向和步长，以确保朝着资源分配更合理的方向发展，避免过度分配或分配不足的情况。其表达式分别如下：Ai=2a·rand1-a，Ci=2·rand2，式中：a表示收敛因子;rand表示随机数，增加了搜索过程的随机性，使得算法能够在不同方向上探索资源分配的可能性，从而更全面地搜索整个搜索空间。
灰狼位置更新的表达式如下：Xi(t'+1)=∑j=α,β,δwj·Xi,j(t'+1)，式中wj表示α、β与δ狼对应的权重系数，表达式如下：wj=f(Xj(t'))/(f(Xα(t'))+f(Xβ(t'))+f(Xδ(t')))，式中f(t')表示灰狼个体j在t'代的适应度值。这个适应度值在物联网联合资源分配的情境下，可以理解为该资源分配方案对于满足物联网的总资源量、总能效、总时延等目标以及任务处理消耗电量约束、物联网资源约束和基站发射功率约束等条件的优劣程度。适应度值越高，说明该资源分配方案越接近理想的物联网联合资源分配方案，也就越能实现物联网系统资源的高效利用和整体性能的提升。
利用灰狼优化算法输出物联网联合资源分配的最优解，最优解对应结果即为最优的物联网联合资源分配方案。最优的物联网联合资源分配方案可以高效地利用物联网中的联合资源。
选取某物联网通信网络作为研究对象，物联网中的全部终端均匀布置于50米×50米的方形区域内，能量捕获模块与区域中心距离为80米，设置能量捕获模块与物联网设备之间通信链路的路径损耗因子为3.8。
物联网参数设置如下：能量捕获模块数量8个，时间片数量40个，时间间隙3毫秒，带宽980兆赫兹，最大传输功率2瓦，最大允许放电量0.001瓦时，相对距离1米。
物联网联合资源分配结果包括：网络资源分配工业设备5G资源10个，云计算资源分配教育管理平台服务器20个，数据库资源分配环境监测设备数据存储空间15个，软件资源分配智能穿戴设备操作系统20个，硬件资源分配监测设备传感器25个，网络资源分配数据分析设备大数据分析20个，硬件资源分配智能家居设备摄像头18个，软件资源分配智能穿戴设备APP30个，数据库资源分配物流管理平台信息存储25个，网络资源分配工业设备5G资源17个。
实验结果表明，该算法能够有效分配物联网联合资源，实现设备、数据、计算、存储和网络资源的高效管理和利用;同时根据用户的应用需求，定义不同任务对计算、存储、通信等资源的需求，且具有较高的动态适应性，能够实时调整资源分配策略，根据任务需求和资源状态进行任务分配。
设置物联网终端的满电量为20焦耳，统计不同时隙下物联网终端的电量变化。伴随时隙数的不断增加，物联网终端的电量不断提升。物联网通信的初始阶段，物联网终端的电量不断积累，直至接近满电量;物联网终端在100个时隙左右时，电量趋于稳定，主要原因是该物联网采用能量捕获模块捕获能量，在终端电池电量不够充足时，通过物联网联合资源分配，降低电池能量消耗，终端不断累积电量，直至电量接近满电量。该算法充分考虑了物联网终端的电量消耗，所以终端电量的波动范围较小。
统计采用该算法进行物联网联合资源分配时，伴随物联网终端数量的不断增加，物联网的最低传输速率统计结果。伴随物联网终端数量的提升，网络的最低传输速率有所降低，但是设备数量提升至20个时，该算法仍然能够保持高于1.5兆比特每秒的传输速率。该算法在物联网终端数量增加时，仍然能够保持较高的传输速率，有效提升了网络的通信效率，具有较高的应用性能。
物联网行业分析指出，采用该算法进行物联网联合资源分配，统计计算数据量变化时物联网的能量效率。计算数据量较低时，物联网具有较高的能量效率，伴随计算数据量的增加，物联网的能量效率始终高于15兆比特每焦耳，能够保持在较高的水平。该算法能够依据物联网的任务数量变化，获取最佳的物联网联合资源分配方案，提升物联网的能量效率，表现了良好的能效，避免某些设备或网络节点过载。该算法不仅能够提高系统的整体性能，还能降低能耗，提升用户体验。
综上所述，在物联网场景下，用户上行传输功率与射频拉远头前传容量的联合优化受电池供电限制，传统方式难以满足持续稳定的能量供应，进而造成联合资源分配的困境。研究构建的基于无线能量传输的物联网联合资源分配算法有效地解决了这一问题。通过构建物联网通信模型并考虑总资源量、总能效和总时延等多方面因素，建立了联合资源分配优化模型，同时设置多种约束条件确保模型的合理性。利用灰狼优化算法求解该模型得到最优资源分配方案。实验数据表明，该算法利用能量捕获模块为网络通信提供能量，在提升通信性能、能量效率等方面具有显著优势：物联网终端在100个时隙左右电量趋于稳定并接近满电量20焦耳，设备数量提升至20个时仍能保持高于1.5兆比特每秒的传输速率，能量效率始终高于15兆比特每焦耳。这些性能指标验证了算法适用于复杂的物联网应用场景。随着2026年物联网设备规模的持续扩张和能量自给技术的成熟，无线能量传输与智能优化算法的深度融合将成为行业发展的主流趋势，推动物联网向高能效、高可靠、自持续的方向演进，为构建绿色智能的万物互联生态提供关键技术支撑。
更多物联网行业研究分析，详见中国报告大厅《物联网行业报告汇总》。这里汇聚海量专业资料，深度剖析各行业发展态势与趋势，为您的决策提供坚实依据。
更多详细的行业数据尽在【数据库】，涵盖了宏观数据、产量数据、进出口数据、价格数据及上市公司财务数据等各类型数据内容。
京公网安备 11010502031895号
