中國報告大廳網訊，在萬物互聯時代加速到來的背景下，物聯網設備數量呈現爆發式增長，其應用場景已從智能家居、工業監控擴展到智慧城市、精準農業等多元領域。然而，海量分布式設備的能源供給問題已成為制約物聯網可持續發展的核心瓶頸。傳統電池供電模式面臨續航有限、更換成本高、環境污染等固有缺陷，而固定線路供電又難以適應設備靈活部署的需求。與此同時，物聯網資源分配涉及計算、存儲、通信、能量等多維度的協同優化，在能量受限條件下實現資源的高效配置更具挑戰性。無線能量傳輸技術的興起為破解這一困局提供了新思路，通過射頻信號的能量捕獲與轉換，可實現設備的持續供能與動態資源調配的有機結合。如何將無線能量傳輸與智能優化算法深度融合，構建適應複雜環境的物聯網資源分配體系，已成為行業技術創新的重要方向。
《2025-2030年中國物聯網行業市場調查研究及投資前景分析報告》指出，在用戶發射功率與前傳容量約束下，進行用戶上行傳輸功率與射頻拉遠頭前傳容量聯合優化時，電池電量有限，難以持續穩定地提供充足能量支持，導致聯合資源分配困難。因此，基於無線能量傳輸技術構建一個物聯網通信模型，利用無線能量傳輸技術將能量捕獲模塊設置於物聯網通信網絡中。該模塊能夠將環境以及專用能量站發出的射頻信號轉換為能量，用於後續的物聯網數據傳輸。
基於無線能量傳輸技術構建的物聯網通信模型主要包括能量廣播站、物聯網終端以及數據採集節點三部分。物聯網終端利用能量捕獲模塊從位於地面的能量廣播站中捕獲能量，為資源分配奠定能量基礎，有助於提升物聯網系統的整體性能。
利用一根全向天線連接能量廣播站發射端以及包含能量捕獲模塊的物聯網終端接收端，從發射端到接收端的信道增益表達式如下：S=ρd^(-τ/2)，式中ρ與d分別表示小尺度瑞利衰落以及接收端與發射端的歐氏距離;τ表示路徑損耗因子。
從物聯網終端節點發射端至數據採集節點接收端的通信鏈路由視距分量和非視距分量組成。利用機率模型描述物聯網通信鏈路的信道增益，通信鏈路為視距鏈路的機率表達式為：P1=1/(1+γe^(-λ(θ-γ)))，式中γ與λ分別表示傳播環境相關常數以及載波頻率相關常數;θ表示發射端至接收端的仰角。則通信鏈路為非視距鏈路的機率表達式為：P2=1-P1。
對於隨機通信分量，物聯網的總路徑損耗主要包括自由空間路徑損耗以及由於障礙物陰影效應和散射造成的路徑損耗。不同情況下，路徑損耗L1與L2的表達式如下：L1=ηφ1，L2=ηφ2，式中φi與η分別表示不同分量下的額外路徑損耗均值以及路徑損耗因子。
物聯網通信鏈路的路徑增益表達式為：hm=1/L̄m，式中路徑增益與路徑損耗成反比，較高的路徑增益意味著能量傳輸過程中的損耗較小，能夠為物聯網終端提供更多的有效能量。這有助於解決因電池電量有限而導致的聯合資源分配困難，因為更多的有效能量能夠支持更合理、更有效的資源分配操作。其中，路徑損耗L̄m的表達式如下：L̄m=L1P1+L2P2。
針對所構建的物聯網通信模型，利用能量捕獲模塊從能量廣播站捕獲能量為物聯網終端提供電量。假設物聯網的固定區域內，可收集能量Ei呈均勻分布，且Ei。
基於無線能量傳輸技術構建物聯網通信模型，通過能量捕獲模塊為物聯網終端提供電量，為物聯網設備運行提供基礎保障。在此基礎上，構建物聯網聯合資源分配優化模型，綜合考慮物聯網的總資源量、總能效和總時延，三者分別反映整體資源狀況、能量利用效率及物聯網應用性能。以平均能效最大化為目標函數可提升系統能效，而設置任務處理消耗電量、物聯網資源和基站發射功率等約束條件，則能在保障能量供應基礎上，合理分配資源、控制功耗和減少干擾，進而保障物聯網高效穩定運行。
時隙t的電池電量不斷增加，用於處理t+1時隙時的物聯網傳輸任務。僅考慮物聯網的本地處理任務，其他任務所需消耗能量極小，可忽略。時隙為t時，能量捕獲模塊的電量用Bti表示，時隙為t+1時，該能量捕獲模塊的電量為：Bt+1i=Bti-ξ(i,t)+Ei(t)，表示t時隙消耗的電量。
時隙為t時，物聯網總資源量的計算公式為：Z(t)=∑i=1NZti，式中Zti表示終端節點i的資源量。
設置物聯網總資源量與總能量Et之比作為物聯網的總能量效率。物聯網總能效的表達式如下：σ(t)=Z(t)/Et。
綜合考慮物聯網的總資源量、物聯網總能效以及總時延，以物聯網的平均能效最大化為目標，構建物聯網聯合資源分配優化模型：J=max limT→∞(1/T)∑t=0T-1ψtiE[σ(t)/ζtiD]，式中D表示物聯網的總時延。
針對所構建的聯合資源分配優化模型，設置約束條件。設置任務處理消耗電量約束如下：∂(i,t)≤Bti。
設置物聯網資源分配約束如下：ζti≤1，式中ζti表示物聯網終端i需要低於總帶寬。
設置基站發射功率約束如下：ψti≤1，式中表明物聯網終端的分配資源的功率ψti需要低於最大發射功率。
所構建的物聯網聯合資源分配優化模型通過網絡資源、能量分配的聯合優化，實現通信總成本最小化。該模型屬於非線性規劃問題，通過求解所構建優化模型，獲取最優的物聯網聯合資源分配結果。
由於模型綜合考慮了物聯網的總資源量、總能效、總時延等複雜因素，並且設置了任務處理消耗電量、物聯網資源和基站發射功率等多種約束條件，其求解過程變得極為複雜。傳統的求解方法難以在這樣複雜的條件下找到最優解，容易陷入局部最優而非全局最優，導致資源分配方案並非最理想的，無法真正實現以物聯網平均能效最大化為目標的資源分配。因此，需要利用灰狼優化算法來求解所構建的聯合資源分配優化模型J，輸出最優的資源分配方案。灰狼優化算法具有良好的全局搜索能力和收斂性，能夠在複雜的搜索空間中找到更接近全局最優的解，從而為物聯網系統提供更合理、高效的資源分配方案。
灰狼優化算法通過模仿狼群的獵食策略以及等級制度，實現聯合資源分配問題的智能優化。灰狼優化算法將每個物聯網聯合資源分配方案作為一個個體解，並基於該方案構建W維搜索空間，灰狼i的位置用Xi表示，種群規模設為N。在物聯網聯合資源分配中，將當前最優解、次優解、第三優解分別用α狼、β狼與δ狼表示，利用ω狼表示其餘個體。ω狼在α、β與δ狼的指揮下，向著獵物位置即物聯網聯合資源分配的最優解逼近。
灰狼種群中，α、β與δ狼位置更新的表達式如下：
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'表示當前疊代次數;Xα、Xβ、Xδ分別表示α、β、δ狼位置;Ai與Ci分別表示決定獵物遠離還是靠近的係數向量以及[0,2]區間的隨機常數。在考慮總資源量的分配時，這些係數可能影響到不同資源分配方案在搜索空間中的移動方向和步長，以確保朝著資源分配更合理的方向發展，避免過度分配或分配不足的情況。其表達式分別如下：Ai=2a·rand1-a，Ci=2·rand2，式中：a表示收斂因子;rand表示隨機數，增加了搜索過程的隨機性，使得算法能夠在不同方向上探索資源分配的可能性，從而更全面地搜索整個搜索空間。
灰狼位置更新的表達式如下：Xi(t'+1)=∑j=α,β,δwj·Xi,j(t'+1)，式中wj表示α、β與δ狼對應的權重係數，表達式如下：wj=f(Xj(t'))/(f(Xα(t'))+f(Xβ(t'))+f(Xδ(t')))，式中f(t')表示灰狼個體j在t'代的適應度值。這個適應度值在物聯網聯合資源分配的情境下，可以理解為該資源分配方案對於滿足物聯網的總資源量、總能效、總時延等目標以及任務處理消耗電量約束、物聯網資源約束和基站發射功率約束等條件的優劣程度。適應度值越高，說明該資源分配方案越接近理想的物聯網聯合資源分配方案，也就越能實現物聯網系統資源的高效利用和整體性能的提升。
利用灰狼優化算法輸出物聯網聯合資源分配的最優解，最優解對應結果即為最優的物聯網聯合資源分配方案。最優的物聯網聯合資源分配方案可以高效地利用物聯網中的聯合資源。
選取某物聯網通信網絡作為研究對象，物聯網中的全部終端均勻布置於50米×50米的方形區域內，能量捕獲模塊與區域中心距離為80米，設置能量捕獲模塊與物聯網設備之間通信鏈路的路徑損耗因子為3.8。
物聯網參數設置如下：能量捕獲模塊數量8個，時間片數量40個，時間間隙3毫秒，帶寬980兆赫茲，最大傳輸功率2瓦，最大允許放電量0.001瓦時，相對距離1米。
物聯網聯合資源分配結果包括：網絡資源分配工業設備5G資源10個，雲計算資源分配教育管理平台伺服器20個，資料庫資源分配環境監測設備數據存儲空間15個，軟體資源分配智能穿戴設備作業系統20個，硬體資源分配監測設備傳感器25個，網絡資源分配數據分析設備大數據分析20個，硬體資源分配智能家居設備攝像頭18個，軟體資源分配智能穿戴設備APP30個，資料庫資源分配物流管理平台信息存儲25個，網絡資源分配工業設備5G資源17個。
實驗結果表明，該算法能夠有效分配物聯網聯合資源，實現設備、數據、計算、存儲和網絡資源的高效管理和利用;同時根據用戶的應用需求，定義不同任務對計算、存儲、通信等資源的需求，且具有較高的動態適應性，能夠實時調整資源分配策略，根據任務需求和資源狀態進行任務分配。
設置物聯網終端的滿電量為20焦耳，統計不同時隙下物聯網終端的電量變化。伴隨時隙數的不斷增加，物聯網終端的電量不斷提升。物聯網通信的初始階段，物聯網終端的電量不斷積累，直至接近滿電量;物聯網終端在100個時隙左右時，電量趨於穩定，主要原因是該物聯網採用能量捕獲模塊捕獲能量，在終端電池電量不夠充足時，通過物聯網聯合資源分配，降低電池能量消耗，終端不斷累積電量，直至電量接近滿電量。該算法充分考慮了物聯網終端的電量消耗，所以終端電量的波動範圍較小。
統計採用該算法進行物聯網聯合資源分配時，伴隨物聯網終端數量的不斷增加，物聯網的最低傳輸速率統計結果。伴隨物聯網終端數量的提升，網絡的最低傳輸速率有所降低，但是設備數量提升至20個時，該算法仍然能夠保持高於1.5兆比特每秒的傳輸速率。該算法在物聯網終端數量增加時，仍然能夠保持較高的傳輸速率，有效提升了網絡的通信效率，具有較高的應用性能。
物聯網行業分析指出，採用該算法進行物聯網聯合資源分配，統計計算數據量變化時物聯網的能量效率。計算數據量較低時，物聯網具有較高的能量效率，伴隨計算數據量的增加，物聯網的能量效率始終高於15兆比特每焦耳，能夠保持在較高的水平。該算法能夠依據物聯網的任務數量變化，獲取最佳的物聯網聯合資源分配方案，提升物聯網的能量效率，表現了良好的能效，避免某些設備或網絡節點過載。該算法不僅能夠提高系統的整體性能，還能降低能耗，提升用戶體驗。
綜上所述，在物聯網場景下，用戶上行傳輸功率與射頻拉遠頭前傳容量的聯合優化受電池供電限制，傳統方式難以滿足持續穩定的能量供應，進而造成聯合資源分配的困境。研究構建的基於無線能量傳輸的物聯網聯合資源分配算法有效地解決了這一問題。通過構建物聯網通信模型並考慮總資源量、總能效和總時延等多方面因素，建立了聯合資源分配優化模型，同時設置多種約束條件確保模型的合理性。利用灰狼優化算法求解該模型得到最優資源分配方案。實驗數據表明，該算法利用能量捕獲模塊為網絡通信提供能量，在提升通信性能、能量效率等方面具有顯著優勢：物聯網終端在100個時隙左右電量趨於穩定並接近滿電量20焦耳，設備數量提升至20個時仍能保持高於1.5兆比特每秒的傳輸速率，能量效率始終高於15兆比特每焦耳。這些性能指標驗證了算法適用於複雜的物聯網應用場景。隨著2026年物聯網設備規模的持續擴張和能量自給技術的成熟，無線能量傳輸與智能優化算法的深度融合將成為行業發展的主流趨勢，推動物聯網向高能效、高可靠、自持續的方向演進，為構建綠色智能的萬物互聯生態提供關鍵技術支撐。
更多物聯網行業研究分析，詳見中國報告大廳《物聯網行業報告匯總》。這裡匯聚海量專業資料，深度剖析各行業發展態勢與趨勢，為您的決策提供堅實依據。
更多詳細的行業數據盡在【資料庫】，涵蓋了宏觀數據、產量數據、進出口數據、價格數據及上市公司財務數據等各類型數據內容。
京公網安備 11010502031895號
