算力网络（Computing Power Network，CPN）将分散在边缘与云端的计算资源统一编排，路由决策不仅要考虑链路质量，还要兼顾节点能量状态。传统最短路径算法倾向于把流量集中到少数"最优"节点上，这些节点能量快速耗尽，造成网络分区和任务失败。能量感知路由的核心思路，是把能量因素显式地写进路由代价函数，让流量主动绕开低能量节点，从而延长整个网络的生存时间。本文将从理论框架和R语言实现两个层面，完整讲清楚这件事怎么做。
一、能量感知路由的能效优化理论框架
要把能量感知路由讲清楚，首先得回到图论建模这一步。算力网络可以抽象为有向加权图 G = (V, E)，其中 V 是节点集合，每个节点携带属性：剩余能量 Er、初始能量 E0、计算能力 C（如每秒可处理的浮点运算次数）、当前负载 L。边集合 E 中每条边 (i, j) 对应传输能耗 Et(i, j)，通常建模为与距离的2到4次幂成正比，加上电路基础功耗。
在此模型上，能效优化目标通常写成两类。第一类是最大化网络生存时间，即首个节点能量耗尽前网络能持续工作的时间；第二类是最小化单位任务完成的总能耗，即能耗与计算量的比值。这两类目标有时冲突：最小能耗路径可能反复穿过同一个节点，而生存时间最大化要求流量分散。工程上常用的折中方案是构造一个综合代价函数，把链路传输能耗、节点处理能耗和能量稀缺程度加权求和。
一个经典且实用的代价函数定义如下：对于链路 (i, j)，其路由代价为 cost(i, j) = Et(i, j) × E0 / Er(j)。这个形式的思想很直观——当目的侧节点 j 剩余能量充足（Er 接近 E0）时，代价近似等于纯传输能耗；当 j 能量快耗尽时，代价被放大数倍，路由算法自然倾向于避开它。这个乘法式惩罚项源自LEACH等经典分簇协议的能量代价思想，后来被广泛迁移到算力网络场景，只是这里的节点还多了计算负载这一维度，需要再乘上一个负载惩罚因子，例如 (1 + L(j)/C(j))，使得已经过载的计算节点同样被路由绕开。
二、用R语言构建网络拓扑与能耗模型
R语言在图计算方面有成熟的生态，igraph包可以完成拓扑构建与路径搜索。不过在实现能量感知路由时，建议自己手写代价计算逻辑，只把igraph用于拓扑管理和可视化，这样对能耗模型的控制更精细。下面这段代码完成三件事：生成随机连通拓扑、初始化节点能量属性、计算每条链路的传输能耗。
library(igraph)
set.seed(42)
# 生成20个节点的随机几何图，模拟边缘算力节点分布
n <- 20
coords <- matrix(runif(n * 2, 0, 100), ncol = 2)
g <- graph_from_data_frame(
data.frame(from = c(), to = c()), directed = TRUE,
vertices = data.frame(name = as.character(1:n))
)
# 用距离阈值建边，避免全连接
edges <- data.frame()
for (i in 1:n) {
for (j in 1:n) {
if (i != j) {
d <- sqrt(sum((coords[i, ] - coords[j, ])^2))
if (d < 35) {
edges <- rbind(edges, data.frame(from = i, to = j, dist = d))
}
}
}
}
g <- graph_from_data_frame(edges, directed = TRUE)
# 初始化节点属性：初始能量、剩余能量、算力、负载
V(g)$E0 <- 100 # 初始能量，单位归一化
V(g)$Er <- runif(n, 40, 100) # 剩余能量随机初始化
V(g)$Cap <- sample(c(5, 10, 20), n, replace = TRUE) # 算力档位
V(g)$Load <- runif(n, 0, 3)
# 传输能耗：Etx = elec * msg + amp * dist^2（自由空间模型）
E <- E(g)
E(g)$Et <- 50e-9 * 1000 + 100e-12 * E$dist^2
g这段代码里有几个细节值得注意。随机几何图比Erdos-Renyi随机图更贴近真实边缘节点部署，因为节点间的通信可行性天然受距离约束。传输能耗采用无线通信中经典的两段模型：50e-9表示每比特的电路收发能耗，100e-12乘以距离平方是放大器能耗。若你的场景是数据中心内部的算力网络，可以把距离平方项换成线性项甚至常数项，同时把静态功耗占比调大，模型照样成立。
三、能量感知路由算法的核心实现
框架搭好后，核心是把前文的代价函数落地。下面实现改进版的Dijkstra算法，边权重不再是单纯距离或传输能耗，而是综合代价。同时加入算力感知：当路由到达某个候选节点时，检查该节点的负载是否超过算力阈值，超过则大幅提高进入代价，模拟任务调度器拒绝向过载节点迁移计算。
# 计算综合路由代价的函数
calc_cost <- function(g, from, to) {
et <- E(g, P = c(from, to))$Et # 链路传输能耗
er <- V(g)[to]$Er # 目的节点剩余能量
e0 <- V(g)[to]$E0
load <- V(g)[to]$Load
cap <- V(g)[to]$Cap
# 能量惩罚项 + 负载惩罚项
energy_penalty <- e0 / max(er, 1e-6) # 防止除零
load_penalty <- 1 + load / cap
et * energy_penalty * load_penalty
}
# 能量感知Dijkstra主函数
ea_dijkstra <- function(g, src, dst) {
n <- vcount(g)
dist <- rep(Inf, n); dist[src] <- 0
prev <- rep(NA, n)
visited <- rep(FALSE, n)
while (any(!visited)) {
# 取未访问节点中代价最小者
un <- which(!visited)
u <- un[which.min(dist[un])]
if (is.infinite(dist[u])) break
visited[u] <- TRUE
if (u == dst) break
# 遍历u的出边邻居
nb <- neighbors(g, u, mode = "out")
for (v in nb) {
c <- calc_cost(g, u, as.integer(v))
if (dist[u] + c < dist[v]) {
dist[v] <- dist[u] + c
prev[v] <- u
}
}
}
# 回溯路径
path <- integer(0); cur <- dst
while (!is.na(cur)) {
path <- c(cur, path); cur <- prev[cur]
}
list(path = path, cost = dist[dst])
}
# 测试一条从节点1到节点20的路由
res <- ea_dijkstra(g, 1, 20)
print(res$path)
print(res$cost)这个实现里最关键的防御性细节是max(er, 1e-6)这一处。能量感知代价函数中的除法项在剩余能量趋近于零时会让代价爆炸到无穷大，直接除零会产生NaN并污染整个Dijkstra的距离数组，导致所有后续路径计算失败。加一个下界保护，既保证低能量节点被强力惩罚，又不会让算法崩溃。
四、能耗仿真与能效对比分析
算法写完不算结束，还需要验证它是否真的提升了能效。仿真的做法是：让源节点周期性发送任务，每完成一次传输就扣减路径上各节点的能量，剩余能量低于阈值时标记节点失效，然后对比最短路径路由与能量感知路由在以下几个指标上的表现：首个节点失效时间、网络半衰期（一半节点失效的时间）、节点能量方差（衡量均衡度）。
simulate <- function(g, rounds = 200, mode = c("sp", "ea")) {
g <- g
dead_time <- NULL
for (r in 1:rounds) {
src <- sample(which(V(g)$Er > 0), 1)
dst <- sample(which(V(g)$Er > 0), 1)
if (src == dst) next
if (mode == "sp") {
p <- shortest_paths(g, src, dst, weights = NA)$vpath[[1]]
} else {
p <- ea_dijkstra(g, src, dst)$path
}
# 沿路径扣减能量
for (k in seq_along(p)) {
idx <- p[k]
V(g)$Er[idx] <- V(g)$Er[idx] - 0.5
if (V(g)$Er[idx] <= 0 && is.null(dead_time)) {
dead_time <- r
}
}
}
list(dead = dead_time, variance = var(V(g)$Er),
alive = sum(V(g)$Er > 0))
}
# 两种策略各跑一次对比
r1 <- simulate(g, 300, "sp")
r2 <- simulate(g, 300, "ea")
cat("最短路径：首节点失效轮次", r1$dead, "存活节点", r1$alive, "\n")
cat("能量感知：首节点失效轮次", r2$dead, "存活节点", r2$alive, "\n")典型仿真结果中，最短路径策略的首节点失效时间往往出现在总轮次的前百分之二十到三十，因为中心枢纽节点被高频复用；而能量感知路由由于持续把流量推向能量充裕的节点，首节点失效通常被推迟一倍以上，节点能量方差也明显更小。代价是平均路径跳数略有增加，单次任务能耗略高——这正是理论框架中"生存时间最大化"与"单任务能耗最小化"的权衡在数据上的体现。
五、权重调优与工程落地建议
代价函数中的能量惩罚项和负载惩罚项本质上都是超参数。能量惩罚过强时，流量会过度绕远路，端到端时延上升；惩罚过弱时算法退化为普通最短路径。一个实用的调优方法是网格搜索：在0.5到3之间扫描惩罚系数，以网络生存时间为主目标、平均时延为约束，画出Pareto前沿，再根据业务需求选点。R语言的expand.grid加循环就能完成这类小规模参数扫描，配合ggplot2可视化结果非常方便。
工程落地时还有三点经验。第一，能量信息需要周期性洪泛或通过控制面同步，信息过期会让路由决策基于陈旧状态，建议把同步周期与能量变化速率挂钩。第二，R语言实现的算法适合原型验证和论文仿真，若要部署到生产网元，可将其翻译为C++或直接用Rcpp加速，路径计算耗时可以降低一到两个数量级。第三，对于动态任务到达的场景，可以把本文的每流路由扩展为每任务路由，在代价函数中把任务计算量也作为变量纳入，这样能效模型会更精确，也是当前算力网络研究中值得继续深挖的方向。