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，路由决策不再只是寻找一条通信代价最低的路径，还要考虑路径上各计算节点的能耗状态。如果路由算法只盯着时延和带宽，很容易把任务持续调度到少数几个性能强但功耗高的节点上，这些节点率先耗尽能量，网络整体可用性随之下降。能量感知路由的核心思路，是把节点剩余能量、单位计算功耗、链路传输能耗等指标量化后融入路径代价函数，让流量自然向能耗更均衡的方向流动。本文从理论基础讲起，再给出完整的R语言实现。
能量感知路由的理论基础与功耗模型
要设计能效优化算法，首先要回答一个问题：一个计算节点处理一单位任务到底消耗多少能量。学术界常用的简化模型将节点能耗拆成三部分：计算能耗、传输能耗和空闲能耗。计算能耗与任务量近似线性相关，可以用 E_c = k * C 表示，其中 C 是任务所需的计算量（如CPU周期数或FLOPS数），k 是该节点每单位计算量的能量系数，不同硬件架构的 k 值差异可能达到数倍。传输能耗则与数据量以及收发电路的功耗有关，经典的一阶无线电模型给出 E_t = E_elec * L + E_amp * L * d^2，其中 L 是比特数，d 是传输距离。空闲能耗通常被视为常数底噪，在短周期优化中可以忽略，但在长周期仿真中必须计入，否则会高估睡眠调度策略的收益。
有了功耗模型，下一步是定义能量感知的路由代价。传统Dijkstra算法的边权通常是时延或距离，能量感知版本则需要重新设计权值函数。常见做法有三种：第一种是直接以能耗作为边权，即 w(u,v) = E_tx(u,v) + E_rx(v)，追求总能耗最小；第二种是引入剩余能量比，例如 w(u,v) = E_tx(u,v) / E_res(v)，剩余能量越低的节点分母越小、边权越大，路径会自动绕开快没电的节点；第三种是组合式权函数 w(u,v) = alpha * E_tx(u,v) + (1 - alpha) * (1 / E_res(v))，通过参数 alpha 在最小能耗与能量均衡之间折中。这三种设计各有适用场景：第一种适合电网供电的算力集群，第二种适合电池供电的边缘节点，第三种则适合混合供电的异构网络。
还必须理解一个重要的理论指标：网络生命周期（Network Lifetime）。它通常定义为从网络启动到第一个节点能量耗尽（或一定比例节点失效）的时间。理论研究表明，最小总能耗路由不一定能最大化生命周期，因为它可能反复选中同一条低能耗路径，把这条路径上的节点提前榨干。最大化生命周期的本质是一个最大最小公平（max-min fairness）问题，即让最脆弱节点的存活时间尽可能长，这也解释了为什么LEACH这类分簇轮换协议在无线传感网络中如此流行——它的核心机制就是周期性轮换簇头，避免固定节点持续承担聚合转发的重任。
经典能效优化算法的核心思想对比
LEACH（Low-Energy Adaptive Clustering Hierarchy）是最早一批能量感知协议的代表。它将网络划分为若干簇，每个簇的簇头负责数据聚合并与汇聚节点通信，簇头通过随机轮换产生，每个节点以概率 p 参选，且做过簇头的节点在本轮中不再参选，保证能耗在节点间大致均匀摊派。它的局限在于簇头选举只依赖随机数，不考虑剩余能量和地理位置，容易出现簇头分布不均或低电量节点当选簇头的情况。后续的LEACH-C改进版本引入集中式分簇，由基站根据全局能量信息优化簇头选择，代价是需要全局信息收集。
PEGASIS则走向另一个极端：它把所有节点串成一条链，数据沿链逐跳聚合传递，每轮只有一个 лидер节点与基站通信。链式结构让每个节点只与最近邻通信，传输能耗显著降低，但链式传递带来了较大的累积时延，且对链中单点故障敏感。这两个协议虽然诞生于无线传感网络时代，但其思想完全适用于今天的算力网络场景：算力任务的调度同样面临选择哪些节点承担计算、如何避免热点节点被过度消耗的问题。分簇思想对应算力网络中的分区调度，轮换思想对应任务调度中的负载轮转。
再往后发展出的方向包括地理路由中的能量感知变体，以及基于强化学习的路由优化。强化学习路线把路由决策建模为马尔可夫决策过程，状态包含各节点剩余能量向量，动作为下一跳选择，奖励函数设计为负的系统能耗加生命周期惩罚项。Q-learning或Deep Q Network都可以套用，优势是能在动态拓扑下自适应，缺点是训练成本高、收敛性难以保证。下面的表格对这几类算法做一个小结：
| 算法 | 核心机制 | 优点 | 缺点 |
|---|---|---|---|
| LEACH | 随机分簇、簇头轮换 | 实现简单、能耗摊派均匀 | 不考虑剩余能量与位置 |
| PEGASIS | 链式逐跳聚合 | 传输能耗极低 | 时延大、容错差 |
| 能量感知Dijkstra | 能耗融入边权 | 理论清晰、易于实现 | |
| 强化学习路由 | MDP建模、试错学习 | 适应动态环境 | 训练开销大 |
用R语言实现能量感知Dijkstra算法
R语言在图算法和统计仿真方面有天然优势，igraph包提供了完整的图操作接口，便于快速构建网络拓扑并对比不同路由策略。下面我们实现一个改进的能量感知Dijkstra：边权由传输能耗与目标节点剩余能量共同决定。先构造一个20节点的随机网络，每个节点赋予初始能量和单位计算能耗系数，然后实现加权最短路径计算。
library(igraph)
set.seed(42)
n <- 20
# 构建随机连通图，边上有距离属性
g <- erdos.renyi.game(n, p = 0.15, type = "gnp")
g <- g %>% as.undirected()
# 保证连通：给所有节点补一条到相邻编号节点的边
edges <- c()
for (i in 1:(n - 1)) {
edges <- c(edges, i, i + 1)
}
g <- add_edges(g, edges)
# 节点属性：初始能量与每单位计算能耗系数
V(g)$energy <- runif(n, 50, 100) # 初始能量 J
V(g)$e_coef <- runif(n, 0.8, 2.0) # 能耗系数 J/单位任务
# 无线电模型参数
E_elec <- 50e-9 # 每比特收发电路能耗 J/bit
E_amp <- 100e-12 # 放大器系数 J/bit/m^2
L <- 4000 # 每次传输的比特数
# 计算某条边(u,v)的传输能耗
tx_energy <- function(u, v, d) {
L * (2 * E_elec + E_amp * d^2)
}
# 组合式能量感知边权
energy_weight <- function(g, u, v, alpha = 0.5) {
d <- sqrt((V(g)$x[u] - V(g)$x[v])^2 + (V(g)$y[u] - V(g)$y[v])^2)
e_tx <- tx_energy(u, v, d)
# 能耗项 + 剩余能量惩罚项（能量越少权重越大）
w <- alpha * e_tx + (1 - alpha) * (1 / V(g)$energy[v])
return(w)
}
# 为所有边赋予权重
V(g)$x <- runif(n, 0, 100)
V(g)$y <- runif(n, 0, 100)
E(g)$weight <- sapply(E(g), function(e) {
ends <- ends(g, e)
energy_weight(g, ends[1, 1], ends[1, 2])
})
# 能量感知最短路径
path <- shortest_paths(g, from = 1, to = n, weights = E(g)$weight)
V(g)$color <- "gray"
V(g)$color[path$vpath[[1]]] <- "red"
plot(g, vertex.color = V(g)$color,
main = "Energy-Aware Routing Path")上面的代码中，权重函数是整个算法的灵魂。energy_weight把传输能耗与剩余能量倒数加权求和，alpha参数控制二者的相对重要性。当alpha取1时退化为纯最小能耗路由，alpha取0时则完全追求能量均衡。实际部署中可以通过网格搜索或者在线调节来寻找合适的alpha值，一个经验做法是在网络生命周期的中后期逐渐调低alpha，让路由更倾向于保护低能量节点。
接下来做仿真对比：在同样的拓扑上分别运行传统最短路径路由和能量感知路由，模拟500轮任务传输，每轮对路径上节点扣减能量，统计两类策略下首个节点失效的时间以及全网总能耗。这里的关键仿真细节是：每个节点的能量消耗不仅包括转发能耗，还要加上它自身承担计算任务的计算能耗，即任务量乘以该节点的e_coef。
simulate <- function(g, rounds = 500, alpha = 0.5, aware = TRUE) {
V(g)$energy <- runif(n, 50, 100)
V(g)$e_coef <- runif(n, 0.8, 2.0)
lifetime <- rounds
for (r in 1:rounds) {
if (aware) {
E(g)$weight <- sapply(E(g), function(e) {
ends <- ends(g, e)
energy_weight(g, ends[1, 1], ends[1, 2], alpha)
})
} else {
E(g)$weight <- 1 # 传统最小跳数路由
}
path <- shortest_paths(g, from = 1, to = n,
weights = E(g)$weight)$vpath[[1]]
# 沿路径扣减能量
for (i in 1:(length(path) - 1)) {
d <- sqrt((V(g)$x[path[i]] - V(g)$x[path[i+1]])^2 +
(V(g)$y[path[i]] - V(g)$y[path[i+1]])^2)
e_cost <- tx_energy(path[i], path[i + 1], d) +
100 * V(g)$e_coef[path[i + 1]]
V(g)$energy[path[i + 1]] <- V(g)$energy[path[i + 1]] - e_cost
}
if (any(V(g)$energy <= 0)) {
lifetime <- r
break
}
}
return(list(lifetime = lifetime,
remaining = sum(V(g)$energy)))
}
res_aware <- simulate(g, aware = TRUE)
res_plain <- simulate(g, aware = FALSE)
cat("能量感知路由生命周期：", res_aware$lifetime, "轮\n")
cat("传统路由生命周期：", res_plain$lifetime, "轮\n")在典型参数设置下，能量感知路由的首节点失效时间通常比传统最小跳数路由延长百分之三十到一倍以上，具体提升幅度取决于网络规模、节点能量异构程度和alpha取值。需要注意的是，总能耗指标上两者差距不大，甚至能量感知路由可能略高，因为它有时会选择更长的物理路径来绕开低能量节点。这恰恰印证了前文的理论分析：生命周期优化与总能耗优化并不等价，前者追求的是公平性，后者追求的是全局效率，算法设计者必须根据实际供电条件明确优化目标。
如果把仿真扩展到不同alpha值上重复运行并绘制生命周期曲线，可以观察到典型的倒U型规律：alpha过小时路径过于绕行，传输能耗累积拖垮节点；alpha过大时失去能量均衡能力，热点节点依旧提前死亡。用R做这类参数扫描非常方便，几行sapply配合ggplot2就能得到清晰的调参依据，这也是用R研究能效算法相对C++等语言的显著优势——开发效率高，统计分析与可视化一体化。
工程落地中的注意事项与改进方向
将上述算法从仿真推向真实算力网络时，有几个工程问题需要正视。第一是能量信息的获取与新鲜度：路由决策依赖各节点的剩余能量，而在分布式环境中能量信息通过周期性广播同步，存在滞后和开销，信息越陈旧路由决策越失真。实践中需要权衡广播周期与信息精度，或者采用预测式方法，根据节点历史功耗曲线外推当前能量状态。第二是权函数的震荡问题：当多个节点能量接近时，路径可能在它们之间频繁切换，造成路由抖动，可以通过滞回机制（hysteresis）或平滑权重变化来缓解。
第三是能耗模型本身的标定难度。仿真中的一阶无线电模型在真实机房里并不精确，真实节点的功耗受CPU频率调节、内存带宽、温度等多因素影响。更可靠的做法是在线学习功耗模型，用R的线性回归或梯度提升树拟合实测功耗数据，再用拟合结果实时更新k系数。igraph与caret、xgboost等R包可以无缝衔接，先采集训练数据，再建模，再把模型输出注入路由权重，形成闭环。
最后值得关注的改进方向是能量感知与算力度量的联合优化。算力网络的独特之处在于任务可以卸载到路径上的计算节点执行，路由选择与计算卸载是耦合决策：选择哪条路径决定了可用哪些节点，反过来节点的算力负载又会影响其能耗状态。把两者建模为一个联合优化问题，在小型网络中可以用整数规划精确求解（R的ompr包支持建模并调用GLPK求解器），在大规模网络中则可以退而求其次，采用贪心的逐跳决策或强化学习。这一方向目前仍是活跃的研究领域，能量感知路由为它提供了坚实的底座。