CN102299854B - 一种面向机会网络环境的多目标路由决策系统 - Google Patents
一种面向机会网络环境的多目标路由决策系统 Download PDFInfo
- Publication number
- CN102299854B CN102299854B CN2011102610681A CN201110261068A CN102299854B CN 102299854 B CN102299854 B CN 102299854B CN 2011102610681 A CN2011102610681 A CN 2011102610681A CN 201110261068 A CN201110261068 A CN 201110261068A CN 102299854 B CN102299854 B CN 102299854B
- Authority
- CN
- China
- Prior art keywords
- node
- target
- path
- ant
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种面向机会网络环境的多目标路由决策系统,该决策系统包括:环境设置模块(1)、基于蚁群的动态拓扑路径搜索模块(2)、基于线性分配法的路径评价模块(3)和路由选择模块(4);该决策系统能够适应决策者或者上层应用对于路由目标的不同需求,接收他们对于路由目标的偏好信息,并以此作为指导路由的准则;该决策系统采用改进的蚁群算法和线性分配法相结合作为本发明使用的主要算法;该决策系统的主要活动包括明确使命,筹划方案,评价方案三个活动。本发明可以实现多目标优化,以提高路由的整体性能并更好的适应路由需求。
Description
技术领域
本发明属于计算机网络通信领域,特别涉及一种面向机会网络环境的多目标路由决策系统。
背景技术
挑战网络产生的原因在于其违反了TCP/IP协议的某些假设,包括:
1)收发节点之间必须存在持续的端到端的路径;
2)任意收发节点对之间的RTT较小且相对一致;
3)通信链路误码率及丢包率低,应用程序无须考虑通信性能等等。
机会网络是一种由移动的对等通信节点组成的、节点具有消息存储能力、节点间接触随机出现的挑战网络。由于机会网络与传统Internet的特点区别,不能再使用TCP/IP协议族来完成机会网络的通信问题,因此,很多新的研究者对机会网络的体系结构和路由方面做了大量工作。但是在机会网络路由领域,还没有相关研究者提出一种考虑多个路由目标的路由决策技术来很好的满足决策者或者上层应用对于路由目标的需求。
在Internet、WSNs、AdHoc网络领域,都有相应的关于多目标路由的研究,但是由于这些网络环境与机会网络环境特点上的不同,他们的研究成果并不能很好的应用与机会网络之中。在机会网络中,节点移动频繁,节点之间可能并不存在端到端稳定的路径,节点拥有有限的缓存,节点通常采用的是存储-携带-转发的路由方式。因此,提出一种符合机会网络特点的多目标路由决策系统及决策方法,能够更好的提升机会网络路由的整体性能,满足不同应用对于路由目标的不同需求。
发明内容
本发明解决的技术问题:克服现有技术的不足,提供一种面向机会网络环境的多目标路由决策系统及决策方法,能够在机会网络环境下,考虑多个路由目标,并且接收决策者或者应用对于多个路由目标的偏好信息,在综合考虑上述条件的情况下指导数据包的路由。通过使用改进的蚁群算法来搜索动态变化的网络拓扑图,获取网络中节点对之间可能存在的路径以及路径的目标属性值;使用线性分配法对获取到的节点对之间可能存在的路径以及路径的目标属性值进行处理分析,结合决策者或者应用给出的偏好信息,得到同一节点对之间多条路径的优劣排序,根据排序对路径进行不同程度的信息素浓度更新。数据包根据路径的信息素浓度进行概率转发,路径信息素的浓度代表了该路径在考虑多个路由目标时的优劣程度。
本发明的技术方案为:一种面向机会网络环境的多目标路由决策系统,该决策系统包括:环境设置模块1、基于蚁群的动态拓扑路径搜索模块2、基于线性分配法的路径评价模块3和路由选择模块4;其中:
所述环境设置模块1的输入是整个网络环境的相关参数,包括网络的节点,节点的移动方式,节点的缓存和能量,数据包的发送设置,其输出是配置文件;其输出作为整个网络的配置,为后续所有模块搭建网络环境;
所述基于蚁群的动态拓扑路径搜索模块2,其输入路由知识和路由目标,其输出是网络中任意两个节点之间的路径以及路由的目标属性值,其输出基于线性分配法的路径评价模块;机会网络环境下路由知识和路由目标的具体划分见图4和图5;
所述基于线性分配法的路径评价模块3,其输入是任意两个节点之间的多条路径和每条路径的目标属性值,其输出为这多条路径之间的一个优劣序列,根据该序列,更新对应路径上的信息素浓度,以指导路由选择模块;
所述路由选择模块4负责指导数据包进行路由转发,根据基于线性分配法的路径评价模块的输出结果,也就是路径上的信息素浓度,进行概率转发,信息素浓度越高的,数据包会以更大的概率选中该路径作为转发选择。
进一步的,所述环境设置模块1具体的实现过程如下:
该决策系统是基于ONE网络仿真平台进行设计实现的,因此,需要首先对整个网络的环境参数进行设定,在仿真平台中搭建这样一个网络环境;
首先,按照ONE的格式要求,在配置文件中设定好仿真的节点数目,类型,节点的移动模式,采用的路由协议,以及相关数据包的参数;
然后,调用相应的处理接口读取配置文件,在平台中搭建相应的虚拟网络环境。
进一步的,所述基于蚁群的动态拓扑路径搜索模块2具体的实现过程如下:
首先,对于网络中的每一个节点,它都会周期性的向外发送蚂蚁数据包,蚂蚁数据包的目的节点是网络中的任一其他节点,蚂蚁数据包的功能是搜索动态变化的拓扑图,找到节点对之间可能存在的路径;蚂蚁数据包的转发主要与两个因素有关,一个是启发因子,一个是信息素浓度;蚂蚁数据包在传递过程中,需要不断的更新路径的目标属性值。
进一步的,所述基于线性分配法的路径评价模块3具体的实现过程如下:
网络中的每一个节点会周期性的处理接收到的蚂蚁数据包;首先,根据蚂蚁数据包的源节点进行分类;其次,对同一源节点发来的蚂蚁数据包,按照每一个路由目标确定它们的排序,在这个过程中要处理好方案并列的问题,确保每一个方案在每一个目标的排序都是唯一的;最后,构造对应的权矩阵,求解相应的线性二值规划问题,得到方案的优劣排序,并且根据该排序,更新路径上的信息素浓度。
在前面各模块中,主要涉及两个关键算法:基于蚁群的动态拓扑搜索算法和基于线性分配法的路径评优算法。
1.基于蚁群的动态拓扑搜索算法
本算法的核心功能是在动态变化的网络拓扑图中,周期性的搜索网络中每一对节点之间可能存在的路径,并且收集每一条路径上各个路由目标的属性值。本发明选取的路由目标包括最小化传输延时、最大化传输成功率和最小化能量消耗。下面对于每一个目标属性值在本发明中的收集方法给予说明。
传输延时:该目标属于可加性目标,在生成蚂蚁数据包时,记录该数据包的生成时间,当该数据包到达目的节点时,记录到达时间,两者之差即为该蚂蚁所寻路径的传输延时。
传输成功率:该目标属于可乘性目标,可以将其转换为可加性目标,即进行取对数操作。所有节点在收到数据包之后,都会发送确认报文给发送者,因此发送者可以统计出到其他节点的传输成功率,如果从没有发送过,则传输成功率初始化为1。蚂蚁经过每一个节点时,就加上该节点到目的节点的传输成功率取对数。
能量消耗:该目标属性可加性目标,路由中的能量消耗主要考虑在转发时会消耗能量。因此,路径经过的跳数越少,所转发的次数越少,这样该路径消耗的能量也越少。因此,只需要在目的节点上根据蚂蚁记录的路径就能得到路径的跳数,以此作为能量消耗的度量。
2.基于线性分配法的路径评优算法
本算法需要运用到机会网络的路由中去,因此在评价上述算法时应该考虑两个方面的因素,一是算法的有效性,二是算法的复杂性,由于通常越有效的算法越复杂,因此需要在这两个因素上做一个权衡,希望选择即相对有效又相对简单的算法作为本发明的算法。因此,本发明考虑使用线性分配法作为路由决策的方法,从获得的多条路径中进行多目标决策,最终选择出最优路径。
采用线性分配法来完成路径评价,主要就是根据获得的网络中任意节点对之间的路径以及路径的目标属性值,首先对每一个单个路由目标对所有路径进行排序,如果出现并列的情况必须给出确定的排序,确保每一条路径在每一个路由目标下的排序是固定且唯一的。然后根据单个路由目标的排序构造出权矩阵,最后求解该权矩阵的线性二值规划问题。
本发明与现有技术相比的优点在于:
1)本发明是采用的主动式路由,并且利用信息素进行概率转发,利用了网络信息的模糊性和不确定性。路由表的一般结构是对于固定的目的节点,它的下一跳节点一般是固定的选择,这样其实不能很好的反映过快变化的网络环境。本发明采用信息素来指导数据包的转发,采用概率转发的方式,是的数据包的发送具有更好的适应性。
2)本发明考虑了多个路由目标,能够更好的适应路由需求。不同的上层应用对于路由的需求是不一致的,例如电子邮件需要很高的传输成功率,但是对于传输时延的要求并不高;视频服务对于传输成功率的要求一般,但是对于传输时延的要求较高。因此,路由协议需要对于不同的应用需求,做出不同的路由决策,更好的适应其需求,提高应用的性能。
3)本发明使用的是单副本数据包传输,减少了网络负载。现有的机会网络路由协议,大部分都是采用多副本的数据传输方式,以提高网络的路由性能。但是,这种方式对于节点的资源要求很高,例如缓存、能量等。当节点的资源有限或者网络对于自己的生存时间要求很高的环境下,这种方式就不适用了,本发明的路由方式能很好的解决这个问题。
附图说明
图1为本发明的结构组成示意图;
图2为图1中路径搜索模块的程序流程图;
图3为图1中路径评价模块的程序流程图;
图4为图1中路由知识的划分;
图5为图1中路由目标的划分。
在图1中,1为环境设置模块;2为基于蚁群的动态拓扑路径搜索模块;3为基于线性分配法的路径评价模块;4为路由选择模块。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细描叙。
本发明具体实施例包括:环境设置模块1、基于蚁群的动态拓扑路径搜索模块2、基于线性分配法的路径评价模块3和路由选择模块4。在上述模块中,后三个模块是本发明的主要模块,下面详细描述具体实施例中三个部分的算法细节以及涉及的参数结构。
1.基于蚁群的动态拓扑路径搜索模块
本模块的程序流程图如图2所示。
本算法中信息素放置在任意两个节点之间的边上,它可以表示为表示的是数据包的目的节点是d时,节点i到节点j这条有向边的信息素值,它的大小表达的含义是在多目标约束条件下,这条有向边在到达目的节点的最优路径中的概率。算法初始阶段,所有路径的信息素设置一个初始值τ0。
同时,蚂蚁数据包的转发还与启发值有关。利用启发式信息指导蚂蚁的概率型构建过程相当重要,因为这种方法能够提供有用的局部信息,有助于算法的快速收敛。启发值并不是由蚂蚁提供的,节点i上的启发因子表示的是节点本地一些与目的节点无关的信息ni,在本协议中采用节点的空时度数cj以及节点的剩余能量lj作为启发式信息。节点的空时度数较大意味着节点有更多的机会将数据包转发出去,而节点的剩余能量越大则它更适合作为转发的下一跳从而使得节点的能量消耗相对均衡。
具体的启发值的计算公式如下:
ηi,j=x×cj+y×lj
其中x、y分别为cj、lj的权值。因此,节点需要周期性的探测周围邻居的空时度数和剩余能量。
蚂蚁数据包在进行转发的时候,如果目的节点在通信范围之内,则直接发送给目的节点,并且更新相应的路径信息和各个路由目标属性值。如果目的节点不在通信范围之内,则需要按照概率转移函数来确定下一跳节点。概率转移函数是由信息素和启发值综合确定的,它的计算公式如下所示:
其中,Ni为节点i的一跳邻居节点集合,为节点i到节点j这条有向边到目的节点d的信息素值,ni,j为到节点j的启发值;参数α与β分别为信息素和启发值ni,j的权重,α反映了蚂蚁的历史累积信息在其他蚂蚁寻径过程中所起的作用,其值越大,则该蚂蚁越倾向于选择其他蚂蚁经过的路径,蚂蚁之间协作性越强;β反映了启发信息在蚂蚁寻径过程中所起的作用,其值越大,则该转移概率越接近于贪心规则。
在蚂蚁数据包寻径的过程中,需要记录相应的路径信息,为后续的路由决策算法提供必要的输入。主要需要记录的信息包括路径经过的节点序列,以及路径上各个路由目标属性值,各个目标属性值的计算公式如下:
路径的延时:
路径的能量消耗:
路径的传输成功率:
其中,p表示整条路径,n表示路径的跳数。
2.基于线性分配法的路径评价模块
本模块的程序流程图如图3所示。
例如有三个方案和三个目标的决策问题,按每个目标值的大小,将这三个方案排序,如右表所示。设这三个目标的权重是(0.2,0.3,0.5),要对着三个方案排序。
根据上表,构造的权矩阵如下表所示。
根据权矩阵求解该线性二值规划问题,要求每个方案必须也只能排在一个位置,使得最终权之和最大。图中加粗字体的就是本例中的最终解。
在得到了路径排序之后,需要对路径的信息素进行增强,具体的过程如下:
对经过本算法得到的每一条最优路径,加强该路径上每一段的信息素浓度,以引导数据包以更大的概率选择该最优路径。假设最优路径为p=(v1,e1,2,v2,e2,3,v3…vn-1,en-1,n,vn),其中vi表示路径上的节点,ei,i+1表示路径上的接触,则按照以下公式对信息素进行更新:
其中,γ为增强系数,Δτ为增量。
根据算法的输出,得到所有路径的排序,假设排序是从高到低,并且每次更新的信息素总增量为τ0,则Δτ的计算规则如下:
假如计算得到n个解的排序,则从最劣到最优解依次赋值num[]=1,2,…,n-1,n,则第i条路径上信息素更新的份数则第i条路径上信息素更新所占的比例为这样,第i条路径上更新的信息素增量Δτ=Proportion[i]*τ0。
由于机会网络中节点移动频繁,因此对于在一定时间内没有蚂蚁经过的路径,其信息素在数据包转发中起到的引导作用应该随着时间逐渐衰减,这样有利于信息素的周期重建。具体的衰减公式如下所示:
其中ρ为挥发系数,Δt为信息素挥发的时间间隔。
3.机会网络中的路由知识和路由目标
本发明将路由知识分为三类:节点属性,接触属性,消息属性,如图4所示。也就是考虑机会网络中组分的属性,组分之间关系的属性以及通信过程中传输的消息的属性。
机会网络中的路由知识记为:
RKNOWLEDGE::={NODE_ATTR,CONTACT_ATTR,MESSAGE_ATTR}
其中,节点属性记为:
NODE_ATTR::={location,mobility,buffer,energy}
其中,节点属性由节点位置、节点移动模型、缓存、能量组成;
接触属性记为:
CONTACT_ATTR::={times,inerval,duration,bandwidth,probability}
接触属性由接触次数、接触间隔时间、接触持续时间、接触带宽、接触概率组成;
消息属性记为:
MESSAGE_ATTR::={size,priority,copy}
消息属性由消息大小、消息优先级、消息副本数组成。
根据路由协议的度量目标的性质本发明将机会网络路由目标其分为三类:可加性目标、可乘性目标和极值(最大最小)性目标,如图5所示。记为:
ROBJECTIVE::={ADDITIVITY,MULTIPLICABLE,EXTREMUM}
假设机会网络中一条路径p=(v1,e1,2,v2,e2,3,v3…vn-1,en-1,n,vn),其中vi表示路径上的节点,ei,i+1表示路径上的接触。对于路径上的任一接触ei,i+1∈p(i=1,2,…,n-1)以及其相关的两个节点vi和vi+1,用表示从节点vi经过接触ei,i+1与节点vi+1进行通信的第j个目标,其中,影响的属性可能包括节点vi和vi+1的属性以及接触ei,i+1的属性以及正在传输的数据包的属性,整个路径的第j个目标记为则上述三类路由目标可以表示为:
可加性目标
可乘性目标
极值(最大最小)性目标
如果满足则称路径p的第j个目标为最小性目标。
在机会网络的路由协议中,最常用的路由目标包括传输率,延迟,能量消耗,缓存消耗,带宽。对应到上述分类可知:延迟,能量消耗,缓存消耗属于可加性目标,传输成功率属于可乘性目标,带宽属于极值性目标。
Claims (3)
1.一种面向机会网络环境的多目标路由决策系统,其特征在于:该决策系统包括:环境设置模块(1)、基于蚁群的动态拓扑路径搜索模块(2)、基于线性分配法的路径评价模块(3)和路由选择模块(4);其中:
所述环境设置模块(1)的输入是整个网络环境的相关参数,包括网络的节点,节点的移动方式,节点的缓存和能量,数据包的发送设置,其输出是配置文件;其输出作为整个网络的配置,为后续所有模块搭建网络环境;
所述基于蚁群的动态拓扑路径搜索模块(2),其输入路由知识和路由目标,其输出是网络中任意两个节点之间的路径以及路由的目标属性值,其输出至线性分配法的路径评价模块;给出了机会网络环境下路由知识和路由目标的一种划分如下:
将路由知识分为三类:节点属性,接触属性,消息属性,也就是考虑机会网络中组分的属性,组分之间关系的属性以及通信过程中传输的消息的属性;
机会网络中的路由知识记为:
RKNOWLEDGE::={NODE_ATTR,CONTACT_ATTR,MESSAGE_ATTR}
其中,节点属性记为:
NODE_ATTR::={location,mobility,buffer,energy}
其中,节点属性由节点位置、节点移动模型、缓存、能量组成;
接触属性记为:
CONTACT_ATTR::={times,inerval,duration,bandwidth,probability}
接触属性由接触次数、接触间隔时间、接触持续时间、接触带宽、接触概率组成;
消息属性记为:
MESSAGE_ATTR::={size,priority,copy}
消息属性由消息大小、消息优先级、消息副本数组成;
根据路由协议的度量目标的性质将机会网络路由目标其分为三类:可加性目标、可乘性目标和极值性即最大性、最小性目标,记为:
ROBJECTIVE::={ADDITIVITY,MULTIPLICABLE,EXTREMUM}
假设机会网络中一条路径p=(v1,e1,2,v2,e2,3,v3…vn-1,en-1,n,vn),其中vi表示路径上的节点,ei,i+1表示路径上的接触;对于路径上的任一接触ei,i+1∈p(i=1,2,…,n-1)以及其相关的两个节点vi和vi+1,用表示从节点vi经过接触ei,i+1与节点vi+1进行通信的第j个目标,其中,影响的属性可能包括节点vi和vi+1的属性以及接触ei,i+1的属性以及正在传输的数据包的属性,整个路径的第j个目标记为则上述三类路由目标可以表示为:
可加性目标:
可乘性目标:
如果满足则称路径p的第j个目标为可乘性目标;
极值性即最大性、最小性目标:
在机会网络的路由协议中,路由目标包括传输率,延迟,能量消耗,缓存消耗,带宽;对应到上述分类可知:延迟,能量消耗,缓存消耗属于可加性目标,传输成功率属于可乘性目标,带宽属于极值性目标;所述基于蚁群的动态拓扑路径搜索模块(2)具体的实现过程如下:
首先,对于网络中的每一个节点,它都会周期性的向外发送蚂蚁数据包,蚂蚁数据包的目的节点是网络中的任一其他节点,蚂蚁数据包的功能是搜索动态变化的拓扑图,找到节点对之间可能存在的路径;蚂蚁数据包的转发主要与两个因素有关,一个是启发因子,一个是信息素浓度;蚂蚁数据包在传递过程中,需要不断的更新路径的目标属性值;节点i上的启发因子表示的是节点本地一些与目的节点无关的信息ni,在本协议中采用节点的空时度数cj以及节点的剩余能量lj作为启发式信息;具体的启发值的计算公式如下:
ηi,j=x×cj+y×lj
其中x、y分别为cj、lj的权值;因此,节点需要周期性的探测周围邻居的空时度数和剩余能量;
蚂蚁数据包在进行转发的时候,如果目的节点在通信范围之内,则直接发送给目的节点,并且更新相应的路径信息和各个路由目标属性值;如果目的节点不在通信范围之内,则需要按照概率转移函数来确定下一跳节点;概率转移函数是由信息素和启发值综合确定的,它的计算公式如下所示:
其中,Ni为节点i的一跳邻居节点集合,为节点i到节点j这条有向边到目的节点d的信息素值,ni,j为到节点j的启发值;参数a与β分别为信息素和启发值ni,j的权重,a反映了蚂蚁的历史累积信息在其他蚂蚁寻径过程中所起的作用,其值越大,则该蚂蚁越倾向于选择其他蚂蚁经过的路径,蚂蚁之间协作性越强;β反映了启发信息在蚂蚁寻径过程中所起的作用,其值越大,则该转移概率越接近于贪心规则;
所述基于线性分配法的路径评价模块(3),其输入是任意两个节点之间的多条路径和每条路径的目标属性值,其输出为这多条路径之间的一个优劣序列,根据该序列,更新对应路径上的信息素浓度,以指导路由选择模块;其中信息素放置在任意两个节点之间的边上,它可以表示为表示的是数据包的目的节点是d时,节点i到节点j这条有向边的信息素值,它的大小表达的含义是在多目标约束条件下,这条有向边在到达目的节点的最优路径中的概率,算法初始阶段,所有路径的信息素设置一个初始值τ0;对于得到的每一条最优路径,加强该路径上每一段的信息素浓度,以引导数据包以更大的概率选择该最优路径,假设最优路径为p=(v1,e1,2,v2,e2,3,v3…vn-1,en-1,n,vn),其中vi表示路径上的节点,ei,i+1表示路径上的接触,则按照以下公式对信息素进行更新:
其中,γ为增强系数,Δτ为增量;
根据算法的输出,得到所有路径的排序,假设排序是从高到低,并且每次更新的信息素总增量为τ0,则Δτ的计算规则如下:
假如计算得到n个解的排序,则从最劣到最优解依次赋值num[]=1,2,…,n-1,n,则第i条路径上信息素更新的份数则第i条路径上信息素更新所占的比例为这样,第i条路径上更新的信息素增量Δτ=Proportion[i]*τ0;
所述路由选择模块(4)负责指导数据包进行路由转发,根据基于线性分配法的路径评价模块的输出结果,也就是路径上的信息素浓度,进行概率转发,信息素浓度越高的,数据包会以更大的概率选中该路径作为转发选择。
2.根据权利要求1所述的一种面向机会网络环境的多目标路由决策系统,其特征在于:所述环境设置模块(1)具体的实现过程如下:
该决策系统是基于ONE网络仿真平台进行设计实现的,因此,需要首先对整个网络的环境参数进行设定,在仿真平台中搭建这样一个网络环境;
首先,按照ONE的格式要求,在配置文件中设定好仿真的节点数目,类型,节点的移动模式,采用的路由协议,以及相关数据包的参数;
然后,调用相应的处理接口读取配置文件,在平台中搭建相应的虚拟网络环境。
3.根据权利要求1所述的一种面向机会网络环境的多目标路由决策系统,其特征在于:所述基于线性分配法的路径评价模块(3)具体的实现过程如下:
网络中的每一个节点会周期性的处理接收到的蚂蚁数据包;首先,根据蚂蚁数据包的源节点进行分类;其次,对同一源节点发来的蚂蚁数据包,按照每一个路由目标确定它们的排序,在这个过程中要处理好方案并列的问题,确保每一个方案在每一个目标的排序都是唯一的;最后,构造对应的权矩阵,求解相应的线性二值规划问题,得到方案的优劣排序,并且根据该排序,更新路径上的信息素浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102610681A CN102299854B (zh) | 2011-09-06 | 2011-09-06 | 一种面向机会网络环境的多目标路由决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102610681A CN102299854B (zh) | 2011-09-06 | 2011-09-06 | 一种面向机会网络环境的多目标路由决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102299854A CN102299854A (zh) | 2011-12-28 |
CN102299854B true CN102299854B (zh) | 2012-11-14 |
Family
ID=45360041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102610681A Expired - Fee Related CN102299854B (zh) | 2011-09-06 | 2011-09-06 | 一种面向机会网络环境的多目标路由决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102299854B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110679120A (zh) * | 2017-04-24 | 2020-01-10 | 微软技术许可有限责任公司 | 通信网络节点 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833160B (zh) * | 2012-08-17 | 2015-04-08 | 北京航空航天大学 | 基于接触预测的大规模移动容迟网络分簇路由方法及其系统 |
CN104995928B (zh) * | 2014-01-23 | 2019-05-10 | 华为技术有限公司 | 多目标决策方法及装置 |
CN103955584B (zh) * | 2014-05-12 | 2017-08-25 | 合肥工业大学 | 基于多路径路由的片上网络重组缓存的上界优化方法 |
CN104486105B (zh) * | 2014-12-05 | 2018-04-20 | 广东省电信规划设计院有限公司 | 传输网业务配置方法和系统 |
US10243832B2 (en) | 2014-12-23 | 2019-03-26 | Industrial Technology Research Institute | Routing message delivery method applicable to network node and network node using the same and communication network using the same |
CN104994004A (zh) * | 2015-07-03 | 2015-10-21 | 厦门大学 | 机会网络环境下基于优先级和多粒度的内容共享方法 |
CN109902797A (zh) * | 2019-04-22 | 2019-06-18 | 桂林电子科技大学 | 一种基于蚁群算法的云副本放置方案 |
CN114841406B (zh) * | 2022-03-28 | 2024-07-12 | 深圳市跨越新科技有限公司 | 物流干线网络规划方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1642145A (zh) * | 2005-01-07 | 2005-07-20 | 清华大学 | 支持区分服务带服务质量扩展的ip转发方法 |
CN101136937A (zh) * | 2007-10-16 | 2008-03-05 | 中国科学院上海微系统与信息技术研究所 | 无线传感器网络分布式协同信息处理方法 |
CN101159697A (zh) * | 2007-11-23 | 2008-04-09 | 南京大学 | 无线传感器网络中时延限制下实现最小能耗路由的方法 |
-
2011
- 2011-09-06 CN CN2011102610681A patent/CN102299854B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1642145A (zh) * | 2005-01-07 | 2005-07-20 | 清华大学 | 支持区分服务带服务质量扩展的ip转发方法 |
CN101136937A (zh) * | 2007-10-16 | 2008-03-05 | 中国科学院上海微系统与信息技术研究所 | 无线传感器网络分布式协同信息处理方法 |
CN101159697A (zh) * | 2007-11-23 | 2008-04-09 | 南京大学 | 无线传感器网络中时延限制下实现最小能耗路由的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110679120A (zh) * | 2017-04-24 | 2020-01-10 | 微软技术许可有限责任公司 | 通信网络节点 |
CN110679120B (zh) * | 2017-04-24 | 2021-10-26 | 微软技术许可有限责任公司 | 通信网络节点 |
Also Published As
Publication number | Publication date |
---|---|
CN102299854A (zh) | 2011-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102299854B (zh) | 一种面向机会网络环境的多目标路由决策系统 | |
Luo et al. | Minimizing the delay and cost of computation offloading for vehicular edge computing | |
CN100539542C (zh) | 无线自组织网络中的最大生存时间路由 | |
Kopeikin et al. | Dynamic mission planning for communication control in multiple unmanned aircraft teams | |
CN102523162B (zh) | 紫外无线Mesh网络中基于蚁群的QoS优化路由方法 | |
Wu et al. | Urllc-awared resource allocation for heterogeneous vehicular edge computing | |
Xu et al. | A simulated annealing based genetic local search algorithm for multi-objective multicast routing problems | |
Royaee et al. | Designing a context-aware model for RPL load balancing of low power and lossy networks in the internet of things | |
Moghadam et al. | Multi-class multipath routing protocol for low power wireless networks with heuristic optimal load distribution | |
CN115173923A (zh) | 一种低轨卫星网络能效感知路由优化方法和系统 | |
Darabkh et al. | An innovative RPL objective function for broad range of IoT domains utilizing fuzzy logic and multiple metrics | |
Desai et al. | Adaptive routing based on predictive reinforcement learning | |
Zhang et al. | Sac: A novel multi-hop routing policy in hybrid distributed iot system based on multi-agent reinforcement learning | |
CN110417572B (zh) | 一种基于目标节点相遇概率预测消息传递节点的方法 | |
Masadeh et al. | Look-ahead and learning approaches for energy harvesting communications systems | |
CN116847425A (zh) | 一种基于高维数据联合优化的多资源路由优化方法 | |
Li et al. | Age-optimized multihop information update mechanism on the LEO satellite constellation via continuous time-varying graphs | |
Asheralieva et al. | Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications | |
Gul et al. | NTN-aided quality and energy-aware data collection in time-critical robotic wireless sensor networks | |
Li et al. | A hybrid GA-PSO strategy for computing task offloading towards MES scenarios | |
Wu et al. | A Fuzzy‐Logic‐Based Double Q‐Learning Routing in Delay‐Tolerant Networks | |
Amar et al. | An online learning approach to shortest path and backpressure routing in wireless networks | |
Ma et al. | A multi attribute decision routing for load-balancing in crowd sensing network | |
Liang et al. | Routing optimization algorithm of spatial DTN network based on multiattribute decision | |
Zhao et al. | Constructing routing structures for sensor data collection with dynamic traffic patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121114 Termination date: 20150906 |
|
EXPY | Termination of patent right or utility model |