CN104168620B - 无线多跳回传网络中的路由建立方法 - Google Patents
无线多跳回传网络中的路由建立方法 Download PDFInfo
- Publication number
- CN104168620B CN104168620B CN201410201545.9A CN201410201545A CN104168620B CN 104168620 B CN104168620 B CN 104168620B CN 201410201545 A CN201410201545 A CN 201410201545A CN 104168620 B CN104168620 B CN 104168620B
- Authority
- CN
- China
- Prior art keywords
- node
- mrow
- ant
- path
- network
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及通信技术,具体提供一种无线多跳回传网络中的路由建立方法,其主要由蚁群算法中的两类蚂蚁完成路由建立:按选择概率(与信息素浓度和物理链路实际情况有关)选取源节点与目的节点之间路径的前向探索蚂蚁,和沿前向探索蚂蚁所走路径反向进行信息素更新和路由建立的反向探索蚂蚁。此外,相比于现有技术中WMNs所主要采用的Ad‑hoc网络中的如AODV,DSR和OLSR的路由协议会在无线信道的不稳定时出现的众多问题,本发明综合考虑时变的网络信道状态、多样的通信业务带宽需求和不稳定的绿色能源采集量,在建立路由的同时自适应管理网络资源,从而达到降低传输时延,提高传递率、带宽效率和绿色能源利用率的目的。
Description
技术领域
本发明涉及通信技术,具体涉及一种无线多跳回传网络中的路由建立方法。
背景技术
随着下一代网络对数据传输速率要求的越来越高以及网络规模的不断扩大,研究者们对无线Mesh网络(即无线网状网络)产生巨大的研究兴趣,大量研究表明无线Mesh网络(Wireless Mesh Networks,WMNs)可作为用户接入互联网的一种方式,构成无线回传网络。由于无线Mesh网路具有自组织、自配置和自修复特性,使其可以更加快速、简便的部署和维护,并且具有低开销和高可扩展性的特征。同时,由于其特殊的网状结构使得网络的容量、连通性和恢复力得到提升,因而由WMNs构成的无线多跳回传网络已开始逐渐取代传统有线回传网络(如光纤、电缆)。大量研究表明,在传统通信网中承载接入节点与核心网之间数据传输的回传网络能力已成为限制通信业务朝高速率及网络向高性能方向发展的瓶颈。然而,多跳无线回传网络(Multi-Hop Wireless Backhaul Networks,简记为MHWBN)为回传网络提供了一种经济、灵活的方式。与现有回传网络相比,MHWBN可以显著的降低部署成本,可快速、灵活的进行网络配置。随着MHWBN的提出,无线Mesh网络也逐渐成为多跳回传网络中一种实现数据回传的重要技术。然而,多跳无线Mesh网络目前面临的主要问题仍是如何提高用户端到端的吞吐量。
目前WMNs仍主要采用Ad Hoc网络中的路由协议,如AODV,DSR和OLSR。Ad Hoc网络中出现的典型路由协议的实现机制是在源和目的节点间选择一条固定的路径,在整个传输过程中均使用这条路径传输,直至此次传输完毕。在链路状况比较好的时候,传统的路由机制能够正常工作。但是,无线信道的不稳定性经常会导致节点传输范围的瞬间变化,并且节点的移动或开关机也会导致下一跳节点不可达,就会导致频繁的MAC层的确认、重传现象,进而引起路由层路由维护过程或路由更新过程,在无线信道质量变差或者节点间相互距离正好处于临界覆盖范围的情况下这种现象更为严重。这种链路的不可靠性和不稳定性会导致很大的路由维护开销,还会造成上层业务出现很大的时延或大量的丢包现象,影响网络整体性能。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种无线多跳回传网络中的路由建立方法,该方法将蚁群优化算法应用于MHWBN的寻路问题中,提出了一种可以充分考虑物理层链路实际情况的路由机制,有利于实现以较小的路由维护开销达到较高的网络整体性能。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种无线多跳回传网络中的路由建立方法,该方法包括:
步骤S1:为每条邻居节点间的路径设定该路径上信息素浓度的初始值,并存储于所有节点共用的信息素表中;
步骤S2:根据输入的源节点与目的节点在所述源节点生成前向探索蚂蚁集合,每只所述前向探索蚂蚁按照选择概率不停地选择并移动到下一个邻居节点直到到达所述目的节点;其中,任意两个邻居节点间路径的所述选择概率正相关于该路径上的信息素浓度,负相关于两邻居节点间的物理距离;
步骤S3:在每只前向探索蚂蚁到达目的节点后在目的节点生成反向探索蚂蚁,所述反向探索蚂蚁沿相同路径反向回到源节点,同时按固定比例或固定值增加其所经过路径上的信息素浓度,并建立对应于该路径的路由表。
优选地,每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用。
优选地,所述任意两个邻居节点间路径的所述选择概率进一步正相关于下一节点中所述电池中的绿色能源剩余量。
优选地,每只所述前向探索蚂蚁在节点u处从节点u的邻居节点集合Nu中选择下一个节点的所述选择概率
其中,τ(u,v)为所述信息素表中从节点u到节点v路径上的信息素浓度,
du,v为节点u与节点v之间的所述物理距离,Ev或El为节点v或节点l的所述电池中的绿色能源剩余量,α、β、γ为大于零的预设参数。
优选地,所述步骤S3还包括:所述反向探索蚂蚁沿相同路径反向回到源节点时,同时按固定比例减少其所经过路径上的信息素浓度。
优选地,所述方法在步骤S3之后还包括:
步骤S4:在每只所述后向探索蚂蚁到达源节点后,在源节点生成前向管理蚂蚁,所述前向管理蚂蚁沿相同路径回到目的节点,同时基于有约束的马尔可夫决策过程对节点参数进行自适应调整,所述节点参数包括节点的传输速率、带宽等级和发射功率。
优选地,所述方法在步骤S4之后还包括:
步骤S5:在每只所述前向管理蚂蚁到达目的节点后,在目的节点生成后向管理蚂蚁,所述后向管理蚂蚁沿相同路径回到源节点,同时根据收集的节点参数按预定的评估规则找到源节点与目的节点之间的最优路径,并以固定比例或固定值增加该最优路径上的信息素浓度并以固定比例减小网络中其余所有路径上的信息素浓度。
优选地,所述有约束的马尔可夫决策过程的状态空间包括动态信道增益、缓存队列长度和上层应用数据包产生数目;所述有约束的马尔可夫决策过程的行为空间包括传输速率调整。
优选地,所述自适应管理的目标为满足功率约束条件下使网络时延最小;所述功率约束条件包括电网所耗功率时间平均值不大于网络所能提供的总平均电网功率。
优选地,每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用;所述节点参数还包括由电网提供的发射功率与所述电池提供的发射功率分配量;所述有约束的马尔可夫决策过程的状态空间包括所述电池的绿色能源剩余量;所述有约束的马尔可夫决策过程的行为空间包括调整发射功率中由电网提供的发射功率与所述电池提供的发射功率的比例。
(三)有益效果
本发明至少具有如下的有益效果:
本发明充分利用蚁群优化算法中蚂蚁觅食与无线多跳网络中寻路问题的相似性,在建立源节点与目的节点的路径选择问题上,设置信息素这一参量来影响蚂蚁随机寻路的选择概率(同时影响选择概率的还有两邻居节点间的物理距离,选择概率正相关于信息素浓度、负相关于及节点物理距离),并在每条路径建立之后以固定比例或固定值增加其所经过路径上的信息素浓度。同时,建立对应于该路径的路由表(当然可以采取较优替换较劣的路由表更新机制)。这样一来,在保证蚂蚁数量足够多、寻路时间足够长的情况下,源节点与目的节点之间的较快捷路径上的信息素浓度就会足够高,最终会使之后所有的蚂蚁都有足够大的概率按照较快捷路径行进。
在此理论基础之上,把每次数据从源节点到目的节点的发送都视作一只蚂蚁从源节点到目的节点的行进过程,那么蚂蚁数量足够多、寻路时间足够长的情况下,蚂蚁的行进路径就是源节点与目的节点之间的最快捷路径的概率就会足够大。
而且,由于每只蚂蚁都是依照概率行进的,而这一概率又是很容易根据实际物理链路情况依据一定规则进行调整的(包括改变概率的表达形式、增加其他相关参量或设置信息素浓度更新规则)。例如邻居节点物理距离影响了其所需发射功率的大小,所以使其尽量小就可以节约每个节点因过大发射功率而损耗的能量。
因而,这样的路由建立方法可以在时变的MHWBN的寻路问题中充分考虑物理层链路实际情况,灵活地调整路由表中的路径,避免采用固定的路由表而可能引起的巨大路由维护开销,有利于实现以较小的路由维护开销达到较高的网络整体性能。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中一种无线多跳回传网络中的路由建立方法的流程图;
图2是本发明一个实施例中基于能量采集的无线Mesh回传网络架构图;
图3是本发明一个实施例中基于能量采集的无线Mesh回传网络的系统时隙图;
图4(a)为前向探索蚂蚁(代理)数据结构图、图4(b)为后向探索蚂蚁(代理)数据结构图、图4(c)为前向管理蚂蚁(代理)数据结构图、图4(d)为后向管理蚂蚁(代理)数据结构图;
图5为基于ACO-MDP的联合路由与资源管理策略进程逻辑图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提出了一种无线多跳回传网络中的路由建立方法,参见图1,其特征在于,该方法包括:
步骤S1:为每条邻居节点间的路径设定该路径上信息素浓度的初始值,并存储于所有节点共用的信息素表中;
步骤S2:根据输入的源节点与目的节点在所述源节点生成前向探索蚂蚁集合,每只所述前向探索蚂蚁按照选择概率不停地选择并移动到下一个邻居节点直到到达所述目的节点;其中,任意两个邻居节点间路径的所述选择概率正相关于该路径上的信息素浓度,负相关于两邻居节点间的物理距离。
步骤S3:在每只前向探索蚂蚁到达目的节点后在目的节点生成反向探索蚂蚁,所述反向探索蚂蚁沿相同路径反向回到源节点,同时按固定比例或固定值增加其所经过路径上的信息素浓度,并建立对应于该路径的路由表。
如上文所述,由于在步骤S2中会在源节点生成前向探索蚂蚁并不断按照选择概率寻路,而到达目的节点后(即找到了一条可行路径)在步骤S3中会在目的节点生成反向探索蚂蚁进行该可行路径的路由表建立(当然其可以是较优路径替代较劣路径的更新机制)和信息素浓度增加的工作。从而,根据蚁群觅食的原理就可以建立起较快捷路径组成的整体路由表。
这里使用的蚁群优化算法(Ant Colony Optimization,简记为ACO)最初是通过对蚂蚁群落的观察,受蚁群行为特征启发而得出的。蚂蚁觅食过程通过个体之间的信息交流与相互协作最终找到从蚁穴到食物源的最短路径,与无线网络路由问题有着惊人的相似之处。因此,结合本发明网络环境进行引申,将蚂蚁觅食过程中的“蚁穴”和“食物源”当作网络中的源节点和目的节点,将蚂蚁的行为当作网络中的路由建立,蚁群算法中有一个蚂蚁决策表,它包括所有节点选择下一跳节点的转移概率和关于节点的本地信息,蚂蚁使用这个表来指导其搜索朝着搜索空间中最有吸引力的区域移动,这正是网络通信中路由表的形成过程。因此,蚁群算法能够应用于无线网络的路由,通过信息素的释放寻找并维护从源节点到达目的节点的最优路由,按照信息素的挥发算法不断对各节点的信息素值进行更新,以适应网络动态变化的需要。
优选地,每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用。随着网络性能需求不断提高,网络规模日益扩大,快速的无线通信产业发展导致无线网络中能量损耗量急剧增长,随之产生了一些环境问题。近年来,以提高能源效率和降低碳排放量为目标的绿色通信受到广泛关注。因此,新兴的一些绿色节能技术已经成为绿色通信领域的研究热点。本发明实施例通过在网络节点上引入绿色能源采集装置,可以提高绿色能源利用率,降低碳排放量,减轻环境污染。
在使用了绿色能源采集装置的情况下,就可以在寻路时根据其电池所存储的绿色能源剩余量来调整路径,以进一步均衡整个网络中传统能源和绿色能源的消耗。即优选地使所述任意两个邻居节点间路径的所述选择概率进一步正相关于下一节点中所述电池中的绿色能源剩余量。
可见,在本发明实施例所提出的路由建立方法中,选择概率是一个非常重要的参量,其直接决定了每个蚂蚁选择下一个节点的概率,因而可以在其中加入各种不同参量以综合考虑网络中路径选择的各个因素。而且这些因素还可以是从物理链路或是周围环境中实时采集的,以进一步地提高路由建立方法对时变物理链路、绿色能源采集量和业务类型的适应性。这里给出一种优选的选择概率的表达式:
每只所述前向探索蚂蚁在节点u处从节点u的邻居节点集合Nu中选择下一个节点的所述选择概率
其中,τ(u,v)为所述信息素表中从节点u到节点v路径上的信息素浓度,
du,v为节点u与节点v之间的所述物理距离,Ev或El为节点v或节点l的所述电池中的绿色能源剩余量,α、β、γ为大于零的预设参数,用以调整不同参量在选择概率中所占的比重。
进一步地,为了避免蚁群优化算法过早地收敛于次优解,这里引入一种局部信息素更新机制,即在步骤S3还包括的:所述反向探索蚂蚁沿相同路径反向回到源节点时,同时按固定比例减少其所经过路径上的信息素浓度。这样的机制可以扩大可行解的搜索范围,不至于过快地收敛于局部次优解。
另外,在该路由建立方法的基础之上,所述方法还可以进一步基于马尔可夫决策过程进行资源管理联合优化,也就是原有方法的步骤S3之后还包括:
步骤S4:在每只所述后向探索蚂蚁到达源节点后,在源节点生成前向管理蚂蚁,所述前向管理蚂蚁沿相同路径回到目的节点,同时基于有约束的马尔可夫决策过程对节点参数进行自适应调整,所述节点参数包括节点的传输速率、带宽等级和发射功率。
马尔可夫决策过程(Markov Decision Processes,简记为MDP)是研究在不确定环境下决策问题的理论。所谓不确定环境下的决策问题,是指在一系列相继的或连续的时刻(称之为决策时刻)做出决策,在某个决策时刻,决策者根据观察到的状态从可用的若干个决策中选择一个;将决策付诸实施后,系统将获得与所处状态和所采取决策有关的一项报酬并影响系统在下一个决策时刻的状态。系统在下一个决策时刻的状态是不确定的,在这新的决策时刻上,决策者要观察系统所处的新状态并采取新的决策,如此一步一步进行下去。在每一决策时刻采取的决策都会影响下一个决策时刻系统的状态和决策,并以此影响将来。决策的目的是使系统运行在某种准则下达到最优。因此,这里充分考虑网络环境的动态性(包括:动态地信道增益,通信业务的多样性和绿色采集能量的不确定性),将资源管理方案建模为基于有约束的MDP的随机优化问题。其中将网络环境状态、资源管理方案分别定义为有约束的MDP中的状态空间和行为空间,将资源管理优化目标定义为有约束的MDP中的收益函数,从而通过求解有约束的MDP获得最优资源管理方案。
具体而言,优选地使这里的有约束的马尔可夫决策过程的状态空间包括动态信道增益、缓存队列长度和上层应用数据包产生数目;而使所述有约束的马尔可夫决策过程的行为空间包括传输速率调整。亦即通过调整传输速率来综合控制多项参数。
同时,在进行联合优化的同时还可以引入信息素的全局更新机制,即在在步骤S4之后还包括步骤S5:在每只所述前向管理蚂蚁到达目的节点后,在目的节点生成后向管理蚂蚁,所述后向管理蚂蚁沿相同路径回到源节点,同时根据收集的节点参数按预定的评估规则找到源节点与目的节点之间的最优路径,并以固定比例或固定值增加该最优路径上的信息素浓度并以固定比例减小网络中其余所有路径上的信息素浓度。同样地,这样的全局信息素更新机制也是用以扩大可行解的搜索范围,避免过快地收敛于次优解的。不同之处是这里还引入了一种最优评估的机制,即按照预定的评估规则(比如说最节能、跳数最少、或者综合考虑多项参数的规则等等),找到一条最优的路径,并增加该路径上的信息素浓度,从而可以以正反馈迭代机制极大地加快算法求解的收敛速度。
然而,上述方法中并没有考虑到绿色能源采集装置存在的情况,若考虑到这一改动,则需添加下列相应的特征:每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用;所述节点参数还包括由电网提供的发射功率与所述电池提供的发射功率的比例;所述有约束的马尔可夫决策过程的状态空间包括所述电池的绿色能源剩余量;所述有约束的马尔可夫决策过程的行为空间包括调整发射功率中由电网提供的发射功率与所述电池提供的发射功率的比例。可见,使用添加了上述特征的方法可以对不稳定的绿色能源采集过程进行实时调整和优化(当然对应的优化目标或评估规则中也加入使电池中绿色能量剩余量得到充分利用的对应条件),使得绿色能源的利用率得以提高,有利于实现以提高能源效率、降低碳排放量为目标的绿色通信。
以上已经对本发明实施例进行了关键点上的说明,为了更清楚地说明本发明的技术方案,下面具体介绍一种特定模型下的优选无线多跳回传网络中的节能路由建立及资源管理联合优化方法。
总体来说,由于无线频谱资源、通信业务质量需求和绿色能源采集量具有时变性,并且无线Mesh网络中各节点很难获得网络全局动态信息,这里将时变的瑞利衰落信道表示成有限状态的马尔可夫信道模型,数据包产生和绿色能源采集定义为马尔可夫过程,使用蚁群优化算法和马尔科夫决策过程解决路由建立、绿色能源分配和带宽资源管理联合优化问题。该方法分为两大部分:第一部分,采用蚁群优化算法实现网络节能路由。在蚁群算法中,定义了前向探索蚂蚁、后向探索蚂蚁、前向管理蚂蚁和后向管理蚂蚁四类蚂蚁,按照算法规则概率性的选择路径各跳节点,并对链路上的信息素进行更新,经过多次迭代最终建立吞吐量最优的路径。第二部分,考虑网络环境状态的动态性,将传输速率调整、功率分配和带宽控制建模为基于马尔科夫决策过程的随机优化问题,在电网能源有限的条件下,求得最优资源管理方案,实现最小平均传输时延、提高能效和带宽利用率的目的。
这里,先对总体的系统模型作一具体的介绍:
1)网络拓扑:
如图2所示,这里在一定区域内部署多个由电网和能量采集装置同时供电的无线Mesh节点,组成一个基于能量采集的无线Mesh回传网络。将该网络模型化为一个无向图G(V,E),其中V和E分别代表节点集和链路集。定义每个节点具有相同的最大传输范围Rmax,节点u的邻居节点集为在网络中,网关节点通过高容量的有线链路与核心网连接;其余节点不仅可以作为接入节点,为用户提供无线接入链路,而且可以作为数据转发节点,协同工作组成无线回传网络。这里假设每个节点和链路可分别动态自适应地调整发射功率和带宽等级,以满足不同网络数据传输质量需求、平均传输时延要求和能耗最大限制。
2)模型假设:
这里假设系统为一个时隙模型,时隙长度为τ,则第n个时间间隔表示为[nτ,(n+1)τ)。如图3所示,在第n个时隙末,每个节点u∈V产生Au(n)个数据包,每个数据包大小为b比特,发送前暂存在节点的缓存队列中。此外,每个节点从其连接的所有输入链路接收个数据包并暂存于节点缓存队列中,其中Di(n)为节点在输入链路i上接收的数据包数。如前所述,网络中每个节点都配备了绿色能量采集装置,同时也可由电网供电。每个时隙末,节点u∈V可存储采集能量Hu(n)。每个时隙初,每个节点根据信道状态、能量采集状态和缓存队列状态,选出下一跳节点,调整带宽等级wu(n),分配由电池能量供给的传输功率Pu b(n)和由电网能量供给的传输功率Pu g(n),并按照先入先出原则从输出链路j∈Ou选择个数据包传输。
①信道模型:
这里定义在第n时刻,节点u与其邻居节点之间的信道增益为Gu,v(n)。时隙内,信道增益保持不变;时隙间,信道增益随机变化。这里使用有限状态的马尔可夫信道模型(Finite-state Markov channel,简记为FSMC)来描述瑞利衰落信道的时变性。这里将信道增益划分为K个等级,即节点u与节点v之间的信道增益Gu,v(n)在集合中随机变化。在每个时隙间,信道增益根据K×K的信道状态转移概率矩阵变化,如公式(1)所示。
其中,px,y=Pr(Gu,v(n+1)=y|Gu,v(n)=x),
②绿色能源采集存储模型:
这里定义Hu(n)为节点u在时刻n的绿色能源采集量;Pu b(n)为节点u在时间间隔(nτ,(n+1)τ]中从电池中分配的发射功率;Eu(n)为节点u时间间隔(nτ,(n+1)τ]中存储的绿色能源总量;Emax为电池最大容量。由此可知,每个时隙内电池存储的绿色能源采集量演变过程如公式(2)所示。
Eu(n+1)=Eu(n)-Pu b(n)τ+Hu(n) (2)
③物理层干扰与链路容量模型:
这里设定接收端的加性高斯白噪声均值为零,方差为σ2;P(Fu(n))为第n时刻节点可靠传输Fu(n)个数据包所需的总发送功率。因而,按香农公式定义可得链路(u,v)的容量,如公式(3)所示。
其中,wu,v(n)为链路(u,v)的带宽。
在绿色通信中,考虑电路能量消耗,因而第n时刻可靠传输Fu(n)个数据包所需的总发送功率P(Fu(n))如公式(4)定义所示。
其中,ξ≥1为常数,M为每个时隙内数据传输所用的信道数。并有如下定义,
其中,C≥0为常数。当不考虑电路能量消耗时,ξ=1且C=0。在第n个传输时隙内,定义Pu b(n)和Pu g(n)分别为由电池和电网提供的两部分发射功率。
④网络层传输模型:
这里假设在每个时隙内节点接收或产生的数据包将在下一个时隙内发送。每个节点可以从其缓存队列中按照先入先出规则发送一定数目的数据包,并假设一旦数据包发送,无重发机制。当节点缓存队列内数据包数超出缓存队列容量上限Qmax时,则丢弃溢出的数据包。定义Qu(n)表示节点u在时刻n的缓存队列长度,即存储待发送数据包数,其演变过程如公式(6)所示。
Qu(n+1)=Qu(n)-Fu(n)+Au(n)+Ru(n) (6)
其中,Au(n)为时刻n节点u∈V处上层应用产生的数据包;Ru(n)为时刻n节点从输入链路接收的数据包;Fu(n)为时刻n节点由输出链路发送的数据包。
以上即为关于整个系统(通信网络)模型的说明。在此基础之上,该优选无线多跳回传网络中的节能路由建立与资源管理联合优化方法的具体过程如下:
为了准确描述实际网络环境,跟踪实时变化的网络状态,如时变的信道状态、不确定的绿色能源采集量和多样的通信业务类型,这里使用有限状态的马尔可夫信道模型来预测未来的信道状态,将通信量到达和绿色能源采集建模为马尔可夫过程。此外,基于能量采集的无线Mesh回传网络中的路由与资源管理联合优化问题存在多种技术挑战。第一,时变的信道状态,不确定的数据包到达量和节点不稳定的绿色能源采集量会对路由策略产生影响;第二,动态地信道增益和传输速率需求,需要求将带宽管理和绿色能量分配建模为一个长期优化问题,从而使网络性能在实际动态时变的网络环境下得到提升。
蚁群优化算法(下文简称ACO)是一种基于蚂蚁代理的启发式算法,根据蚂蚁行为寻找食物。蚁群优化算法适用于大规模、自组织的网络,针对动态地网络环境具有可扩展性、鲁棒性和自适应性。该算法所具有的分布式和自适应特征,使其在解决NP难问题上具有卓越的性能。在该算法中,智能代理(即蚂蚁)在网络中游走,蚂蚁之间通过其在所经过的路径上留下的信息素进行间接通信。随着时间得推移,蚂蚁通过信息素浓度指引,逐渐寻找到满足需求的最优路径。另外,马尔可夫决策过程常用来研究在不确定环境下的决策问题。所谓不确定环境下的决策问题,是指在一系列相继的或连续的时刻(称之为决策时刻)做出决策。在每个决策时刻,决策者根据观察到的状态从可用的若干个决策中选择一个;将决策付诸实施后,系统将获得与所处状态和所采取决策有关的一项报酬,并影响系统在下一个决策时刻所处的状态。系统在下一个决策时刻的状态是不确定的,在这新的决策时刻上,决策者要观察系统所处的新状态并采取新的决策,如此一步一步进行下去。在每一决策时刻采取的决策都会影响下一个决策时刻系统的状态和决策,并以此影响将来。决策的目的是使系统运行在某种准则下达到最优。
综上,这里提出一种基于ACO与MDP的联合路由与资源管理方法,分布式地运行在网络中各个节点上。在这里所提策略中,定义了四类蚂蚁,分别为:前向探索蚂蚁后向探索蚂蚁前向管理蚂蚁和后向管理蚂蚁分别定义如下:
前向探索蚂蚁考虑节点剩余绿色能源采集量和节点缓存队列长度,该蚂蚁遵循蚁群优化算法寻路规则,探索网络最优路径,避免网络拥塞并提高绿色能源利用率。该蚂蚁的数据结构如图4(a)所示。
后向探索蚂蚁前向探索蚂蚁到达目的节点便立即死亡,随之产生后向探索蚂蚁。该蚂蚁复制存储由前向探索蚂蚁收集的网络信息,并沿着反向路径返回源节点。在后向探索蚂蚁返回源节点途中,按照蚁群优化算法规则对路径上的信息素进行局部更新。该蚂蚁的数据结构如图4(b)所示。
前向管理蚂蚁:当后向探索蚂蚁返回源节点后,源节点产生前向管理蚂蚁,该蚂蚁沿着探索蚂蚁建立的路径前往目的节点。途中,该蚂蚁在每个节点上触发基于MDP的内嵌资源管理模块计算数据包传递速率,调整带宽等级和分配绿色采集能量。该蚂蚁的数据结构如图4(c)所示。
后向管理蚂蚁前向管理蚂蚁到达目的节点后立即死亡,后向管理蚂蚁立即产生。该蚂蚁沿着反向路径返回源节点,按照蚁群优化算法对链路上的信息素进行全局更新。该蚂蚁的数据结构如图4(d)所示。
这里所提策略由两个模块组成:1)基于ACO的路由模块;2)基于MDP的内嵌资源管理模型。整体策略进程逻辑如图5所示。
基于ACO的路由模块:每个时隙内,前向探索蚂蚁从源节点出发,按蚁群优化算法寻找最优路径;当前向探索蚂蚁到达目的节点后,后向探索蚂蚁从目的节点出发,沿着反向路径返回源节点并更新路径上的信息素浓度;最终确立最优路径。
基于MDP的内嵌资源管理模块:当路径建立后,前向管理蚂蚁触发基于MDP的内嵌资源管理模块,调用有约束的马尔可夫决策过程对网络数据传输速率、带宽资源和绿色采集能源进行自适应的管理。模块中,信道增益服从马尔可夫信道模型,通信量到达和绿色能源采集建模为马尔可夫过程。
1)基于ACO的路由模块
正如实际蚂蚁运动规则所述,它们可以通过信息素的积累建立一条最优路径用来寻找食物。当一只蚂蚁到达网络中的某个具有多条输出链路分支的中间节点时,该蚂蚁依据各分支链路上的信息素浓度大小概率性的选择一条链路,并跳转到下一跳节点。按照蚁群算法信息素更新规则,最优路径上的信息素浓度将得到加强。随着时间推移,路径上的信息素也伴随着挥发,促进蚂蚁探索新的路径,避免算法过快收敛于局部次优解。由此通过迭代,蚂蚁根据信息素浓度最终收敛于全局次优解。
如上所述可知,蚁群算法中的信息素在蚂蚁探寻最优路径上起着重要作用。为了模拟真实蚂蚁寻路场景,网络中每个节点有一张信息素表,存储了每只蚂蚁经过后留下的信息素浓度,如表1所示。表格的行表示目的节点ID,列表示邻居节点ID。其中,定义为节点u的邻居节点集,为邻居节点数目;D为目的节点集,为目的节点数目。
表1信息素表
下面,这里将具体介绍策略中基于ACO的路由模块及其路径建立过程:
①算法解建立规则
蚁群优化算法中,源节点生成一个前向探索蚂蚁集合集合中的每只前向探索蚂蚁从源节点出发探寻一条到达目的节点的路径。这里定义表示节点u的信息素矩阵,其中τ(u,v,d)表示通向目的节点多跳路径上某跳链路(u,v)上的信息素浓度,其影响着蚂蚁选择下一跳节点的选择概率。因此,在每个节点u,蚂蚁从其邻居节点集中依据公式(7)概率值选择下一跳节点v。
其中,η(u,v,d)和ω(u,v,d)为启发函数,表示链路(u,v)的可视性;α,β和γ分别为信息素浓度和启发函数的权重参数。这里考虑网络平均时延和绿色采集能量使用率,分别定义启发函数η(u,v,d)和ω(u,v,d)如公式(8)和(9)所示:
η(u,v,d)=1/du,v (8)
其中,du,v为节点u和v之间的物理距离;Ev和El分别为节点v和节点l中电池存储的剩余绿色采集能源量,或者简称为电池的绿色能源剩余量。
②信息素更新规则
按蚁群算法规则,当前向探索蚂蚁到达目的节点后,目的节点生成后向探索蚂蚁,该蚂蚁沿着后向路径返回源节点,对所经过链路上的信息素进行局部更新,如公式(10)所示。信息素局部更新机制可以扩大可行解的搜索范围,依此蚂蚁可充分利用留在链路上的信息素信息探索最优解,避免算法过早陷入局部次优解。
τt+1(u,v,d)=(1-ρ)τt(u,v,d)+ρτ0 (10)
其中,ρ(0<ρ<1)为局部信息素挥发系数;τ0为信息素初始值。
此外,当所有前向管理蚂蚁抵达目的节点,全局信息素更新机制启动。首先,计算由各个蚂蚁建立的各条路径的评估函数Vk,如公式(11)所示;然后依据公式(12)和(13)对链路(u,v)上信息素τt(u,v,d)进行全局更新。
τt+1(u,v,d)=(1-δ)τt(u,v,d)+δΔτt(u,v,d) (12)
其中,Pu b和Pu g分别表示电池和电网分配的发送功率;为路径Pk上传输的总比特数;wu,v为链路(u,v)的带宽。δ(0<δ<1)为全局信息素挥发系数。若链路(u,v)属于全局最优路径,则链路上的信息素增量为Δτt(u,v,d),该增量与最优路径的评估函数值成比例。根据公式(10)、(11)、(12)和(13),信息素分别进行局部和全局更新,从而促进蚂蚁扩大全局最优解搜索范围,避免过早陷入局部次优解。通过正反馈迭代机制,极大的加快了算法求解的收敛速度。
2)基于MDP的内嵌资源管理模块
众所周知,MDP已经被用来解决多种无线网络问题,其中决策者需要对环境的动态性进行评估,并且考虑当前行为对未来状态的影响。这里运用MDP建模、捕捉网络的动态性,如时变的信道状态,随机的绿色能源采集量和多样的数据业务。这里研究在能量采集辅助的无线Mesh回传网络中,将传输速率控制、功率分配及带宽调整建模为一个满足电网所耗功率时间平均值约束的且面向时延最小化的基于MDP联合随机优化问题。定义如下:
Fu(t)≤Qu(t) (15b)
Pu b(t)τ≤Eu(t) (15c)
其中,表示对括号内变量求均值;Pu g(t)为电网提供的发射功率。并定义电池和电网分配发射功率如公式(16):
P(Fu(t))=Pu b(t)+Pu g(t) (16)
这里,基于MDP的内嵌资源管理模块在每个数据转发节点由前向管理蚂蚁触发执行。按照典型MDP所定义的,一个完整的MDP由状态空间行为空间转移概率和收益函数四部分组成。下面,这里对基于MDP的内嵌资源管理模块中主要的元素进行定义与描述。
①状态空间
这里定义MDP状态空间包括动态信道增益、缓存队列长度、上层应用数据包产生数目、电池存储能量和绿色能源采集量。因此,定义节点u在时刻n的状态如下式:
su(n)=(Gu,v(n),Qu(n),Au(n),Eu(n),Hu(n)) (17)
②行为空间
这里定义MDP行为空间由传输速率调整和电池能量分配两者组成,定义节点u在时刻n的行为如下式:
au(n)=(Fu(n),Pu b(n)) (18)
③状态转移概率
这里定义为节点u由时刻n状态向时刻n+1状态转移的概率。第一,这里假设信道增益状态服从有限状态的马尔可夫信道模型,其状态转移概率如公式(1)所示。第二,这里假设数据包到达和绿色能源采集为相互独立的马尔可夫过程。基于以上两点假设,这里定义状态转移概率如下所示:
其中,为信道增益转移概率;为数据包到达状态转移概率;为绿色能源采集状态转移概率;为节点缓存队列长度和节点电池存储能量状态转移概率。
④收益函数
由于这里所提的基于MDP的内嵌资源管理模块以最小化传输时延为优化目标,因此定义传输速率控制、带宽调整和绿色能源分配联合随机优化问题的收益函数与节点缓存队列长度成比例。如下所示:
⑤最优策略πu *
基于以上假设和定义,这里定义基于MDP的内嵌资源管理模块最优策略解πu *如式(21)所示。策略πu表示了状态空间到行为空间的映射
综述所述,这里将传输速率控制和绿色能源分配联合随机优化问题建模为一个有约束的马尔科夫决策过程(A Constrained Markov Decision Progress,简记为CMDP)寻找在满足长期平均电网功率有限的约束条件下,最小化平均缓存时延的最优策略(包括:最优传输速率控制、带宽调整和绿色能源分配)。
于是,根据以上求得的最优传输速率和香农公式,这里可确定链路(u,v)最优带宽等级如公式(24)所示。
以上即为对于ACO的节能路由问题和基于MDP的内嵌资源管理问题的具体描述,其问题的求解如下所述:
第一,基于ACO的节能路由问题,这里遵循蚁群优化算法执行步骤,按定义的启发函数和评估函数,信息素局部和全局更新机制,通过正反馈迭代得到最终算法收敛的最优解,即最优路径。
第二,基于MDP的内嵌资源管理问题,这里使用拉格朗日乘子法将CMDP转化为无约束的MDP。
由于考虑求解无约束的MDP公式的复杂度较高,这里采用低复杂度的启发式算法求解该问题,从而获得最优传输速率和分配绿色能源量。在求解过程中,首先保证在每一时隙内电网能源使用量低于系统要求的平均电网能耗上限值;其次最大限度的传输数据包,并基于贪婪算法分配绿色能源;最终获得最小化缓存时延的最优传输速率、带宽和绿色能源使用率。
本发明实施例具体来说具有以下优点:
第一,本发明充分利用绿色通信特征,为网络节点部署能源采集装置,实现提高网络绿色能源利用率的目的。
第二,充分考虑动态的信道状态信息、多样通信业务带宽需求和不稳定的绿色能源采集量,本发明提出一种基于蚁群优化算法和马尔可夫决策过程的路由、带宽资源管理和绿色能量分配的联合优化方法。根据蚁群优化算法,将节点剩余绿色能量、队列长度和综合性能评估函数统一量化为路径上的信息素,蚂蚁通过路径信息素间接通信,协同寻找满足要求的网络最优路径。此外,假设信道增益为独立的马尔可夫链,通信量到达和绿色能源采集模型化为马尔可夫过程,将关于传输速率控制、绿色能源分配和带宽资源管理联合优化建模为基于马尔可夫决策过程的随机优化问题,通过求解得到满足电网所耗功率时间平均值约束条件的最优资源管理方案。通过ACO和MDP的运用,很好的解决了动态网络环境下路由和资源管理联合优化的问题,实现网络吞吐量、传输时延、频谱利用率和绿色能量效率各方面的优化。
第三,为达到ACO与MDP的有效融合,本发明将MDP嵌入在ACO中,定义了四类蚂蚁代理解决联合蚁群优化算法与马尔可夫决策过程的随机优化问题。这四类蚂蚁代理分别为前向探索蚂蚁,主要负责路径建立;后向探索蚂蚁,主要负责信息素局部更新和路由表的建立;前向管理蚂蚁,主要负责执行基于MDP的内嵌资源管理模块,完成传输速率控制、绿色能源分配和带宽资源调整;后向管理蚂蚁,主要负责信息素全局更新和全局最优方案确定。
针对现有技术中基于蚁群优化算法的路由协议仅考虑路由跳数等因素,而且缺少可以再加入其他考虑因素的设计这一不足,本发明在信息素更新机制和选择概率的表达上留有了可以添加其他因素的空间,如上述实例中的算法就综合考虑了网络绿色能源、带宽资源利用率、节点绿色能源剩余量、节点间传输干扰和链路传输速率这些因素。针对现有蚁群算法自身存在收敛速度慢和易陷入局部次优解的缺点,本发明以局部和全局的信息素更新机制扩大了可行解的范围,避免了蚁群算法的过快收敛。
上面提供一种无线多跳回传网络的节能路由选择与资源管理联合优化方法,该方法将蚁群优化算法应用于MHWBN的寻路问题中,并使用马尔可夫决策过程解决动态网络环境下资源管理问题,提出了一种可以充分考虑物理层链路实际情况的路由与资源管理联合优化机制,有利于实现以较小的路由维护开销达到较高的网络整体性能。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种无线多跳回传网络中的路由建立方法,其特征在于,该方法包括:
步骤S1:为每条邻居节点间的路径设定该路径上信息素浓度的初始值,并存储于所有节点共用的信息素表中;
步骤S2:根据输入的源节点与目的节点在所述源节点生成前向探索蚂蚁集合,每只所述前向探索蚂蚁按照选择概率不停地选择并移动到下一个邻居节点直到到达所述目的节点;其中,任意两个邻居节点间路径的所述选择概率正相关于该路径上的信息素浓度,负相关于两邻居节点间的物理距离;
步骤S3:在每只前向探索蚂蚁到达目的节点后在目的节点生成反向探索蚂蚁,所述反向探索蚂蚁沿相同路径反向回到源节点,同时按固定比例或固定值增加其所经过路径上的信息素浓度,并建立对应于该路径的路由表;
步骤S4:在每只所述反向探索蚂蚁到达源节点后,在源节点生成前向管理蚂蚁,所述前向管理蚂蚁沿相同路径回到目的节点,同时基于有约束的马尔可夫决策过程对节点参数进行自适应调整,所述节点参数包括节点的传输速率、带宽等级和发射功率。
2.根据权利要求1所述的方法,其特征在于,每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用。
3.根据权利要求2所述的方法,其特征在于,所述任意两个邻居节点间路径的所述选择概率进一步正相关于下一节点中所述电池中的绿色能源剩余量。
4.根据权利要求3所述的方法,其特征在于,每只所述前向探索蚂蚁在节点u处从节点u的邻居节点集合Nu中选择下一个节点的所述选择概率
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&beta;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&beta;</mi>
</msup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>&gamma;</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,τ(u,v)为所述信息素表中从节点u到节点v路径上的信息素浓度,
du,v为节点u与节点v之间的所述物理距离,Ev或El为节点v或节点l的所述电池中的绿色能源剩余量,α、β、γ为大于零的预设参数。
5.根据权利要求1所述的方法,其特征在于,所述步骤S3还包括:所述反向探索蚂蚁沿相同路径反向回到源节点时,同时按固定比例减少其所经过路径上的信息素浓度。
6.根据权利要求1所述的方法,其特征在于,所述方法在步骤S4之后还包括:
步骤S5:在每只所述前向管理蚂蚁到达目的节点后,在目的节点生成后向管理蚂蚁,所述后向管理蚂蚁沿相同路径回到源节点,同时根据收集的节点参数按预定的评估规则找到源节点与目的节点之间的最优路径,并以固定比例或固定值增加该最优路径上的信息素浓度并以固定比例减小网络中其余所有路径上的信息素浓度。
7.根据权利要求1所述的方法,其特征在于,所述有约束的马尔可夫决策过程的状态空间包括动态信道增益、缓存队列长度和上层应用数据包产生数目;
所述有约束的马尔可夫决策过程的行为空间包括传输速率调整。
8.根据权利要求1所述的方法,其特征在于,所述自适应管理的目标为满足功率约束条件下使网络时延最小;
所述功率约束条件包括电网所耗功率时间平均值不大于网络所能提供的总平均电网功率。
9.根据权利要求1所述的方法,其特征在于,每个节点都包括绿色能源采集装置,用于采集绿色能源存储至电池中以供节点使用;
所述节点参数还包括由电网提供的发射功率与所述电池提供的发射功率分配量;
所述有约束的马尔可夫决策过程的状态空间包括所述电池的绿色能源剩余量;
所述有约束的马尔可夫决策过程的行为空间包括调整发射功率中由电网提供的发射功率与所述电池提供的发射功率的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410201545.9A CN104168620B (zh) | 2014-05-13 | 2014-05-13 | 无线多跳回传网络中的路由建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410201545.9A CN104168620B (zh) | 2014-05-13 | 2014-05-13 | 无线多跳回传网络中的路由建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104168620A CN104168620A (zh) | 2014-11-26 |
CN104168620B true CN104168620B (zh) | 2018-03-09 |
Family
ID=51912207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410201545.9A Active CN104168620B (zh) | 2014-05-13 | 2014-05-13 | 无线多跳回传网络中的路由建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104168620B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827387A (zh) * | 2018-07-03 | 2018-11-16 | 深圳市晟达机械设计有限公司 | 机械设备智能实时监测系统 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407535B (zh) * | 2015-10-22 | 2019-04-09 | 东南大学 | 一种基于约束马尔可夫决策过程的高能效资源优化方法 |
CN105530678B (zh) * | 2015-12-14 | 2019-01-25 | 北京邮电大学 | 一种超密集网络中基于负载和时延的无线回程路由选择方法 |
CN105704031B (zh) * | 2015-12-30 | 2019-05-17 | 东软集团股份有限公司 | 一种数据传输路径确定方法及装置 |
CN105722205B (zh) * | 2016-02-01 | 2019-03-05 | 东南大学 | 一种超密集异构网络能量有效资源分配方法 |
CN105722203B (zh) * | 2016-02-02 | 2019-01-18 | 东南大学 | 大规模天线系统基于粒子群算法的高能效功率分配方法 |
CN106304244B (zh) * | 2016-08-15 | 2019-06-07 | 北京邮电大学 | 一种多跳蜂窝网络的低能耗传输方法与装置 |
US10171214B2 (en) | 2016-09-29 | 2019-01-01 | At&T Intellectual Property I, L.P. | Channel state information framework design for 5G multiple input multiple output transmissions |
US10206232B2 (en) | 2016-09-29 | 2019-02-12 | At&T Intellectual Property I, L.P. | Initial access and radio resource management for integrated access and backhaul (IAB) wireless networks |
US10158555B2 (en) | 2016-09-29 | 2018-12-18 | At&T Intellectual Property I, L.P. | Facilitation of route optimization for a 5G network or other next generation network |
US10602507B2 (en) | 2016-09-29 | 2020-03-24 | At&T Intellectual Property I, L.P. | Facilitating uplink communication waveform selection |
US10644924B2 (en) | 2016-09-29 | 2020-05-05 | At&T Intellectual Property I, L.P. | Facilitating a two-stage downlink control channel in a wireless communication system |
US10355813B2 (en) | 2017-02-14 | 2019-07-16 | At&T Intellectual Property I, L.P. | Link adaptation on downlink control channel in a wireless communications system |
CN109120523B (zh) * | 2017-06-23 | 2021-12-14 | 阿里巴巴集团控股有限公司 | 多节点路径选择方法、装置、云平台资源调度方法及装置 |
CN109062682B (zh) * | 2018-06-29 | 2021-07-06 | 广东工业大学 | 一种云计算平台的资源调度方法和系统 |
CN108834095A (zh) * | 2018-07-03 | 2018-11-16 | 深圳大图科创技术开发有限公司 | 海洋气象信息感知系统 |
CN111065105B (zh) * | 2019-12-30 | 2021-06-11 | 电子科技大学 | 一种面向无人机网络切片的分布式智能路由方法 |
CN111698752A (zh) * | 2020-06-10 | 2020-09-22 | 山东奥深智能工程有限公司 | 通过智能寻路进行物联网节点唤醒的系统及方法 |
CN111786881A (zh) * | 2020-06-29 | 2020-10-16 | 东方红卫星移动通信有限公司 | 一种用于动态网络的数据传输路径搭建方法及网络系统 |
CN113191682B (zh) * | 2021-05-24 | 2022-07-29 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5293426B2 (ja) * | 2009-06-09 | 2013-09-18 | ソニー株式会社 | 通信方法、情報処理装置、およびプログラム |
-
2014
- 2014-05-13 CN CN201410201545.9A patent/CN104168620B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于蚁群算法的无线传感器网路路由算法;朱程辉等;《网络与通信》;20110810;正文第68-69页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827387A (zh) * | 2018-07-03 | 2018-11-16 | 深圳市晟达机械设计有限公司 | 机械设备智能实时监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104168620A (zh) | 2014-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104168620B (zh) | 无线多跳回传网络中的路由建立方法 | |
CN103052129B (zh) | 一种无线多跳中继网络中节能路由及功率分配方法 | |
CN106817738B (zh) | 一种基于联盟博弈的路由方法 | |
CN111988796B (zh) | 基于双模通信的台区信息采集业务带宽优化系统及方法 | |
CN108540204B (zh) | 利用快速收敛蚁群算法的卫星网络拓扑生成方法 | |
CN101695179B (zh) | Dtn或icn网络上自适应变概率转发消息的方法 | |
Cai et al. | ACO based QoS routing algorithm for wireless sensor networks | |
CN108183823A (zh) | 一种数据中心网络中多资源复用与配置的方法 | |
CN105246117B (zh) | 一种适用于移动无线传感网的节能路由协议的实现方法 | |
Bi et al. | An ant colony optimization-based load balancing routing algorithm for wireless multimedia sensor networks | |
CN104883676A (zh) | 一种多无人机环境下协同安全通信方法 | |
Fu et al. | Reinforcement learning-based algorithm for efficient and adaptive forwarding in named data networking | |
CN104994508A (zh) | 一种认知无线mesh网络资源分配及路由方法 | |
CN110267321A (zh) | 三维场景中的贪婪多播路由协议设计方法 | |
Dou et al. | Design and simulation of self-organizing network routing algorithm based on Q-learning | |
Sensarma et al. | A comparative analysis of the ant based systems for QoS routing in MANET | |
Chaba et al. | Performance evaluation and analysis of cluster based routing protocols in manets | |
Vijayan et al. | Enhancing Energy Efficiency of Routing Protocol through Cross Layer Interactions in MANET | |
Gao et al. | A novel node-disjoint multipath routing protocol for wireless multimedia sensor networks | |
Ilyas et al. | A survey on the fundamental and advanced mobile ad hoc network routing protocols | |
Kiki et al. | Improved AOMDV Routing Protocol in Manet UAV Based on Virtual Hop | |
Li et al. | A MANET accessing Internet routing algorithm based on dynamic gateway adaptive selection | |
Gu et al. | Improved Design of Computer Network Based on Ant Colony Algorithm | |
Dhurandher et al. | Ant colony optimization-based congestion control in ad-hoc wireless sensor networks | |
Hu et al. | A Two-level clustering chain energy heterogeneous routing protocol for WSN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |