CN105704778B - 一种具有拓扑感知的移动对等网络聚集域划分方法 - Google Patents
一种具有拓扑感知的移动对等网络聚集域划分方法 Download PDFInfo
- Publication number
- CN105704778B CN105704778B CN201610016447.7A CN201610016447A CN105704778B CN 105704778 B CN105704778 B CN 105704778B CN 201610016447 A CN201610016447 A CN 201610016447A CN 105704778 B CN105704778 B CN 105704778B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- aggregation domain
- node
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/246—Connectivity information discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1042—Peer-to-peer [P2P] networks using topology management mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种具有拓扑感知的移动对等网络聚集域划分方法，该方法包括，步骤S100，确定聚集域初始聚类中心；步骤S200，建立聚集域划分优化目标数学模型；步骤S300，对聚集域划分优化模型进行求解；步骤S400，输出聚集域划分结果。本发明具有物理网络拓扑感知特性，能够根据物理网络节点位置，将距离相近的节点划分到一个聚集域中，从而有效解决了移动对等网络中由于移动对等覆盖层与底层物理网络拓扑不匹配导致的网络性能下降、数据传输低效的问题，有效降低网络拓扑维护开销和用户数据获取时延。
Description
技术领域
本发明涉及移动对等网络技术领域，尤其涉及一种具有拓扑感知的移动对等网络聚集域划分方法。
背景技术
随着移动网络和智能便携终端的快速发展和普及，以及对等技术在Internet上获得的巨大成功，使得研究人员将目光转向具有分布式更强、参与性更广、更具有对等自治特征的移动计算领域，提出了移动对等网络这一全新的研究领域。移动对等网络(MobilePeer-to-Peer，MP2P)又称移动P2P网络，是一种动态的、分布式和自组织的叠加在网络层之上的会话层覆盖网络，能够利用多种带宽和服务质量的底层接入技术，移动设备以点对点的方式交互、共享的协作处理模式。与传统对等网络相比，移动对等网络具有网络动态性高、节点资源受限、无线通信环境恶劣等特点，对移动对等网络的研究和应用都提出了更高的挑战。作为一种新兴的移动数据通信方式，移动对等网络以其具有的无中心、自组织等特性，为人们提供了一种在无基础设施支持的无线环境下进行数据传输的解决方案，在军事战场、抢险救灾以及用户信息共享等领域有着广阔的应用前景和重要的实用价值。
在移动对等网络中，由于节点移动性使得移动对等网络的覆盖层拓扑变化频繁，会出现覆盖网中的“逻辑”邻居在物理网络中可能相距甚远，即网络拓扑不匹配问题，导致拓扑维护开销增大，数据传输延迟增大，消耗大量宝贵的带宽，使整个网络工作效率降低。具有拓扑感知的聚集域划分是解决拓扑不匹配问题的有效方法，即根据移动节点在物理网络中的邻近关系将节点进行聚类，使得物理位置邻近的移动节点在覆盖网中也具有邻近特性，从而达到提高移动对等网络工作效率及服务质量的目的。
已有的聚类方法主要存在以下三个方面问题：
(1)聚类域个数k一般很难预先知道，因此如何确定聚类个数是一个难点；
(2)已有的聚类方法对初始聚类中心非常敏感，如果初始聚类中心选取不当可能会导致结果收敛到局部最优解；
(3)已有的聚类方法迭代次数过多导致运算量非常大，收敛速度较慢，并不适用于节点能力受限的移动对等网络。
发明内容
为解决现有技术中存在的问题，本发明公开了一种具有拓扑感知的移动对等网络聚集域划分方法，将物理位置邻近的节点划分到一个虚拟聚集域中，使得构建的移动对等覆盖网能够最大程度地保持与物理网络的匹配关系，从而有效解决移动对等网络拓扑不匹配导致的网络性能下降，提高网络数据传输效率，降低网络维护开销。
本发明的具体技术方案如下：
一种具有拓扑感知的移动对等网络聚集域划分方法，其特征在于，包括以下步骤：
步骤S100，确定聚集域的初始聚集域中心节点，进一步包括以下步骤：
步骤S110，确定节点密度参数的半径MeanDist(V)：
其中，n为网络中节点总数，(xi,yi)表示网络中第i个节点vi的坐标，(xj,yj)表示网络中第j个节点vj的坐标；
步骤S120，对网络中每一个节点vi，以其自身为中心，以MeanDist(V)为半径，计算该区域的节点密度参数density(vi)：
其中，vi为网络中第i个节点，vj为节点vi密度参数半径内的第j个节点，其中，z＝MeanDist(V)-d(vi-vj)，d(vi-vj)表示节点vi到节点vj的距离；
步骤S130，选取density(vi)最大的前k个节点作为初始聚集域中心节点；
步骤S200，建立移动对等网聚集域划分评价指标，进一步包括以下步骤：
步骤S210，建立移动对等网聚集域划分有效性函数，计算公式为：
其中，k为聚集域个数，nj为第j个聚集域中节点个数；表示j个聚集域中的节点vi，si为第i个聚集域的聚集域中心节点，sj为第j个聚集域的聚集域中心节点，||·||表示两个节点之间的欧式距离，计算公式为：
其中，(xi,yi)表示第一个节点的坐标，(xj,yj)表示第二个节点的坐标；
表示任意两个聚集域的聚集域中心节点间距离平方的最小值；
步骤S220，建立约束条件，计算公式为：
ci≠V
其中，ci代表第i个聚集域，ci是若干个网络节点的集合，V为网络节点集合，为空集；
步骤S300，对聚集域划分优化模型进行求解，具体方法为：
对于给定网络节点集合V，根据步骤S100所确定的k个初始聚集域中心节点，对于不同的k值，计算步骤S210所述的S值，在满足步骤S220所述的约束条件的前提下，当S取极小值时，即是最终的最优聚集域划分结果；
步骤S400，输出具有拓扑感知的聚集域划分结果{c1,c2,...,ck}，且满足：
本发明公开的一种具有拓扑匹配的移动对等网络聚集域划分方法，其特点在于，充分考虑了节点物理位置的邻近关系，将物理位置邻近的节点划分到一个聚集域内，从而有效解决移动对等覆盖网拓扑不一致导致的网络性能下降的问题，能够减少网络拓扑维护开销，提高网络数据传输效率，提高网络可扩展性，所公开的聚集域划分算法具有设计简单，时间复杂度低，适用于节点计算能力和电池电量受限的移动对等网络。
下面通过附图和具体实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明的最终聚集域划分效果图。
图2是本发明与FCM分簇方法目标函数值与迭代次数绘制的曲线对比图。
图3是本发明与FCM方法性能对比图。
具体实施方式
为使本发明的目的、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做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。
本发明实施例提供了一种具有拓扑感知的移动对等网络聚集域划分方法，包括以下步骤：
步骤S100，确定聚集域的初始聚集域中心节点，进一步包括以下步骤：
步骤S110，确定节点密度参数的半径MeanDist(V)：
其中，n为网络中节点总数，(xi,yi)表示网络中第i个节点vi的坐标，(xj,yj)表示网络中第j个节点vj的坐标；
步骤S120，对网络中每一个节点vi，以其自身为中心，以MeanDist(V)为半径，计算该区域的节点密度参数density(vi)：
其中，vi为网络中第i个节点，vj为节点vi密度参数半径内的第j个节点，其中，z＝MeanDist(V)-d(vi-vj)的差值，d(vi-vj)表示节点vi到节点vj的距离。
步骤S130，选取density(vi)最大的前k个节点作为初始聚集域中心节点；
对于k个聚集域，假设聚集域中心节点为s1,s2,…,sk。
聚集域划分效果的优劣可以通过有效性函数进行判断，通过两个指标进行评价，即聚类紧密度和分离度。本发明专利公开了一种新的适用于移动对等网络聚集域划分的有效性评价函数。
步骤S200，建立聚集域划分优化目标数学模型，首先给出相关定义：
定义1：聚集域紧密度函数comp，计算公式为：
其中，k为聚集域个数，nj为第j个聚集域中节点个数，表示j个聚集域中的节点，sj为第j个聚集域的聚类中心节点，||·||表示两个节点之间的欧式距离，计算公式为：
其中，xi,yi表示第一个节点的坐标，xj,yj表示第二个节点的坐标；
显然，comp值越小，聚集域内节点紧密度越好。
定义2：定义聚集域分离度函数sep，计算公式为：
其中，si，sj为聚集域中心节点，表示任意两个聚集域的聚集域中心节点间距离平方的最小值。
分离度体现的是聚集域间分离程度，当分离度较大时，意味着聚集域间的距离较远。
定义3：定义聚集域划分有效性评价函数，为各聚集域的紧密度和分离度之比，即
显然，当聚集域紧密度越小(分子comp)时，说明聚集域内节点紧密度好，聚集域划分效果越好；而分母(sep)聚集域分离度越大时，说明各个聚集域间的分离度越大，则聚集域划分效果越好，因此，当S取极小值时，表明网络聚集域划分达到最优。
基于以上定义，建立移动对等网络聚集域划分数学优化模型，公式为：
ci≠V (5)
其中，k为聚集域个数，nj为第j个聚集域中节点个数；表示j个聚集域中的节点vi，sj为第j个聚集域的聚类中心节点，si为第i个聚集域的聚类中心节点，ci代表第i个聚集域，V为网络节点集合，为空集，；
式(1)表示聚集域划分有效性函数，当其取最小值时，网络划分达到最优，并且对应的k即为最优的聚集域划分个数；式(2)-式(5)为约束条件，约束条件式(2)保证了网络中所有节点均已划分到各个聚集域中，不存在孤立节点，ci代表任意一个聚集域，V为网络节点集合；约束条件式(3)表示每个节点属于且仅属于一个聚集域中；约束条件式(4)和式(5)保证网络不会划分成一个聚集域或者是空集。
步骤S300，对聚集域划分优化模型进行求解，可以采用遗传算法、蚁群算法等智能仿生算法进行模型求解。优选的，本实施例给出一种求解算法：
输入：网络节点集合V；
输出：具有拓扑感知的聚集域划分结果{c1,c2,...,ck}；
步骤S310，初始化参数：V,n,t,S(0),ε，其中，V网络节点集合，n为网络节点个数，t为迭代次数，ε为程序终止参数；
步骤S320，令k＝2到选取density(vi)最大的前k个节点作为初始聚集域中心节点；
步骤S330，针对k的每一个取值，计算其它节点到选定的k个初始聚集域中心节点的距离，将节点归入到距离较近的初始聚类中心所属的聚集域内；
步骤S340，如果两次迭代结果的差值小于程序终止参数ε，即(|S(t)-S(t-1)|＜ε)，则程序结束，否则，转到步骤S320；
步骤S400，输出具有拓扑感知的聚集域划分结果{c1,c2,...,ck}。
本发明的效果通过以下仿真实验进一步说明：
采用Matlab作为仿真工具，实现了本发明专利提出的具有拓扑感知的移动对等网络聚集域划分方法(CDA)和FCM算法，并对其节点聚集域划分性能进行了对比分析。仿真区域设置为1000×1000的矩形区域，采用通用的拓扑生成器Brite，随机生成50个网络节点以及节点之间的延迟和拓扑数据，来模拟底层物理网络拓扑。节点在区域内可以随机移动，移动模型采用RandomWaypoint模型，假设所有节点的无线发射半径均相同。为了确保对比实验的公平性，所有实验都是在相同的模拟环境下运行的。
在仿真实验中，最大迭代次数设置为70次，程序终止条件设置为1e-4。通过仿真实验，可以发现，CDA算法和FCM算法最终都达到了较满意的聚集域划分结果，CDA和FCM两种方法最终都将网络中的节点划分为5个聚集域，且结果差别不大，这里只给出了CDA的最终聚集域划分效果图，如图1所示。
下面考察算法的执行速度。图2是目标函数值与迭代次数绘制的曲线图，从图中可以看出，本发明专利提出的CDA算法大约在第10次迭代时就获得了较好的结果，这主要是由于CDA算法首先采用了减法聚类产生了可能的聚类中心，而且降低了网络最大可能的聚类数目的上限，从而也提高了算法执行速度。而FCM算法由于随机选择初始聚类中心，其聚类效果相对较差，并且由于可能产生的最大聚类数目较高，导致算法迭代次数过多，因此，其执行速度远远要落后与本发明专利提出的CDA算法。另外，从最优解的取值来看，CDA也要优于FCM算法，这是由于本发明专利采取了新的聚类评价性目标函数。在多次不同参数设置的情况下进行的实验结果显示，当CDA和FCM最终确定的聚集域划分个数相同的情况下，并且FCM没有陷入局部最优的情况下，二者都能够正确划分聚集域，并且结果基本相同。但是在算法执行时间上看，本发明专利提出的CDA则要远远高于FCM，而FCM要经过多次迭代才可能获得最终解。但是，当CDA和FCM最终确定的聚集域划分个数不相同的情况下，绝大多数情况下CDA得到的解优于FCM算法。实验结果显示，本发明专利提出的CDA算法无论是迭代次数还是目标函数值都要优于FCM算法。显然，对于移动对等网络来讲，本发明专利提出的CDA算法具有迭代次数少，执行效果好的特点，对于实时性要求较高的场合，则可以通过迭代较少的次数而获得相对较优的聚类结果，从而达到快速聚类的目的，大大减少了移动对等网络在聚类过程中所需的通信开销，更适用于高动态网络环境。
图3是CDA和FCM两种算法性能对比图。从图3可以看出，CDA算法的目标函数值最小，并且正确率最高，达到95.7％，并且在迭代次数40次的时候，已经达到最优解，取得性能优势的主要原因在于采取了基于密度的初始聚类中心的预处理方法，从而避免了初始聚类中心随机选择而带来的聚类盲目性，因此，可以较迅速的获得较优的解，该算法具有时间复杂度低等特点，适用于移动对等网络节点计算和存储资源受限的情况。
最后应当说明的是：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 (2)
1.一种具有拓扑感知的移动对等网络聚集域划分方法，其特征在于，包括以下步骤：
步骤S100，确定聚集域的初始聚集域中心节点，进一步包括以下步骤：
步骤S110，确定节点密度参数的半径MeanDist(V)：
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，n为网络中节点总数，(xi,yi)表示网络中第i个节点vi的坐标，(xj,yj)表示网络中第j个节点vj的坐标；
步骤S120，对网络中每一个节点vi，以其自身为中心，以MeanDist(V)为半径，计算该区域的节点密度参数density(vi)：
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>s</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
<mo>-</mo>
<mi>d</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，vi为网络中第i个节点，vj为节点vi密度参数半径内的第j个节点，其中，z＝MeanDist(V)-d(vi-vj)，d(vi-vj)表示节点vi到节点vj的距离；
步骤S130，选取density(vi)最大的前k个节点作为初始聚集域中心节点；
步骤S200，建立移动对等网聚集域划分评价指标，进一步包括以下步骤：
步骤S210，建立移动对等网聚集域划分有效性函数，计算公式为：
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中，k为聚集域个数，nj为第j个聚集域中节点个数；表示j个聚集域中的节点vi，si为第i个聚集域的聚集域中心节点，sj为第j个聚集域的聚集域中心节点，||·||表示两个节点之间的欧式距离，计算公式为：
<mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，(xi,yi)表示第一个节点的坐标，(xj,yj)表示第二个节点的坐标；
表示任意两个聚集域的聚集域中心节点间距离平方的最小值；
步骤S220，建立约束条件，计算公式为：
<mrow>
<munderover>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>V</mi>
</mrow>
ci≠V
其中，ci代表第i个聚集域，ci是若干个网络节点的集合，V为网络节点集合，为空集；
步骤S300，对聚集域划分优化模型进行求解，具体方法为：
对于给定网络节点集合V，根据步骤S100所确定的k个初始聚集域中心节点，对于不同的k值，在满足步骤S220所述的约束条件的前提下，计算步骤S210所述的S值，当S取极小值时，即是最终的最优聚集域划分结果；
步骤S400，输出具有拓扑感知的聚集域划分结果{c1,c2,...,ck}，且满足：
<mrow>
<munderover>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>V</mi>
<mo>.</mo>
</mrow>
2.如权利要求1所述的一种具有拓扑感知的移动对等网络聚集域划分方法，其特征在于，步骤S300可以采用遗传算法、蚁群算法等智能仿生算法进行模型求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016447.7A CN105704778B (zh) | 2016-01-11 | 2016-01-11 | 一种具有拓扑感知的移动对等网络聚集域划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016447.7A CN105704778B (zh) | 2016-01-11 | 2016-01-11 | 一种具有拓扑感知的移动对等网络聚集域划分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105704778A CN105704778A (zh) | 2016-06-22 |
| CN105704778B true CN105704778B (zh) | 2018-04-17 |
Family
ID=56226187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610016447.7A Expired - Fee Related CN105704778B (zh) | 2016-01-11 | 2016-01-11 | 一种具有拓扑感知的移动对等网络聚集域划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105704778B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109688540B (zh) * | 2018-12-27 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种Ad Hoc网络物理拓扑非协作式推断系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101022462A (zh) * | 2007-03-16 | 2007-08-22 | 云南大学 | 一种增大无线传感器网络监测范围的方法 |
| CN101409681A (zh) * | 2008-11-24 | 2009-04-15 | 北京交通大学 | 基于节点梯次移动的新型无线传感器网络节能路由算法 |
| CN101774391A (zh) * | 2009-12-31 | 2010-07-14 | 华南理工大学 | 一种用于铁路交通的无线传感网的拓扑控制方法 |
| CN101854666A (zh) * | 2010-04-27 | 2010-10-06 | 南京工业大学 | 一种自定义的无线传感器网络跨区多跳路由方法 |
-
2016
- 2016-01-11 CN CN201610016447.7A patent/CN105704778B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101022462A (zh) * | 2007-03-16 | 2007-08-22 | 云南大学 | 一种增大无线传感器网络监测范围的方法 |
| CN101409681A (zh) * | 2008-11-24 | 2009-04-15 | 北京交通大学 | 基于节点梯次移动的新型无线传感器网络节能路由算法 |
| CN101774391A (zh) * | 2009-12-31 | 2010-07-14 | 华南理工大学 | 一种用于铁路交通的无线传感网的拓扑控制方法 |
| CN101854666A (zh) * | 2010-04-27 | 2010-10-06 | 南京工业大学 | 一种自定义的无线传感器网络跨区多跳路由方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105704778A (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
| CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
| CN112367353A (zh) | 基于多智能体强化学习的移动边缘计算卸载方法 | |
| CN110883776B (zh) | 一种快速搜索机制下改进dqn的机器人路径规划算法 | |
| CN107528650B (zh) | 一种基于gcv-rbf神经网络的认知无线电网络频谱的预测方法 | |
| CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
| CN108171315A (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
| CN106647272A (zh) | 基于k均值改进卷积神经网络的机器人路径规划方法 | |
| CN106603309A (zh) | 一种基于超网络的指控网络分层演化方法 | |
| CN110062389A (zh) | 基于改进差分进化算法的传感器网络节点优化部署方法 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| CN108416392A (zh) | 基于som神经网络的建筑物聚类方法 | |
| CN112417770B (zh) | 一种基于多模态多目标粒子群优化算法的选址优化方法 | |
| CN109977972A (zh) | 一种基于step的智能特征识别方法 | |
| CN108242961A (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
| CN111818535B (zh) | 一种融合多种群优化算法的无线局域网三维优化部署方法 | |
| CN107578101B (zh) | 一种数据流负载预测方法 | |
| CN113037546A (zh) | 基于深度强化学习的安全性虚拟网络映射方法 | |
| CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
| CN106358300A (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
| CN111157002B (zh) | 基于多智能体进化算法的飞行器3d路径规划方法 | |
| CN117098189A (zh) | 一种基于gat混合动作多智能体强化学习的计算卸载和资源分配方法 | |
| Dehni et al. | Power control and clustering in wireless sensor networks | |
| CN115297484A (zh) | 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法 | |
| CN105704778B (zh) | 一种具有拓扑感知的移动对等网络聚集域划分方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180417 Termination date: 20220111 |