CN107148064B - 一种基于粒子群的车载网络路由路径优化方法 - Google Patents

一种基于粒子群的车载网络路由路径优化方法 Download PDF

Info

Publication number
CN107148064B
CN107148064B CN201710339416.XA CN201710339416A CN107148064B CN 107148064 B CN107148064 B CN 107148064B CN 201710339416 A CN201710339416 A CN 201710339416A CN 107148064 B CN107148064 B CN 107148064B
Authority
CN
China
Prior art keywords
node
path
value
begin
nodes
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
Application number
CN201710339416.XA
Other languages
English (en)
Other versions
CN107148064A (zh
Inventor
陈志�
王福星
岳文静
刘星
龚凯
金广华
掌静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Wishare Information Technology Co ltd
Original Assignee
Nanjing Wishare Information Technology Co ltd
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Wishare Information Technology Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing Wishare Information Technology Co ltd
Priority to CN201710339416.XA priority Critical patent/CN107148064B/zh
Publication of CN107148064A publication Critical patent/CN107148064A/zh
Application granted granted Critical
Publication of CN107148064B publication Critical patent/CN107148064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于粒子群的车载网络路由路径优化方法，根据加权车载网络无向图和网络节点位置表，解决由起始节点到终止接点的最优路径问题，本发明使用粒子群对选取的由起始节点到终止接点的路径样本进行研究，根据加权无向图的权值计算路径适应值得出群体最优路径和个体最优路径，经过多次迭代调整最终得到最优路径，本发明在多个QoS量化指标的限制下，能够有效获得车载网络最优路径，高效处理多峰值实际问题。

Description

一种基于粒子群的车载网络路由路径优化方法
技术领域
本发明属于无线通信技术领域，尤其涉及一种基于粒子群的车载网络路由路径优化方法。
背景技术
车载网络是指在交通环境中车辆之间、车辆与固定接入点之间及车辆与行人之间相互通信组成的开放式移动网络，其目标是为了在道路上构建一个自组织的、部署方便、费用低廉、结构开放的车辆间通信网络，提供无中心、自组织、支持多跳转发的数据传输能力，以实现事故预警、辅助驾驶、道路交通信息查询、车间通信和Internet接入服务等应用。许多人将车载网络视为无线自组织网络(AdHoc Network)的一种特殊的实际应用，不过，由于车载网络本身所具有的网络特点，例如拓扑高动态、时延要求严格、节点移动速度高、轨迹可预测、能量无限、定位准确等，还有其应用前景明朗且广阔，研究范围横跨智能交通系统领域、计算机网络领域以及无线通信领域三大传统研究领域，使得对车载网络的研究吸引了许多学术界和工业界的注意。
解决路由问题是完成节点之间通信的关键，由于车载网络自身的特点，使得QoS路由算法成为当前研究的热点，这个算法的核心思想是在满足网络通信的基本条件下尽可能的减少通信代价，QoS路由算法主要需要考虑3个参数：(1)时延，节点之间的同时是通过中间节点完成的，源节点将数据发送给中间节点，由中间节点诸葛传递数据直到目的节点，如果这一过程所需要时间太长，那么数据就会长时间的占用网络资源；(2)可乘性参数，如误差率、分组丢失率等，其总的QoS值等于构成这条路径的所有链路的QoS值之积；(3)取最小参数，如峰值速率、瓶颈带宽等，这列指标的特点是其总的QoS值等于构成这条路径的所有链路的QoS值中的最大值或最小值。因此在尽量考虑多个参数的条件下选择合适的搞笑的算法实现车载自组织网络QoS路由优化选择成为了重点。
1995年J.Kennedy和R.C.Eberhartp首次提出了粒子群算法(PSO)。它同遗传算法类似，它也是更具对环境的适应度将种群中的个体移动到最好的区域；不同之处在于它不像其它演化算法那样对个体使用演化算子，而是将每个个体看作寻优空间中的一个没有体积的粒子，在搜索空间中以一定的速度飞行，通过环境的学习和适应，根据个体和群体的飞行经验的综合分析结果来动态调整飞行速度。是一种基于群体的智能优化工具。由于粒子群算法概念简单、参数较少、容易实现，切收敛速度快、优化效率高等特点，因此，该算法一经提出，便引起了各领域的学者的广泛关注。
PSO先生成初始种群，即在可行解空间中随机初始化一群粒子，每个粒子都为优化问题的一个可行解，并由目标函数为之确定一个适应值(Fitness Value)。每个粒子将在解空间中运动，并有一个速度决定其方向和距离。通常粒子将追随当前的最优粒子而动，并经过迭代搜索最后得到最优解。在每一代中，粒子将跟踪两个极值，一个是粒子本身迄今为止找到的最优解pbest，另外一个是整个种族迄今为止找到的最优解gbest。
发明内容
本发明针对背景技术的不足提供了一种基于粒子群的车载网络路由路径优化方法，对于多个QoS量化指标进行罚函数运算得出路径开销，每条路径根据个体最佳路径和群体最佳路径，调整路径内部节点，达到一定迭代次数后得出最佳路径，来提高网络资源的利用率。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于粒子群的车载网络路由方法，包括以下步骤：
一种基于粒子群的车载网络路由路径优化方法，主要包括以下步骤：
步骤1)输入车载网络G，所述G是车载网络节点的以及网络链路的加权有向图，G＝(N,E)，其中，N是网络节点集合，E是网络链路集合；
步骤2)输入车载网络G的路由路径的起始节点Nbegin和终止节点Nend；
步骤3)获取起始节点Nbegin到终止节点Nend的路径集合Q；
步骤4)计算路径集合Q中每条路径的开销，从路径集合Q中取出的路径Mid的开销F(Mid)由链路上权值表示：
Figure BDA0001294820400000021
Figure BDA0001294820400000022
其中，
Figure BDA0001294820400000023
为加传输代价权值，
Figure BDA0001294820400000024
为带宽限制权值，
Figure BDA0001294820400000025
为最大时延权值，
Figure BDA0001294820400000026
是指N中的节点Ni和节点Nj节点之间的链路；RT表示Mid上的链路
Figure BDA0001294820400000027
集合，W表示可用带宽，δ为满足通信需求最小带宽，Δ为给定通信的最大时延，
Figure BDA0001294820400000028
是惩罚函数，当满足约束条件的时候，该函数为1，否则该函数等于r，且0<r<1；
步骤5)更新第time次迭代后每个编号的路径的个体最佳路径
Figure BDA0001294820400000029
和整个路径集合的群体最佳路径
Figure BDA00012948204000000210
当
Figure BDA00012948204000000211
将
Figure BDA00012948204000000212
赋值给
Figure BDA00012948204000000213
当
Figure BDA00012948204000000214
将
Figure BDA0001294820400000031
赋值给
Figure BDA0001294820400000032
步骤6)当time＞timeMAX，结束输出最佳路径
Figure BDA0001294820400000033
反之计算路径调整方向
Figure BDA0001294820400000034
Figure BDA0001294820400000035
其中，路由调整方向
Figure BDA0001294820400000036
是指路径中的具体节点向另一个节点的位置进行调整，
Figure BDA0001294820400000037
表示第time次迭代后路径Mid，第time表示迭代次数，Mid表示路径编号，初始路径调整方向为
Figure BDA0001294820400000038
ω为惯性权值，c1和c2分别为认知参数和社会参数，ξ和η为两个独立的服从[0,1]之间均匀分布的随机数，所述的
Figure BDA0001294820400000039
表示在第time+1次迭代中路径Mid有ξ的概率向个体最佳路径调整，所述的
Figure BDA00012948204000000310
表示第time+1次迭代中路径Mid有η的概率向群体最佳路径调整；
步骤7)调整路径内部节点，把路径
Figure BDA00012948204000000311
中的节点按照步骤6)求出的路由调整方向
Figure BDA00012948204000000312
调整；
Figure BDA00012948204000000313
其中，
Figure BDA00012948204000000314
是指在第time+1次迭代中路径调整，当Ni节点调整后的位置
Figure BDA00012948204000000315
不与真实节点重合或者不是路径中上一跳节点的邻接节点，就选择一个距离位置
Figure BDA00012948204000000316
最近的Ni的上一跳节点的邻接节点来代替；
步骤8)计算
Figure BDA00012948204000000317
和
Figure BDA00012948204000000318
的适应值变化量ΔF，当ΔF＜q，接受路径调整，否则
Figure BDA00012948204000000319
仍为
Figure BDA00012948204000000320
q为允许目标函数变坏范围；
将time值自增1，返回步骤4)。
作为本发明一种基于粒子群的车载网络路由路径优化方法的进一步优选方案，所述步骤3具体包含如下步骤：
步骤31)初始化id＝0，设置Mid为(Nbegin)，所有节点的可用值为true，所述节点的可用值是指节点是否可以加入路径的标志值；所述Mid是编号为id的节点的有序集合，该有序集合中的节点依次组成由Nbegin到Nend的路径，当Mid为(Nbegin)时，Mid包含节点Nbegin；所述id是一个整型变量；
步骤32)将G中除了起始节点Nbegin和其邻接节点以外的节点的可用值置为true，在Nbegin节点的邻接节点中，选择距离Nend最近的且可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Nbegin节点的邻接节点中没有可用值为true的节点，进入步骤4)；
步骤33)从Mid中按照次序排在最后的节点的邻接节点中，选择不在Mid中、距离Nend最近、可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Mid中按照次序排在最后的节点的邻接节点中，没有可用值为true的节点，将Mid中按照次序排在最后的节点从Mid中删除，重新进入步骤33)；
步骤34)判断Mid中按照次序排在最后的节点是不是Nend，当Mid中按照次序排在最后的节点不是Nend，进入步骤33)；
步骤35)将Mid加入Nbegin到Nend的路径集合Q，将id值自增1，进入步骤32)。
作为本发明一种基于粒子群的车载网络路由路径优化方法的进一步优选方案，在步骤4)中使用粒子群算法对QoS的多个量化指标进行罚函数运算来计算开销。
作为本发明一种基于粒子群的车载网络路由路径优化方法的进一步优选方案，在步骤7)中，惯性权重ω采用线性减小的调整策略：
Figure BDA0001294820400000041
其中，ωI为初始时的惯性权重；ωT为终止时的惯性权重。
5、根据权利要求1所述的一种基于粒子群的车载网络路由路径优化方法，其特征在于，在步骤8)中，在算法中加入模拟退火的思想提高粒子群算法的效率。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明车载自组织网络路由优化的一个关键点就是在尽量考虑多个参数的条件下，选择一个合适高效的算法实现车载自组织网络的QoS路由优化，即选择一条从源节点到目的节点的优化路径。使用了粒子群算法，参数较少、容易实现，切收敛速度快、优化效率高。加入模拟退火的思想，使算法可以高效处理多峰值实际问题。
附图说明
图1是使用粒子群优化算法对车载自组织网络中路由路径优化优化方法流程；
图2是模拟小型车载网络加权无向图；
图3是模拟小型车载网络节点位置信息表。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
一种基于粒子群的车载网络路由路径优化方法，如图1所示，主要包括以下步骤：
步骤1)输入车载网络G，所述G是车载网络节点的以及网络链路的加权有向图，G＝(N,E)，所述N是网络节点集合，E是网络链路集合，加权是指对网络链路集合E内的链路
Figure BDA0001294820400000051
加传输代价权值
Figure BDA0001294820400000052
带宽限制权值
Figure BDA0001294820400000053
和最大时延权值
Figure BDA0001294820400000054
Figure BDA0001294820400000055
是指N中的节点Ni和节点Nj节点之间的链路。
设定迭代阈值timeMAX值，初始化迭代变量time为0，所述timeMAX为用户输入的允许迭代的最大次数。
步骤2)输入车载网络G的路由路径的起始节点Nbegin和终止节点Nend；
步骤3)获取起始节点Nbegin到终止节点Nend的路径集合Q；具体步骤如下：
步骤31)初始化id＝0，设置Mid为(Nbegin)，所有节点的可用值为true，所述节点的可用值是指节点是否可以加入路径的标志值；所述Mid是编号为id的节点的有序集合，该有序集合中的节点依次组成由Nbegin到Nend的路径，当Mid为(Nbegin)时，Mid包含节点Nbegin；所述id是一个整型变量；
步骤32)将G中除了起始节点Nbegin和其邻接节点以外的节点的可用值置为true，在Nbegin节点的邻接节点中，选择距离Nend最近的且可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Nbegin节点的邻接节点中没有可用值为true的节点，进入步骤4)；
步骤33)从Mid中按照次序排在最后的节点的邻接节点中，选择不在Mid中、距离Nend最近、可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Mid中按照次序排在最后的节点的邻接节点中，没有可用值为true的节点，将Mid中按照次序排在最后的节点从Mid中删除，重新进入步骤33)；
步骤34)判断Mid中按照次序排在最后的节点是不是Nend，当Mid中按照次序排在最后的节点不是Nend，进入步骤33)；
步骤35)将Mid加入Nbegin到Nend的路径集合Q，将id值自增1，进入步骤32)。
步骤4)计算路径集合Q中每条路径的开销，所述路径的开销是指花费在路径中节点链路上的开销，从路径集合Q中取出的路径Mid的开销F(Mid)由链路上权值表示：
Figure BDA0001294820400000061
Figure BDA0001294820400000062
其中，RT表示Mid上的链路
Figure BDA0001294820400000063
集合，W表示可用带宽，δ为满足通信需求最小带宽，Δ为给定通信的最大时延，
Figure BDA0001294820400000064
是惩罚函数，当满足约束条件的时候，该函数为1，否则该函数等于r，且0<r<1；
当第一次计算路径Mid开销时，把当前路径Mid作为编号为id的路径的个体最佳路径赋值给
Figure BDA0001294820400000065
并比较集合内所有路径的个体最佳路径的开销，选择开销最少的任意一个路径作为群体最佳路径赋值给
Figure BDA0001294820400000066
所述的个体最佳路径
Figure BDA0001294820400000067
表示编号为id的路径在第time次迭代过程中开销最少的路径，所述的群体最佳路径
Figure BDA0001294820400000068
是指所有路径在第time次迭代过程中开销最少的路径进入步骤6)。
当不是第一次计算Q中的路径开销进入步骤5)。
步骤5)更新第time次迭代后每个编号的路径的个体最佳路径
Figure BDA0001294820400000069
和整个路径集合的群体最佳路径
Figure BDA00012948204000000610
当
Figure BDA00012948204000000611
将
Figure BDA00012948204000000612
赋值给
Figure BDA00012948204000000613
当
Figure BDA00012948204000000614
将
Figure BDA00012948204000000615
赋值给
Figure BDA00012948204000000616
步骤6)当time＞timeMAX，结束输出最佳路径
Figure BDA00012948204000000617
反之计算路径调整方向
Figure BDA00012948204000000618
Figure BDA00012948204000000619
其中，路由调整方向
Figure BDA00012948204000000620
是指路径中的具体节点向另一个节点的位置进行调整，
Figure BDA00012948204000000621
表示第time次迭代后路径Mid，第time表示迭代次数，Mid表示路径编号，初始路径调整方向为
Figure BDA0001294820400000071
ω为惯性权值，c1和c2称为加速因子，分别为认知参数和社会参数，ξ和η为两个独立的服从[0,1]之间均匀分布的随机数，所述的
Figure BDA0001294820400000072
表示在第time+1次迭代中路径Mid有ξ的概率向个体最佳路径调整，所述的
Figure BDA0001294820400000073
表示第time+1次迭代中路径Mid有η的概率向群体最佳路径调整；
步骤7)调整路径内部节点，把路径
Figure BDA0001294820400000074
中的节点按照步骤6)求出的路由调整方向
Figure BDA0001294820400000075
调整；
Figure BDA0001294820400000076
所述
Figure BDA0001294820400000077
是指在第time+1次迭代中路径调整，当Ni节点调整后的位置
Figure BDA0001294820400000078
不与真实节点重合或者不是路径中上一跳节点的邻接节点，就选择一个距离位置
Figure BDA0001294820400000079
最近的Ni的上一跳节点的邻接节点来代替；
步骤8)计算
Figure BDA00012948204000000710
和
Figure BDA00012948204000000711
的适应值变化量ΔF，当ΔF＜q，接受路径调整，否则
Figure BDA00012948204000000712
仍为
Figure BDA00012948204000000713
q为允许目标函数变坏范围；
将time值自增1，返回步骤4)。
输入车载网络加权无向图如图2所示，将无向图放入直角坐标系中得到车载网络节点位置信息表如图3所示。
用户输入起始节点1号节点和终止节点9号节点。由权利要求书中的步骤3)可以得到路径集合：
Figure BDA00012948204000000714
所述的w是指无向图中加在链路上的传输代价、带宽限制和最大时延等权值。
设定timeMAX值并初始化time＝0，按照步骤41)中的公式
Figure BDA00012948204000000715
计算{Mid}中每条路由路径的开销F(Mid)，由于是第一次计算开销F(Mid)，将M0赋值给
Figure BDA00012948204000000716
将M1赋值给
Figure BDA00012948204000000717
将M2赋值给
Figure BDA00012948204000000718
并选择三者中的最大值将其赋值给
Figure BDA00012948204000000719
不妨设M1的开销最小。
比较timeMAX和time的大小，这里是第一次迭代time＜timeMAX。继续往下进行。
按照步骤7)中的公式
Figure BDA0001294820400000081
计算路径调整方向
Figure BDA0001294820400000082
以下的具体实施中以M0为例:
Figure BDA0001294820400000083
预先设定允许目标函数变坏范围q，按照步骤8)中的公式
Figure BDA0001294820400000084
和表1中的网络节点位置信息计算路由调整
Figure BDA0001294820400000085
Figure BDA0001294820400000086
假设节点Ntemp(5+c2η(5-5),3.5+c2η(2.1-3.5))靠近节点N2，节点Ntemp(5+c2η(5-5),3.5+c2η(2.1-3.5))靠近节点N7，那么
Figure BDA0001294820400000087
计算
Figure BDA0001294820400000088
假设ΔQ＜q，接受路径调整将
Figure BDA0001294820400000089
赋值给
Figure BDA00012948204000000810
time++。返回步骤42)。
本发明使用粒子群优化算法对QoS路由算法进行优化，对于多个QoS量化指标进行罚函数运算，再综合代价得出适应值，来适应车载自组织网络节点拓扑结构变化频繁的特点，提高网络资源的利用率。

Claims (3)

1.一种基于粒子群的车载网络路由路径优化方法，其特征在于，主要包括以下步骤：
步骤1)输入车载网络G，所述G是车载网络节点的以及网络链路的加权有向图，G＝(N,E)，其中，N是网络节点集合，E是网络链路集合；
步骤2)输入车载网络G的路由路径的起始节点Nbegin和终止节点Nend；
步骤3)获取起始节点Nbegin到终止节点Nend的路径集合Q；
步骤4)使用粒子群算法计算路径集合Q中每条路径的开销，从路径集合Q中取出的路径Mid的开销F(Mid)由链路上权值表示：
Figure FDA0002438102700000011
Figure FDA0002438102700000012
其中，
Figure FDA0002438102700000013
为加传输代价权值，
Figure FDA0002438102700000014
为带宽限制权值，
Figure FDA0002438102700000015
为最大时延权值，
Figure FDA0002438102700000016
是指N中的节点Ni和节点Nj节点之间的链路；RT表示Mid上的链路
Figure FDA0002438102700000017
集合，δ为满足通信需求最小带宽，Δ为给定通信的最大时延，
Figure FDA0002438102700000018
是惩罚函数，当满足约束条件的时候，该函数为1，否则该函数等于r，且0<r<1；
步骤5)更新第time次迭代后每个编号的路径的个体最佳路径
Figure FDA0002438102700000019
和整个路径集合的群体最佳路径
Figure FDA00024381027000000110
当
Figure FDA00024381027000000111
将
Figure FDA00024381027000000112
赋值给
Figure FDA00024381027000000113
当
Figure FDA00024381027000000114
将
Figure FDA00024381027000000115
赋值给
Figure FDA00024381027000000116
步骤6)当time＞timeMAX，结束输出最佳路径
Figure FDA00024381027000000117
反之计算路径调整方向
Figure FDA00024381027000000118
Figure FDA00024381027000000119
其中，路由调整方向
Figure FDA00024381027000000120
是指路径中的具体节点向另一个节点的位置进行调整，
Figure FDA00024381027000000121
表示第time次迭代后路径Mid，第time表示迭代次数，Mid表示路径编号，初始路径调整方向为
Figure FDA00024381027000000122
ω为惯性权值，c1和c2分别为认知参数和社会参数，ξ和η为两个独立的服从[0,1]之间均匀分布的随机数，所述的
Figure FDA00024381027000000123
表示在第time+1次迭代中路径Mid有ξ的概率向个体最佳路径调整，所述的
Figure FDA0002438102700000021
表示第time+1次迭代中路径Mid有η的概率向群体最佳路径调整；
步骤7)调整路径内部节点，把路径
Figure FDA0002438102700000022
中的节点按照步骤6)求出的路由调整方向
Figure FDA0002438102700000023
调整；
Figure FDA0002438102700000024
其中，
Figure FDA0002438102700000025
是指在第time+1次迭代中路径调整，当Ni节点调整后的位置
Figure FDA0002438102700000026
不与真实节点重合或者不是路径中上一跳节点的邻接节点，就选择一个距离位置
Figure FDA0002438102700000027
最近的Ni的上一跳节点的邻接节点来代替；
步骤8)计算
Figure FDA0002438102700000028
和
Figure FDA0002438102700000029
的适应值变化量ΔF，当ΔF＜q，接受路径调整，否则
Figure FDA00024381027000000210
仍为
Figure FDA00024381027000000211
q为允许目标函数变坏范围；
将time值自增1，返回步骤4)。
2.根据权利要求1所述的一种基于粒子群的车载网络路由路径优化方法，其特征在于：所述步骤3具体包含如下步骤：
步骤31)初始化id＝0，设置Mid为(Nbegin)，所有节点的可用值为true，所述节点的可用值是指节点是否可以加入路径的标志值；所述Mid是编号为id的节点的有序集合，该有序集合中的节点依次组成由Nbegin到Nend的路径，当Mid为(Nbegin)时，Mid包含节点Nbegin；所述id是一个整型变量；
步骤32)将G中除了起始节点Nbegin和其邻接节点以外的节点的可用值置为true，在Nbegin节点的邻接节点中，选择距离Nend最近的且可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Nbegin节点的邻接节点中没有可用值为true的节点，进入步骤4)；
步骤33)从Mid中按照次序排在最后的节点的邻接节点中，选择不在Mid中、距离Nend最近、可用值为true的任意一个节点，当存在该节点时，将该节点加入Mid并按照次序放置到Mid中原有节点的末尾，再将该节点的可用值置为false；当Mid中按照次序排在最后的节点的邻接节点中，没有可用值为true的节点，将Mid中按照次序排在最后的节点从Mid中删除，重新进入步骤33)；
步骤34)判断Mid中按照次序排在最后的节点是不是Nend，当Mid中按照次序排在最后的节点不是Nend，进入步骤33)；
步骤35)将Mid加入Nbegin到Nend的路径集合Q，将id值自增1，进入步骤32)。
3.根据权利要求1所述的一种基于粒子群的车载网络路由路径优化方法，其特征在于，在步骤7)中，惯性权重ω采用线性减小的调整策略：
Figure FDA0002438102700000031
其中，ωI为初始时的惯性权重；ωT为终止时的惯性权重。
CN201710339416.XA 2017-05-15 2017-05-15 一种基于粒子群的车载网络路由路径优化方法 Active CN107148064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710339416.XA CN107148064B (zh) 2017-05-15 2017-05-15 一种基于粒子群的车载网络路由路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710339416.XA CN107148064B (zh) 2017-05-15 2017-05-15 一种基于粒子群的车载网络路由路径优化方法

Publications (2)

Publication Number Publication Date
CN107148064A CN107148064A (zh) 2017-09-08
CN107148064B true CN107148064B (zh) 2020-06-23

Family

ID=59778396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710339416.XA Active CN107148064B (zh) 2017-05-15 2017-05-15 一种基于粒子群的车载网络路由路径优化方法

Country Status (1)

Country Link
CN (1) CN107148064B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108810846B (zh) * 2018-06-20 2019-12-17 北京邮电大学 一种基于城市公共交通的车载网络群感知覆盖方法
CN109886509A (zh) * 2019-03-29 2019-06-14 长春理工大学 一种移动多汇聚节点路径规划方法、系统及电子设备
CN111210361B (zh) * 2019-12-30 2021-07-13 国网江苏省电力有限公司信息通信分公司 基于可靠性预测和粒子群优化的电力通信网路由规划方法
CN111954239B (zh) * 2020-10-19 2022-04-19 南京信易达计算技术有限公司 基于云计算的公安用基础通信网络优化系统
CN114726434B (zh) * 2022-03-18 2023-09-19 电子科技大学 一种适用于大规模光网络的毫秒级快速寻路方法
CN115190561B (zh) * 2022-06-02 2024-08-02 中科南京移动通信与计算创新研究院 基于遗传算法的高速载体群自组网QoS路由方法和装置
CN116489738B (zh) * 2023-06-25 2023-09-19 深圳市华曦达科技股份有限公司 一种基于无线Mesh网络的QoS路由模型的处理方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604166A (zh) * 2009-07-10 2009-12-16 杭州电子科技大学 一种基于粒子群优化算法的移动机器人路径规划方法
CN102196527A (zh) * 2011-05-28 2011-09-21 东华大学 一种移动Sink无线传感器网络的路由恢复方法及其恢复协议
CN104063745A (zh) * 2014-04-21 2014-09-24 河海大学 基于改进粒子群算法的多路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604166A (zh) * 2009-07-10 2009-12-16 杭州电子科技大学 一种基于粒子群优化算法的移动机器人路径规划方法
CN102196527A (zh) * 2011-05-28 2011-09-21 东华大学 一种移动Sink无线传感器网络的路由恢复方法及其恢复协议
CN104063745A (zh) * 2014-04-21 2014-09-24 河海大学 基于改进粒子群算法的多路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Robot path planning in uncertain environment using multi-objective particle swarm optimization;Yong Zhang，Dun-weiGong，Jian-huaZhang;《Neurocomputing》;20130331;全文 *
基于粒子群算法的中继节点优化问题研究;王振林;《中国优秀硕士论文全文数据库》;20150315;全文 *

Also Published As

Publication number Publication date
CN107148064A (zh) 2017-09-08

Similar Documents

Publication Publication Date Title
CN107148064B (zh) 一种基于粒子群的车载网络路由路径优化方法
CN114449477B (zh) 一种基于边缘缓存和免疫克隆策略的车联网内容分发方法
CN111132258A (zh) 一种基于虚拟势场法的无人机集群协同机会路由方法
CN105208616A (zh) 车载自组织网络中基于道路拓扑的自适应多副本路由方法
CN109511123B (zh) 一种基于时间信息的软件定义车辆网络自适应路由方法
Chandrashekar et al. Providing full connectivity in large ad-hoc networks by dynamic placement of aerial platforms
CN107454649B (zh) VANETs中基于密度估计的1-hop和2-hop簇并存的自适应分簇法
CN109857143A (zh) 一种吞吐量最大化的无人机轨迹规划方法
CN109640369B (zh) 一种基于自适应功率的车载网可靠通信方法
Husnain et al. Performance evaluation of CLPSO and MOPSO routing algorithms for optimized clustering in Vehicular Ad hoc Networks
Hu et al. An enhanced GPSR routing protocol based on the buffer length of nodes for the congestion problem in VANETs
CN113115399B (zh) 一种异构无人机自组织网络的路由优化方法
CN107105389B (zh) 车载网络中基于道路拓扑结构的地理信息路由方法
CN104618979A (zh) 一种基于路口辅助的自适应分区路由方法
CN112822745A (zh) 一种面向无人机自组网的自适应路由方法
Yelure et al. Particle swarm optimization based routing method for vehicular ad-hoc network
CN111614559A (zh) 实现全局优化aodv路由的方法、系统及介质
Zhao et al. Route discovery in flying ad-hoc network based on bee colony algorithm
CN111050301B (zh) 一种基于动态拓扑的无人机网络olsr路由自适应方法
CN114070773A (zh) 一种基于最短路径长度的空间网络路由策略
CN104835316B (zh) 一种基于车流量密度的vanet稀疏连通问题解决方法
CN114641049B (zh) 一种基于模糊逻辑的无人机自组网分层路由方法
CN110248392B (zh) 一种车联网中基于节点效能的机会转发方法
CN116866931A (zh) 一种城市移动边缘服务器部署方法
CN108768852B (zh) 一种车联网中基于多副本拥塞避免的机会路由方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240621

Address after: 609, 6 / F, block a, China Merchants high speed rail Plaza, No. 9 Jiangnan Road, Jiangning District, Nanjing City, Jiangsu Province

Patentee after: NANJING WISHARE INFORMATION TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: 210023 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu.

Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

Patentee before: NANJING WISHARE INFORMATION TECHNOLOGY CO.,LTD.