CN107302497B - 一种基于遗传算法的电力线载波通信路由自适应优选方法 - Google Patents
一种基于遗传算法的电力线载波通信路由自适应优选方法 Download PDFInfo
- Publication number
- CN107302497B CN107302497B CN201710344854.5A CN201710344854A CN107302497B CN 107302497 B CN107302497 B CN 107302497B CN 201710344854 A CN201710344854 A CN 201710344854A CN 107302497 B CN107302497 B CN 107302497B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- service
- genetic algorithm
- routing
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/38—Flow based routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
- H04B3/542—Systems for transmission via power distribution lines the information being in digital form
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/74—Address processing for routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于遗传算法的电力线载波通信路由自适应优选方法。首先通过构建不同通信节点之间信息传递时的负载风险模型,量化不同负载下的局部与全局业务失效风险大小,评估信息传递时的跳数与负载量对业务负载风险影响的程度;其次在评估的基础上采用遗传算法,设计通信节点的路由表,分析通信路径上的业务负载强度;最终在风险评估模型的基础上动态的迭代优选出业务风险最小,负载均衡最大化的路由选择。本发明的有益效果:通过合理的路由设计优化不同节点之间信号传递时所应选择的跳数以及中转和信号放大的通信节点,构建优选的路由选择提高信号远程传送的可靠程度及质量。
Description
技术领域
本发明涉及电力线载波通信技术领域,具体来说,涉及一种基于遗传算法的电力线载波通信路由自适应优选方法。
背景技术
目前中低压电力线载波通信传输主要采用OFDM技术,通过时分复用和频分复用的方式实现多频段及多时段的信号传输。基于中低压电力线载波通信传输时具有较大随机性和不稳定性、信号传输衰减快及易受电磁干扰等问题,普遍相关研究和设计主要偏向或者集中在对电力线载波通信的OFDM系统信道优化、发送功率控制、频谱管理等。出于电力线载波通信组网是在电力线上传输的原因,网络结构固定且单一:星型及树型。因此,现有的理论及应用极少涉及到电力线载波通信组网的路由选择算法。
良好的电力线载波通信组网路由选择算法设计不仅需考虑到整体信号传递时最优路径选择,减少信号传递时用于维护信号中继及远程传送时带来的额外开支,避免信号衰减带来的业务风险。而且需要考虑整体网络信号传输时经过多个通信节点时可能带来的业务负载率,同时考率信号传递的拥塞控制以避免部分节点过多处理中转和信号放大等负担。而路由选择算法又可分为静态路由及动态路由。
鉴于上述原因,如何设计一种可以自适应调整的优选路由算法极大减少整体电力线载波通信组网的网络负担,提高组网中不同通信节点的业务承载能力是当前研究的关键。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于遗传算法的电力线载波通信路由自适应优选方法,能够实现自适应调整,提高组网通信节点的业务承载能力。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于遗传算法的电力线载波通信路由自适应优选算法,包括以下步骤:
步骤S410:底层节点采集底层子节点的数据,明确底层子节点所发送的不同业务类型数据量大小,同时分析已有的其他底层节点发送信息时需要中转的数据量。明确不同底层节点自身的实际业务负载量大小。
步骤S420:根据现有底层节点的数据承载业务量大小,构建了每个底层节点与底层子节点业务量与业务失效风险概率关联的数学模型,以评估每个由于业务承载量过多而造成如信号拥塞、数据处理缓慢等业务失效风险程度。
步骤S430:计算并确定当前的局部和全局业务失效风险概率大小,可用于评估业务负载均衡及业务失效风险程度大小。
步骤S440:判断此时是否有新的节点之间存在信号传输需求,存在则进入下一个步骤进行路由优选;否则返回步骤S410。
步骤S450:基于遗传算法构建每个节点的路由表,同时形成路由优选模型,其中,所述节点路由表中的特定列位置可由0/1表示新节点信号传递时是否经由该节点,所述基于遗传算法最优路由优选构建了可实现加入两个节点信息传递后整体网络负载均衡以及业务失效风险概率最小化方法。
步骤S460:根据遗传算法计算出满足负载均衡以及业务失效风险概率最小化的路径信息。
步骤S470:后续同样根据整体网络满足负载均衡以及业务失效风险概率最小化的目标继续路由自适应调整。
本发明的有益效果:通过合理的路由设计优化不同节点之间信号传递时所应选择的跳数以及中转和信号放大的通信节点,构建优选的路由选择提高信号远程传送的可靠程度及质量。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是根据本发明所述一种基于遗传算法的电力线载波通信路由自适应优选方法的低中压电力线载波通信组网结构示例图;
图2是根据本发明所述一种基于遗传算法的电力线载波通信路由自适应优选方法的每个节点的0/1数字序列路由表结构示例图;
图3是根据本发明所述一种基于遗传算法的电力线载波通信路由自适应优选方法的多个节点组成的全局路由表以及节点1和节点4之间信息传递的示例图;
图4是根据本发明所述一种基于遗传算法的电力线载波通信路由自适应优选方法的整体路由选择及网络均衡和业务失效风险概率最小化的算法流程图;
图5是根据本发明所述一种基于遗传算法的电力线载波通信路由自适应优选方法的基于遗传算法实现的路由选择算法流程图。
具体实施方式
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,所描述的实施例仅仅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所获得的所有其他实施例,都属于本发明保护的范围。
一种基于遗传算法的电力线载波通信路由自适应优选算法,包括以下步骤:
步骤S410:底层节点采集底层子节点的数据,明确底层子节点所发送的不同业务类型数据量大小,同时分析已有的其他底层节点发送信息时需要中转的数据量,明确不同底层节点自身的实际业务负载量大小。
步骤S420:根据现有底层节点的数据承载业务量大小,构建了每个底层节点与底层子节点业务量与业务失效风险概率关联的数学模型,以评估每个由于业务承载量过多而造成如信号拥塞、数据处理缓慢等业务失效风险程度。
步骤S430:计算并确定当前的局部和全局业务失效风险概率大小,可用于评估业务负载均衡及业务失效风险程度大小。
步骤S440:判断此时是否有新的节点之间存在信号传输需求,存在则进入下一个步骤进行路由优选;否则返回步骤S410。
步骤S450:基于遗传算法构建每个节点的路由表,同时形成路由优选模型,其中,所述节点路由表中的特定列位置可由0/1表示新节点信号传递时是否经由该节点,所述基于遗传算法最优路由优选构建了可实现加入两个节点信息传递后整体网络负载均衡以及业务失效风险概率最小化方法。
步骤S460:根据遗传算法计算出满足负载均衡以及业务失效风险概率最小化的路径信息。
步骤S470:后续同样根据整体网络满足负载均衡以及业务失效风险概率最小化的目标继续路由自适应调整。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
如图1中所示,低中压电力线载波通信组网结构主要分为树型与星型。组网由一个顶层通信节点(中心节点)、多个底层节点及底层子节点(终端节点)组成。一个顶层节点下拥有多个底层节点,一个底层节点下可以拥有一个或者多个子节点,具体视实际生活中网络物理拓扑结构而定。但在本文中统一规定为一个顶层通信节点、多个底层节点及多个底层子节点。通常顶层通信节点可以作为一个链接节点来保证底层节点之间的通信,或者采集信息实现如负荷检测、远程抄表、路灯控制等功能。目前电力线载波通信组网的节点上会安装部分处理器、交换机或者路由器用以处理管理数据的传输。通信节点可以按照数据处理能力划分为两类:一类是处理数据能力偏强的控制器,多以安装在中心节点或者底层节点上为主;另一类是处理数据能力偏弱的执行器/数据采集器,多安装在底层节点或者底层子节点上。两个底层节点信号传递时需经过多个节点并借由部分节点作为信号中继及放大的对象,如何明确其经过的底层节点数及底层节点选择是实现负载均衡及业务风险最小化路由优选的关键。
为实现电力线载波通信路由选择,明确不同底层节点之间信息传递路径,同时实现整体电力线负载均衡和鲁棒性提高,本专利将在该图1的基础上展开介绍。同时需要申明的是本专利由两个组成部分来实现,分别是业务失效风险评估模型以及路由选择算法。两者的关系为评估模型作为路由选择算法的输入,路由算法输出结果作为评估模型的反馈。
(1)风险评估模型
首先设定实际电力线载波通信时信号的业务类型集合为I={1,2,...,num(I)},共有num(I)类不同的业务,业务i,i∈I优先等级Pr(i)也不一样,该优先等级主要指的是在数据信息传递过程中优先传输和考虑的网络传输指标。按照QoS服务等级设定,i的数值越大则优先等级也越高。即当满足i>j条件时,业务i的传递优先级别高于j,Pr(i)>Pr(j)。
顶层节点(中心节点)下共有数量为num(K)的K集合底层节点,每个底层节点下包含数量为num(Sk)的Sk集合底层子节点。为简单化实际应用中路由算法计算,此处将这些节点之间的业务连接关系抽象类比成一条虚拟的逻辑链路通道。即节点与节点存在一条单一的逻辑链路通道,具体到实际生活中包含多个信道及路由器和交换机,但在本专利中不做细致介绍。
其中底层节点与下级的多个底层子节点间存在多条链路,对应关系为一对多。链路s,s∈Sk负载的最大负载量为pthmax,s,负载上限阈值为pths,业务承载量为pbs,设定此时链路s上出现故障的概率大小为Po(s)。
pbs≤pths时,链路s表现为轻负载,该链路上出现故障的概率Po(·)为αs;pthmax,s>pbs>pths时,链路s表现为重负载,该链路上出现故障的概率Po(·)大小将为αs加上修正系数服从概率密度以Pos为均值,(σs)2为方差的正态分布函数N(Pos,(σs)2)。
Po(·)表示的是出现业务故障风险的概率函数,该函数值的计算由所处的链路业务负载率和链路抗压的大小所决定。通常链路s的负载上限阈值pths越高则代表链路的抗压及鲁棒性能力越高,同理链路抗压能力及鲁棒性越高代表负载上限阈值pths越大。
同理,顶层节点与底层节点之间同样存在多条链路通道,每条链路通道k,k∈K负载的最大负载量为pthmax,k,链路负载上限阈值为pthk,业务承载量为pbk,设定此时链路k上出现故障的概率大小为Po(k)。
pbk≤pthk时,链路k上出现故障的概率Po(·)为βk;pthmax,k>pbk>pthk时,链路k上出现故障的概率Po(·)大小将服从βk加上修正系数以为均值,为方差的正态分布函数Po~N(Po(s),(σs)2)。
在此引入自定义变量——局部业务风险度PBRk来表征链路k上的业务失效风险,该值等于Po(k,pbk)。同时再引入自定义变量——全局业务风险度GBR来表征由于业务负载不均导致业务失效的风险程度,该值等于局部业务风险度PBRk之和。
设定全网期望业务负载率(Expected load rate)为Elr,实际平均业务负载率(Averaged load rate)为Alr。每个节点与节点之间的链路负载率为rates,其具体计算方法如下:
rates=pths/pthmax,s (8)
rates业务负载率的大小等于链路s,s∈Sk上的负载量pths除以当前链路的最大负载量阈值pthmax,s。该阈值的大小由线路具体材质和系统划分而决定,即该阈值为固定常数。
(2)路由选择算法
路由算法主要针对的是底层节点与底层节点之间的信号传递。目前主要按照遗传算法来实现点对点之间的路径选择。由于考虑到电力线载波通信在实际使用过程中,信息传递的会随着距离的增大而衰减,因此在使用遗传算法来对不同节点之间的路由进行选择之前,为了简化模型。本专利将两个相邻且存在电力线相连的任意节点距离量化为1,每个底层节点上存在一个路由器,每个底层节点通过一个路由器表示一跳。
为实现全局负载均衡及风险度的降低,底层子节点为实现路由选择需满足式子(9)(10)。图4是本专利的路由选择整体算法流程图。在每个底层节点上设计并存有一张路由表,该路由表为一串0/1序列的数字结构。其中特定列上的0、1可用于表示该特定列的序号节点是否经由该节点的信号中继转发或者放大。规定以下规则:两节点之间发送信号如果经过节点的路由且需要路由转发代表则在该节点的路由表上对应列表示为1,否则为0。
以图3中的第4列节点路由表为例。当两个节点的路由确定的时候,此时两个节点包括节点相连中间的节点上的路由表对应列位置将会按照0/1序列标注出是否经由该节点中继转发或者信号放到。图3中第1、2、3、4行表示底层节点编号,第4列中的数据分别为1101。此时代表顶端底层节点1和4之间存在信号传输,中间选择第2个底层节点作为中转节点。通过上述路由表方式来确定最终信号传递的路径,每次出现新的节点之间信息传输需求对应路由表位置将会作出变更,路由表中的0/1数据确定方式将采用下文的路由选择算法。
遗传算法的主要目的是确保两个节点之间的通信和路由选择时能尽量满足关系式(9)和(10),在保证业务负载均衡条件下,实现业务失效风险的最小化。当两个节点之间选择路由满足该关系式时才能保证基本的通信路由负载均衡。而整体路由选择运算流程主要由以下个步骤来实现:
步骤S451:初始化发送及接受位置。明确信息发送起始点节点sres与目的节点sdest的编号,将其每个节点路由表中对应两列的位置置为1.
步骤S452:编码。规定以下编码原则:每个底层节点传递消息给另外一个底层或者顶层节点过程中需要路由选择路径及转发信息的节点标记为1,其他为0;同时消息发送起始点及目的节点也标记为1。
步骤S453:初始群体生成。在消息发送起始点sres及目的节点sdest之间通过系统随机生成H个串结构数据,数据长度为|sdest-ssrc|的0/1序列数据,将其分别存入多个节点中对应的列。
步骤S454:初始化进化代数计数器t=0,全局最大进化代数为Tmax。
步骤S455:适应度值评估比较:将关系式(9)(10)作为H个串结构数据的适应度评价指标,采用自适应方式保证全局业务数据在链路上的负载均衡效果。
步骤S456:选择最优个体和次优个体:通过适应度获取H个串结构数据中的最优个体及次优个体。迭代次数t=t+1。
步骤S457:判断迭代次数是否达到最大次数要求,是则跳出遗传算法的路由计算,否则进入下一个步骤S458。
步骤S458:判断最优个体和次优个体是否满足关系式(9)(10)的最小要去,是则返回步骤S456,否则进入下一个步骤S45
步骤459:交叉生成新的个体:将最优个体和次优个体以交叉概率为Poc进行交叉操作,在随机位置进行数字序列对换,生成新的串结构数据。这里唯一不可以进行交叉的位置为目的节点与发送消息的源节点。变异生成新的个体;将最优个体以变异概率为Pom进行变异操作,在随机位置进行数字序列变换,生成新的串结构数据。这里唯一不可以进行变异操作的位置为目的节点与发送消息的源节点。
综上所述,借助于本发明的上述技术方案,本发明所述方法和相关模型能够帮助电力线通信组网下级多个底层节点优化其负载均衡效果,通过业务负载均衡帮助多个不同节点之间明确其信号传输时的路由选择及跳数,有效性地针对底层节点业务负载量的大小,最大化的减少一个或者多个节点过多承载信号中转及放大所带来的负担,最小化整体信号传输失效的业务风险概率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,包括以下步骤:
S1构建业务失效风险评估模型;
S2基于所述风险评估模型,通过遗传算法构建每个底层节点的路由表,同时形成路由优选模型;和
S3根据遗传算法计算出满足负载均衡以及业务失效风险概率最小化的路径信息;
步骤S1进一步包括:
步骤S410:底层节点采集底层子节点的数据,明确底层子节点所发送的不同业务类型及信息数据量大小,同时分析已有的其他底层节点发送信息时需要中转的数据量,明确不同底层节点自身的实际业务负载量大小;
步骤S420:根据现有底层节点的数据承载业务量大小,构建数据量大小与业务失效风险的概率关联数学模型,评估业务失效风险程度,其中,概率关联数学模型构建了每个底层节点与底层子节点业务量与业务失效风险概率关联关系;
步骤S430:计算并确定当前的局部和全局业务失效风险概率大小。
2.根据权利要求1所述的一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,步骤S2进一步包括:
步骤S440:确定是否有新的节点之间存在信号传输需求;
步骤S450:基于遗传算法构建每个节点的路由表,同时形成新的节点路由优选模型。
3.根据权利要求2所述的一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,所述步骤S450构建了可实现加入两个节点信息传递后整体网络负载均衡以及业务失效风险概率最小化方法。
4.根据权利要求2所述的一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,所述步骤S450进一步包括:
步骤S451:初始化发送及接受位置,明确信息发送起始点节点sres与目的节点sdest的编号,将其每个节点路由表中对应两列的位置置为1;
步骤S452:编码,规定以下编码原则:每个底层节点传递消息给另外一个底层或者顶层节点过程中需要路由选择路径及转发信息的节点标记为1,其他为0;同时消息发送起始点及目的节点也标记为1;
步骤S453:初始群体生成,在消息发送起始点sres及目的节点sdest之间通过系统随机生成H个串结构数据,数据长度为|sdest-ssrc|的0/1序列数据,将其分别存入多个节点中对应的列;
步骤S454:初始化进化代数计数器t=0,全局最大进化代数为Tmax;
步骤S455:适应度值评估比较:
以上关系式(9)、(10)作为H个串结构数据的适应度评价指标,采用自适应方式保证全局业务数据在链路上的负载均衡效果,其中,H表示整数,GBR为全局业务风险度,PBRk为局部业务风险度,Po(k)为链路上出现故障的概率大小,pthmax,s为链路s,s∈Sk负载的最大负载量,pths为负载上限阈值,num(K)为顶层节点下K集合底层节点数量、num(Sk)为最大负载量、Alr 为实际平均业务负载率;
步骤S456:选择最优个体和次优个体:通过适应度获取H个串结构数据中的最优个体及次优个体,迭代次数t=t+1;
步骤S457:判断迭代次数是否达到最大次数要求,是则跳出遗传算法的路由计算,否则进入下一个步骤S458;
步骤S458:判断最优个体和次优个体是否满足关系式(9)(10)的最小要求,是则返回步骤S456,否则进入下一个步骤S459;
步骤459:交叉生成新的个体:将最优个体和次优个体以交叉概率为Poc进行交叉操作,在随机位置进行数字序列对换,生成新的串结构数据;这里唯一不可以进行交叉的位置为目的节点与发送消息的源节点;变异生成新的个体;将最优个体以变异概率为Pom进行变异操作,在随机位置进行数字序列变换,生成新的串结构数据;这里唯一不可以进行变异操作的位置为目的节点与发送消息的源节点。
5.根据权利要求4所述的一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,所述步骤S451中,节点路由特定列位置中的0/1表示新节点信号传递时是否经由该节点。
6.根据权利要求1所述的一种基于遗传算法的电力线载波通信路由自适应优选方法,其特征在于,步骤S3进一步包括:
步骤S460:根据遗传算法计算出满足负载均衡以及业务失效风险概率最小化的路径信息;
步骤S470:后续同样根据整体网络满足负载均衡以及业务失效风险概率最小化的目标继续路由自适应调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710344854.5A CN107302497B (zh) | 2017-05-16 | 2017-05-16 | 一种基于遗传算法的电力线载波通信路由自适应优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710344854.5A CN107302497B (zh) | 2017-05-16 | 2017-05-16 | 一种基于遗传算法的电力线载波通信路由自适应优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107302497A CN107302497A (zh) | 2017-10-27 |
CN107302497B true CN107302497B (zh) | 2020-05-15 |
Family
ID=60137473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710344854.5A Active CN107302497B (zh) | 2017-05-16 | 2017-05-16 | 一种基于遗传算法的电力线载波通信路由自适应优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107302497B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752248A (zh) * | 2018-10-12 | 2020-10-09 | 龙口盛福达食品有限公司 | 一种苹果等级分选运输生产线的智能控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7092378B1 (en) * | 2001-12-10 | 2006-08-15 | At & T Corp. | System for utilizing a genetic algorithm to provide constraint-based routing of packets in a communication network |
CN103701702A (zh) * | 2013-12-12 | 2014-04-02 | 杭州百富电子技术有限公司 | 一种电力载波通信中的动态路由算法 |
CN104994021B (zh) * | 2015-07-21 | 2018-06-15 | 三星电子(中国)研发中心 | 确定最优路径的方法及装置 |
CN105553869B (zh) * | 2015-12-11 | 2018-08-28 | 国网河北省电力公司 | 一种电力通信网的风险均衡方法及系统 |
CN106656598B (zh) * | 2016-12-22 | 2020-06-16 | 云南电网有限责任公司 | 电力通信网关键业务备选路由配置方法及系统 |
-
2017
- 2017-05-16 CN CN201710344854.5A patent/CN107302497B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107302497A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110493131B (zh) | 一种sdn架构下的空间信息网络路由策略的设计方法 | |
Luo et al. | Routing correlated data in wireless sensor networks: A survey | |
CN108112049B (zh) | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 | |
US7688739B2 (en) | Method and apparatus for maximizing data transmission capacity of a mesh network | |
Qiu et al. | A lifetime-enhanced data collecting scheme for the internet of things | |
CN103348638A (zh) | 通信系统、控制装置、通信节点以及通信方法 | |
Ramamoorthy | Minimum cost distributed source coding over a network | |
Sun et al. | Energy entropy multipath routing optimization algorithm in MANET based on GA | |
Wu et al. | Concept of node usage probability from complex networks and its applications to communication network design | |
Nabavi et al. | Optimal selection of the cluster head in wireless sensor networks by combining the multiobjective genetic algorithm and the gravitational search algorithm | |
Kassabalidis et al. | Adaptive-SDR: Adaptive swarm-based distributed routing | |
CN107302497B (zh) | 一种基于遗传算法的电力线载波通信路由自适应优选方法 | |
CN111132236A (zh) | 基于改进olsr协议的多无人机自组织网络mpr节点选择方法 | |
CN102148664B (zh) | 应用于多源多汇网络的组播间网络编码控制方法 | |
Song | Reliability analysis and optimization of computer communication network based on genetic algorithm | |
Kalantar et al. | Energy and load balancing routing protocol for IoT | |
Lv et al. | A smart ACO‐inspired named data networking forwarding scheme with clustering analysis | |
Long et al. | Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing | |
Satyananda et al. | A multi-objective QoS optimization with fuzzy based parameter setting for real-time multicasting | |
Wazed et al. | Genetic algorithm based approach for extending the lifetime of two-tiered sensor networks | |
CN115134928A (zh) | 频段路由优化的无线Mesh网络拥塞控制方法 | |
CN102694623A (zh) | 一种多跳无线网络中基于会话间网络编码的速率分配方法 | |
CN114500388A (zh) | 配用电路由负载均衡的方法、装置及存储介质 | |
Moza et al. | Finding K shortest paths in a network using genetic algorithm | |
Lu et al. | Utility-based data-gathering in wireless sensor networks with unstable links |
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 |