CN108419282A - 一种适用于机器人传感网的多约束QoS路由方法 - Google Patents
一种适用于机器人传感网的多约束QoS路由方法 Download PDFInfo
- Publication number
- CN108419282A CN108419282A CN201810299296.XA CN201810299296A CN108419282A CN 108419282 A CN108419282 A CN 108419282A CN 201810299296 A CN201810299296 A CN 201810299296A CN 108419282 A CN108419282 A CN 108419282A
- Authority
- CN
- China
- Prior art keywords
- neuron
- temperature
- path
- qos
- value
- 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.)
- Pending
Links
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
- 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
- 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
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种适用于机器人传感网的多约束QoS路由方法,包括以下步骤:提出了一种基于平均场退火(MFA)的新型路由方案,找到满足QoS应用程序的多重约束的最优路径,应用于机器人传感网中。MFA‑RS首先使用两个QoS参数的函数,将无线链路的延迟和传输成功率作为成本函数,同时使用一组确定性方程来代替模拟退火(SA)中的随机过程,并在平衡的平稳概率分布中使用鞍点近似,然后试图通过MFA找到一条可行的路径。
Description
技术领域
本发明涉及到无线网络通信传输技术领域,具体是一种适用于机器人传感网的多约束QoS路由方法。
背景技术
多约束的服务质量(QoS)路由的目标是找到满足一组QoS参数的最佳路径,作为一个NP完全问题,这也是机器人传感网的的一个巨大挑战。利用多项式和伪多项式时间复杂度的启发式算法来处理这个问题。然而,现有的解决方案,其中大部分要么是由于过度的计算复杂性,要么是由于性能较差,只能用于有线网络,不能直接用于机器人传感网,一个有效的多项式算法很少存在。
发明内容
本发明的目的在于针对上述问题,进行了处理,提供了一个适用于机器人传感网的多约束QoS路由方法,即基于平均场退火(MFA-RS)来解决这个问题,平均场退火(MFA-RS)首先使用两个QoS参数的函数,将无线链路的延迟和传输成功率作为成本函数,然后试图通过MFA找到一条可行的路径。
本发明所采用的技术方案如下:一种适用于机器人传感网的多约束QoS路由方法,包括如下步骤:
步骤1:定义一个图G=(V,Γ)用于描述一个带有有限的非空节点集V和一个链接集Γ的机器人传感网,其中的成员有两个端点,可以直接进行通信;在使用优化的QoSR中,每条链路(i,j)∈Γ,存在一个主要的成本参数c(i,j)以及一个m维度附加的QoS参数向量w(i,j)=(w1(i,j),w2(i,j),...,wl(i,j),...,wm(i,j)),QoS参数向量也被称为QoS度量w(e),在这里,所有成本参数和QoS度量w(e)都是非负的;给定m维约束向量c=(c1,c2,...,cl,...,cm),问题是要找到从源节点s到目标节点d的路径p,使得求得的路径p满足下列两个约束条件即可:
条件1.其中l=1,2,...,m;
条件2.在满足条件1)的所有可行路径上都是最小的;
上述两个条件是对求得的路径p做一个约束作用,只有满足上述两个约束条件才是可行的最优路径;
步骤2:定义拉格朗日参数、初始温度、冷却函数、终止条件以及在每个温度下定义允许的迭代次数;
步骤3:初始化N个神经元的热平均值vi-0.5+rand(-δ,δ),其中i=1,2,3...N并且|δ|<<1,接下来定义Boltzmann常数k=0;
步骤4:判断是否符合终止条件,即所有的神经元值是否都在[0,0.1]或[0.9,1]范围内或温度达到0,若符合条件则终止,否则进入下一步的迭代中去;
步骤5:这时令温度Tk下的第l次扫描冷l等于1,判断l是否超出此刻温度下定义的允许迭代次数lk,若超出终止迭代执行冷却函数,否则进入迭代循环在有限的迭代次数中根据神经元求解公式得出神经元的热平均值,当迭代次数超过该温度下允许的迭代次数时,迭代即终止执行冷却函数,此时,冷却函数会执行得到新的温度;
步骤6:判断是否符合终止条件,即所有的神经元值是否都在[0,0.1]或[0.9,1]范围内,或温度达到0,若符合条件则终止,否则跳到步骤5的迭代循环中去;
步骤7:此时所有神经元的值都求出来了,接近于1的就会出现在路径上,根据步骤1给出的约束条件1与条件2,将路径带入,符合即为最优路径。
进一步的,所述神经元求解公式由以下方式获得:
在由N个节点组成的机器人传感网中,将需要N×N个神经元,以表示一个由输出矩阵BoldItalic提供的路径;
现在就是要求得每个神经元的值,借助上述问题的表达制作矩阵求得路径,神经元值的求解过程如下:
系统处于平衡状态的概率由吉布斯规范分布表示:
其中i表示平稳的某一状态,Ei为状态i在温度T时的能量,k为Boltzmann常数,T为温度,ZT是系统配分函数,定义
其中S是网络状态;
在一个大规模优化问题中,很难计算出在公式(2)中定义的系统配分函数ZT,因此,采用了鞍点近似等近似方法,狄拉克δ函数δ(·)可以表示为:
其中I为一区间,x,y分别表示不同节点;
这个积分是沿虚轴取的,因此,
其中C是一个常数,R、I分别表示不同的区间,u被称为平均场矢量,v被称为平均场神经元值,s是网络的状态空间,E(S)为S网络状态下的能量,E(v)为平均场v下的能量;
这里
Eeff(u,v)在统计力学中称为有效能量;
在鞍点上,有:
因此
其中<ST>是S在温度T上的热平均值;在统计物理中,被称为平均场;对于二进制系统来说,若一个配置S=[s1,s2,...,sn]T作为二进制值的序列,即si∈{0,1}n,然后有v=[v1,v2,...,vn]T并且
这里u=[u1,u2,...,un]T,
对于二进制系统,有如下的MFA方程
能量函数定义为:
其中α是一个固定值,成本函数ξxy是节点x和y之间的延迟,而ζxy是传输成功率,vy,i+1为y节点在i+1状态的神经元值,vy,i-1为y节点在i-1状态的神经元值,则x节点在i状态下的平均场和神经元平均值分别记为hxi、vxi,则hxi和vxi变成:
到此处神经元求解公式已经得到。
进一步的,所述冷却函数为Tk+1=αTk,其中Tk为第k次退火的温度,0<α<1,k=0、1、2、3...。
进一步的,所述T0=50。
进一步的,所述α优选0.85。
本发明的有益效果是提出一个新颖的路由方案基于平均场退火(MFA-RS)来找到满足一组QoS参数的最佳路径,作为一个NP完全问题,应用于机器人传感网中。MFA-RS首先使用两个QoS参数的函数,将无线链路的延迟和传输成功率作为成本函数,然后试图通过MFA找到一条可行的路径。由于MFA-RS使用一组确定性方程,并在平衡的平稳概率分布中使用鞍点近似,收敛时间要少很多。
附图说明
图1是平均场网络(MFN)的程序流程图;
图2给出了五个节点组成双向无线链路的机器人传感网图;
图3为MFA-RS关于不同退火时间的收敛时间(CT)对比图,通过设置公式(12)中的α有不同的值以便发现收敛时间(CT)与退火时间的相关性;
图4为MFA-RS关于不同退火时间的成功率(SR)对比图,虽然一组SRs的差异不太明显,但随着温度的快速下降,相应的成功率(SR)将会降低,也就是说,最终配置的质量将会下降;
图5是收敛时间(CT)与节点数(路径)的对比(α=0.90)图;
图6显示了在机器人传感网中用于多约束QoS路由的这两种算法MFA-RS和SA-RS的成功率(SR)(α=0.90)对比图。
具体实施方式
为了让本发明的特征和优点更加明显,下面结合本发明附图对本发明进行详细、完整的说明。
对于多约束的QoSR问题,N×N神经元将被用来提供一个有效的路径从源到目标节点。神经元被分成N组N个神经元。在由A.B.C.D.E五个节点组成的机器人传感网中(见图2),将需要25个神经元,以表示一个由输出矩阵BoldItalic提供的路径。
例如,
矩阵第一行表示节点A,第二行表示节点B,第三行表示节点C,第四行表示节点D,第五行表示节点E。例子中给出的矩阵图表示从节点A到节点C的一条有效路径,第一步是节点A,第二步自我循环还是节点A,第三步是节点C,第四第五步都是节点C的自我循环,即A-A-C-C-C可以被解释为A-C。当然还有其他的路径,比如A-C-C-C-C,A-A-A-C-C和A-A-A-A-C,都可以用来表示相同的路径。A-A-C-C-C的总延误将是
ξ=ξAA+ξAA+ξAC+ξCC+ξCC
自我循环是允许的,并且没有与之相关的成本。实际的成本是路线上的ξAC。
而对于模拟退火(SA)在统计力学中,是一种物理过程,为了用最小的能量使系统放松。系统处于状态的概率由吉布斯正则分布表示:
其中i表示平稳的某一状态,Ei为状态i在温度T时的能量,k为Boltzmann常数,T为温度,ZT是系统配分函数,定义
其中S是网络状态;
但退火要在每个温度下达到热平衡很费时间。在每个温度下,有限的跃迁数不能保证全局最优。在统计物理中,平均场近似(MFA)使用一组确定性方程并且将鞍点近似利用到平衡的平稳概率分布的计算中,在每个温度下达到平衡会快得多。尽管这种近似方法可能不能保证收敛到全局最小值,但它确实提供了一个很好的近似,可以用更少的计算量来找到近似最优解。
在一个大规模优化问题中,很难计算出在公式(2)中定义的系统配分函数ZT。因此,采用了鞍点近似等近似方法。狄拉克δ函数δ(·)可以表示为:
其中I为一区间,x,y分别表示不同节点;
这个积分是沿虚轴取的。因此,
其中C是一个常数,R、I分别表示不同的区间,u被称为平均场矢量,v被称为平均场神经元值,s是网络的状态空间,E(S)为S网络状态下的能量,E(v)为平均场v下的能量;这里
Eeff(u,v)在统计力学中称为有效能量;在鞍点上,有
因此
其中<ST>是S在温度T上的热平均值。在统计物理中,被称为平均场。对于二进制系统来说,如果代表一个配置S=[s1,s2,...,sn]T作为二进制值的序列,即si∈{0,1}n,然后有v=[v1,v2,...,vn]T并且
这里u=[u1,u2,...,un]T,
对于二进制系统,有如下的MFA方程
能量函数定义为:
其中α是一个固定值,成本函数(为了便于与基于SA算法进行比较,只需要两个QoS参数ξxyζxy考虑进去。这里,ξxy是节点x和y之间的延迟,而ζxy是传输成功率。)第一项处理约束参数,第二项在优化过程中增加了对神经元的局部正反馈,从而稳定了平均场网络,消除了混沌行为(寄生振荡),vy,i+1为y节点在i+1状态的神经元值,vy,i-1为y节点在i-1状态的神经元值,则x节点在i状态下的平均场和神经元平均值分别记为hxi、vxi,则hxi和vxi变成:
到此处神经元求解公式以及得到,下面就是结合具体流程图,详细叙述流程图的执行过程。
第一步定义一个图G=(V,Γ)用于描述一个带有有限的非空节点集V和一个链接集Γ的机器人传感网,其中的成员有两个端点,可以直接进行通信;在使用优化的QoSR中,每条链路(i,j)∈Γ,存在一个主要的成本参数c(i,j)以及一个m维度附加的QoS参数向量w(i,j)=(w1(i,j),w2(i,j),...,wl(i,j),...,wm(i,j)),QoS参数向量也被称为QoS度量w(e),在这里,所有成本参数和QoS度量w(e)都是非负的。给定m维约束向量c=(c1,c2,...,cl,...,cm),问题是要找到从源节点s到目标节点d的路径p,使得求得的路径p满足下列两个约束条件即可:
条件1.其中l=1,2,...,m;
条件2.在满足条件1)的所有可行路径上都是最小的。
上述两个条件是对求得的路径p做一个约束作用,只有满足上述两个约束条件才是可行的最优路径。
第二步定义拉格朗日参数、初始温度、冷却函数、终止条件,在每个温度下定义允许的迭代次数。临界温度是在急剧的状态转变开始的温度下定义的。也就是说,每个神经元都可能被推向“0”或“1”的状态。在这里,通过运行模拟和绘制能量与温度的关系,设置初始温度T0=50;温度控制函数反映了温度降低的方式,在模拟中,采用以下冷却函数:Tk+1=αTk,0<α<1;程序终止条件就是当所有的神经元值都在[0,0.1]或[0.9,1]范围内,或温度达到0时,就停止了退火;l和lk分别是在温度Tk下的第l次扫描和在温度Tk下执行的扫描次数。
第三步初始化N个神经元的热平均值vi-0.5+rand(-δ,δ)其中i=1,2,3...N并且|δ|<<1,接下来定义Boltzmann常数k=0。
第四步此时做一个判断是否符合终止条件即所有的神经元值都在[0,0.1]或[0.9,1]范围内或温度达到0,若符合条件此流程图终止,否则进入下一步的迭代中去。
第五步这时令温度Tk下的第l次扫描冷l等于1,做一个判断,判断l是否超出此刻温度下定义允许的迭代次数lk,若超出终止迭代执行冷却函数,否则进入迭代循环在有限的迭代次数中根据公式(13)和公式(14)得出神经元的热平均值,当迭代次数超过该温度下允许的迭代次数时,迭代即终止执行冷却函数。
第六步这时冷却函数会执行得到新的温度,此时依旧执行终止条件即所有的神经元值都在[0,0.1]或[0.9,1]范围内或温度达到0的一个判断,是否符合终止条件,符合即停止否则跳到第四步的迭代循环中去。
第七步此时所有神经元的值都求出来了,接近于一的就会出现在路径上,根据第一步给出的约束条件1与条件2,将路径带入,符合即为最优路径。
所以为了解决使用MFA在机器人传感网中优化的多约束QoS路由问题,首先需要设置网络参数,即把问题映射到MFN上。对于多约束的QoSR问题,N×N神经元将被用来提供一个有效的路径从源到目标节点。神经元被分成N组N个神经元以表示一个由输出矩阵BoldItalic提供的路径。
以下通过仿真实例来说明本发明的优化算法性能,考虑了不同节点的无线网状网络。MFA-RS的性能与基于SA的方法进行了比较。先随机初始化有效无线链路的延迟和传输成功率,然后根据上述的MFA-RS的一些关键的设置相应的参数。在这里,这两个QoS参数从它们之间没有关联的均匀分布中选择,也就是说,两个QoS参数都是由统一分布独立选择的。基于SA的方法,初始化相关参数如下:让T0=10,Tt→0,则Markov链的长度是102,冷却函数为Tk+1=αTk(让α=0.90)。
考虑的性能指标分别是收敛时间(CT)和成功率(SR)。如果算法找到了连接请求的路径,将此请求作为路由连接请求进行计数。CT表示找到一条可行路径所需的平均时间;SR,它显示了算法找到满足给定约束的路径的频率,指路由连接请求总数与连接请求总数的比率。
图3表示关于不同退火时间表下的MFA-RS的收敛时间。设置公式(12)中的α有不同的值为了发现收敛时间与退火时间的相关性。当温度下降得更快时,例如,当α=0.85时,所需的收敛时间会相应地变短,也就是说,MFA-RS的计算效率将提高。
图4显示了MFA-RS关于不同退火时间的成功率。虽然一组SRs的差异不太明显,但随着温度的快速下降,相应的SR将会降低,也就是说,最终配置的质量将会下降。
图5显示了CT与节点数(路由)的对比。在不同的场景中,仅当现有节点(路由)的数量不同时,执行了这两种不同的方法。如图5所示,随着节点数量的增加,运行时间增加,但不像指数时间那样快,MFA-RS显示出比基于SA的方法更好的性能。例如,当节点数为10时(因此,从源到目的地的可行路线的数目为36),MFA-RS的收敛时间为0.4ms,而基于SA的方法的时间为5ms,比MFA-RS长。原因如下:
1)SA-RS和MFA-RS都是多项式算法,可用于求解NP完全问题,并能渐近地到达近似的全局最优解;
2)在MFA-RS中,使用一组确定性方程来代替基于SA的方法中的随机过程,并在平衡态的平稳概率分布的计算中使用鞍点近似;因此,收敛时间比基于SA的方法要少得多。最后,结果显示,当网络规模相对较小时,为了满足更严格的QoS服务请求,可以在实践中对所需要的时间进行容忍。
然后,将MFA-RS的另一个性能指标与SA-RS进行对比。图6显示了在机器人传感网中用于多约束QoS路由的这两种算法的SR。当机器人传感网中有10个节点时,这两种算法的相关SR分别约为91%和89%。当涉及到20,30个节点时,SRs将分别为95%、91%和92%。结论可以得出MFA-RS提供与SA-RS近似的SR。
MFA-RS在优化过程中增加了对神经元的局部正反馈,从而稳定了平均场网络,消除了混沌行为(寄生振荡);因此,它能比基于SA的算法收敛得更快。该方法是一种有效的近似算法。在多项式时间内寻找(近似)最优配置表现出良好的性能。
在无线网状网络中,寻找能同时满足多个QoS参数的最优路径是一个NP完全组合优化问题。现有的有线网络方法不能在这种情况下直接使用。基于SA的方法是在搜索全局最优解的一种强大的随机优化方法,但它很耗费时间。本文利用平均场退火提出了一种新的多约束路由方法即MFA-RS。平均场退火,采用鞍点近似,用一组确定性方程来代替SA中的随机过程;因此,它比SA更有效。数值结果表明,MFA-RS可以比基于SA基的方法更快地找到可比较的解决方案,这是一种有前景的多约束QoS路由算法,可以对无线网格网络进行优化。
Claims (5)
1.一种适用于机器人传感网的多约束QoS路由方法,其特征在于,包括如下步骤:
步骤1:定义一个图G=(V,Γ)用于描述一个带有有限的非空节点集V和一个链接集Γ的机器人传感网,其中的成员有两个端点,可以直接进行通信;在使用优化的QoSR中,每条链路(i,j)∈Γ,存在一个主要的成本参数c(i,j)以及一个m维度附加的QoS参数向量w(i,j)=(w1(i,j),w2(i,j),...,wl(i,j),...,wm(i,j)),QoS参数向量也被称为QoS度量w(e),在这里,所有成本参数和QoS度量w(e)都是非负的;给定m维约束向量c=(c1,c2,...,cl,...,cm),问题是要找到从源节点s到目标节点d的路径p,使得求得的路径p满足下列两个约束条件即可:
条件1.其中l=1,2,...,m;
条件2.在满足条件1)的所有可行路径上都是最小的;
上述两个条件是对求得的路径p做一个约束作用,只有满足上述两个约束条件才是可行的最优路径;
步骤2:定义拉格朗日参数、初始温度、冷却函数、终止条件以及在每个温度下定义允许的迭代次数;
步骤3:初始化N个神经元的热平均值vi-0.5+rand(-δ,δ),其中i=1,2,3...N并且|δ|<<1,接下来定义Boltzmann常数k=0;
步骤4:判断是否符合终止条件,即所有的神经元值是否都在[0,0.1]或[0.9,1]范围内,或温度达到0,若符合条件则终止,否则进入下一步的迭代中去;
步骤5:这时令温度Tk下的第l次扫描冷l等于1,判断l是否超出此刻温度下定义的允许迭代次数lk,若超出终止迭代执行冷却函数,否则进入迭代循环在有限的迭代次数中根据神经元求解公式得出神经元的热平均值,当迭代次数超过该温度下允许的迭代次数时,迭代即终止执行冷却函数,此时,冷却函数会执行得到新的温度;
步骤6:判断是否符合终止条件,即所有的神经元值是否都在[0,0.1]或[0.9,1]范围内,或温度达到0,若符合条件则终止,否则跳到步骤5的迭代循环中去;
步骤7:此时所有神经元的值都求出来了,接近于1的就会出现在路径上,根据步骤1给出的约束条件1与条件2,将路径带入,符合即为最优路径。
2.根据权利要求1所述的一种适用于机器人传感网的多约束QoS路由方法,其特征在于,所述神经元求解公式由以下方式获得:
在由N个节点组成的机器人传感网中,将需要N×N个神经元,以表示一个由输出矩阵BoldItalic提供的路径;
现在就是要求得每个神经元的值,借助上述问题的表达制作矩阵求得路径,神经元值的求解过程如下:
系统处于平衡状态的概率由吉布斯规范分布表示:
其中i表示平稳的某一状态,Ei为状态i在温度T时的能量,k为Boltzmann常数,T为温度,ZT是系统配分函数,定义
其中S是网络状态;
在一个大规模优化问题中,很难计算出在公式(2)中定义的系统配分函数ZT,因此,采用了鞍点近似等近似方法,狄拉克δ函数δ(·)可以表示为:
其中I为一区间,x,y分别表示不同节点;
这个积分是沿虚轴取的,因此,
其中C是一个常数,R、I分别表示不同的区间,u被称为平均场矢量,v被称为平均场神经元值,s是网络的状态空间,E(S)为S网络状态下的能量,E(v)为平均场v下的能量;
这里
Eeff(u,v)在统计力学中称为有效能量;
在鞍点上,有:
因此
其中<ST>是S在温度T上的热平均值;在统计物理中,被称为平均场;对于二进制系统来说,若一个配置S=[s1,s2,...,sn]T作为二进制值的序列,即si∈{0,1}n,然后有v=[v1,v2,...,vn]T并且
这里u=[u1,u2,...,un]T,
对于二进制系统,有如下的MFA方程
能量函数定义为:
其中α是一个固定值,成本函数ξxy是节点x和y之间的延迟,而ζxy是传输成功率,vy,i+1为y节点在i+1状态的神经元值,vy,i-1为y节点在i-1状态的神经元值,则x节点在i状态下的平均场和神经元平均值分别记为hxi、vxi,则hxi和vxi变成:
到此处神经元求解公式已经得到。
3.根据权利要求1或2所述的一种WMNs多约束QoS路由方法,其特征在于,所述冷却函数为Tk+1=αTk,其中Tk为第k次退火的温度,0<α<1,k=0、1、2、3...。
4.根据权利要求3所述的一种WMNs多约束QoS路由方法,其特征在于,所述T0=50。
5.根据权利要求4所述的一种WMNs多约束QoS路由方法,其特征在于,所述α优选0.85。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299296.XA CN108419282A (zh) | 2018-04-04 | 2018-04-04 | 一种适用于机器人传感网的多约束QoS路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299296.XA CN108419282A (zh) | 2018-04-04 | 2018-04-04 | 一种适用于机器人传感网的多约束QoS路由方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108419282A true CN108419282A (zh) | 2018-08-17 |
Family
ID=63134611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810299296.XA Pending CN108419282A (zh) | 2018-04-04 | 2018-04-04 | 一种适用于机器人传感网的多约束QoS路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108419282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404815A (zh) * | 2020-03-06 | 2020-07-10 | 武汉大学 | 一种基于深度学习的有约束路由选择方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670754A (zh) * | 2004-07-09 | 2005-09-21 | 清华大学 | 基于平均场退火技术的蛋白质的立体结构比对方法 |
CN101651618A (zh) * | 2009-07-23 | 2010-02-17 | 浙江大学 | 基于改进nr-hnnr算法的通信网络路由控制方法 |
-
2018
- 2018-04-04 CN CN201810299296.XA patent/CN108419282A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670754A (zh) * | 2004-07-09 | 2005-09-21 | 清华大学 | 基于平均场退火技术的蛋白质的立体结构比对方法 |
CN101651618A (zh) * | 2009-07-23 | 2010-02-17 | 浙江大学 | 基于改进nr-hnnr算法的通信网络路由控制方法 |
Non-Patent Citations (3)
Title |
---|
LIANGGUI LIU: "Mean Field Network Based QoS Routing", 《IEEE》 * |
刘良桂: "无线多媒体传感器网络中高效多约束QoS路径选择", 《应用基础与工程科学学报》 * |
高德民: "无线传感器网络覆盖控制及路由若干技术研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404815A (zh) * | 2020-03-06 | 2020-07-10 | 武汉大学 | 一种基于深度学习的有约束路由选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920280B (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN109767117B (zh) | 移动边缘计算中联合任务调度的功率分配方法 | |
CN109840154A (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
CN104317646B (zh) | 基于OpenFlow框架下云数据中心虚拟机调度方法 | |
CN103971160A (zh) | 基于复杂网络的粒子群优化方法 | |
CN113285831A (zh) | 网络行为知识智能学习方法、装置、计算机设备及存储介质 | |
CN110851662A (zh) | 基于元路径的异质信息网络链路预测方法 | |
CN103761212B (zh) | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 | |
CN108419282A (zh) | 一种适用于机器人传感网的多约束QoS路由方法 | |
CN114706631A (zh) | 基于深度q学习的移动边缘计算中卸载决策方法及系统 | |
Ren et al. | Learning automata-based data aggregation tree construction framework for cyber-physical systems | |
Yujie et al. | An effective controller placement algorithm based on clustering in SDN | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 | |
Yang et al. | Research on cognitive radio engine based on genetic algorithm and radial basis function neural network | |
CN103619047B (zh) | 一种多并发流无线网状网中的机会路由方法 | |
Sun et al. | QPSO-based QoS multicast routing algorithm | |
Reddy et al. | Elitist-mutated multi-objective particle swarm optimization for engineering design | |
Liu et al. | QoS multicast routing based on particle swarm optimization | |
CN115103338A (zh) | 一种d2d环境下基于深度强化学习的交接卸载方法及装置 | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
CN111030852B (zh) | 基于丢包率优化的服务功能链部署方法 | |
Trdlicka et al. | In-network distributed algorithm for energy optimal routing based on dual decomposition of linear programming | |
CN113127167A (zh) | 一种基于改进遗传算法的异构资源智能并行调度方法 | |
CN112016006A (zh) | 一种基于Trust-Walker的信任推荐模型 | |
CN111752707A (zh) | 一种基于映射关系的电力通信网资源分配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |