CN108632785B - 一种基于链路质量的蚁群自适应车联网路由选择方法 - Google Patents
一种基于链路质量的蚁群自适应车联网路由选择方法 Download PDFInfo
- Publication number
- CN108632785B CN108632785B CN201810421423.9A CN201810421423A CN108632785B CN 108632785 B CN108632785 B CN 108632785B CN 201810421423 A CN201810421423 A CN 201810421423A CN 108632785 B CN108632785 B CN 108632785B
- Authority
- CN
- China
- Prior art keywords
- link quality
- road
- probability
- ant colony
- formula
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明请求保护一种基于链路质量的蚁群自适应车联网路由选择方法,其包括步骤:计算道路的连通概率、传输时延、以及分组投递率,并进行综合考虑,建立来链路质量模型;将链路质量与蚁群算法相结合提出一种LACOR算法,自适应的寻找车联网路由中最优的路径进行信息的传递。本方案综合考虑了道路交通环境中的车辆通信半径、路段长度、数据包大小、车辆密度等因素对链路质量的影响,再结合蚁群算法提出一种LACOR算法寻找最优的传输路径,最后实验仿真表明,在传输时延以及分组投递率方面相较于其他的方法有明显的提升。
Description
技术领域
本发明属于智能交通领域,具体是一种基于链路质量的蚁群自适应车联网路由选择方法。
背景技术
车载自组织网络(Vehicular Ad Hoc Network,VANET),是智能交通系统(intelligent transportation system,TIS)不可缺少的重要组成部分,越来越受到学术界和工业界的关注。VANET中由于无线接入技术的支持不需要固定的基础设施支持就能实现车到车和车到基础设施的通信。
复杂的交通环境对VANET的通信性能提出了更高的要求,而通信性能好坏一定程度上取决于路由协议的优劣。一种基于连通感知的iCARII路由通过获取道路上的交通信息寻找路径,但此路由协议不能应对车辆快速移动带来的拓扑变化影响。基于地图的路由协议,对于频繁拓扑变化更具有灵活性,但开销较大。GyTAR路由协议可以快速应对拓扑的变化,但其不能得到最佳路径,导致延时增加,数据包传输率下降。结合蚁群优化算法的路由协议具能较好的适应复杂多变的交通环境找到最优路径。为此本发明提出一种基于链路质量的蚁群自适应车联网路由选择方法,发明中通过建立链路质量模型并进行分析,得出道路环境对链路相关因素的影响,再结合蚁群算法根据链路质量改进路径选择公式,对所选择的道路进行优化,最后得的到最优路径。通过实验仿真表明,发明的LACOR算法收敛速度快、数据包传输延迟小,分组投递率高,通信性能好。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种数据包传输延迟小,分组投递率高,通信性能好的基于链路质量的蚁群自适应车联网路由选择方法。本发明的技术方案如下:
一种基于链路质量的蚁群自适应车联网路由选择方法,其包括以下步骤:
计算双向道路的连通概率、传输时延及分组投递率,并取不同的权重系数,建立链路质量模型;
将链路质量模型的链路质量与蚁群算法相结合提出一种LACOR基于链路质量的蚁群自适应车联网路由选择算法,将链路质量分为局部链路质量与全局链路质量,并且将局部链路质量定义为局部信息素,全局链路质量定义为全局信息素,再将蚁群算法的概率选择公式与链路质量相结合得到改进后的公式,改进主要在:将局部信息素和全局信息素替换掉传统蚁群算法中的信息素变量和启发信息素,使其两相结合,自适应的寻找车联网路由中最优的路径进行信息的传递。
进一步的,所述将道路的连通概率、传输时延、以及分组投递率进行综合考虑,并取不同的权重系数,建立链路质量模型如公式(1)所示:
L(y)=η1CP(y)+η2Delay(y)+η3PDR(y) (1)
其中CP(y)为路由y的网络连通概率,Delay(y)为路由y的数据传输时延PDR(y)为路由y的分组投递率,其中,Delay=(Dth-D)/Dth,Dth为延时的阈值,D为所求路段的延时,且η1+η2+η3=1。
步骤i、先求出有q条断开链路可修复的概率Pw|Q(q)如公式(2)所示:
其中ρ代表修复链路的车辆密度,cs代表单元格大小,N代表单元格的个数,q代表断开链路的条数,且q∈{0,1,...,N-1};
步骤ii、对于有N-1个连通单元格来说,链路是否断开的概率情况满足二项分布,得到q条断开链路的概率PQ(q)如式(3)所示:
步骤iii、根据全概率公式求得双车道下的连通概率CP如式(4)所示:
进一步的,所述计算道路的传输延时,具体包括:
当双车道的下一跳传输单元格内没有车辆,求得双向传输单元格内没有车辆的情况的概率ft如公式(5):
求出不同情况下的数据传输时延函数D如式(6)所示:
进一步的,所述计算道路的分组投递率,具体包括:
结合瑞利衰落信道分析单跳误码率,进而推导出分组投递率,得到单跳下的误码率如公式(7)所示:
其中Pt是发射机功率,Gt和Gr是发射机和接收机的增益,fc是载波频率,c是光速,y是发射车辆与接收车辆之间的距离,Ptherm是噪声功率,σf 2瑞利分布的方差。求出平均单跳的误码率如公式(8)所示:
根据误码率与分组投递率的关系求出道路上的分组投递率如公式(9)所示:
PDRL=((1-(1-cr)E[BERL(Y)])psize)Hop (9)
其中psize表示数据包的大小,cr代表错误校正比率,y表示一跳的距离,传输所需的跳数Hop=N(1-ft)。
进一步的,所述将局部链路质量LQ定义为局部信息素,全局链路质量GQ定义为全局信息素,再将蚁群算法的概率选择公式与链路质量相结合得到改进后的公式具体包括:
L(eij)表示路段eij的链路质量,L(yij)表示路由yij的链路质量,CP(eij)是路段eij的连通概率,CP(yij)是路由yij的连通概率,D(eij)表示路段eij的传输延时,D(yij)表示路由yij的传输延时,Dth表示传输延时阈值,PDR(eij)是路段eij的分组投递率,PDR(yij)是路由yij的分组投递率,η1、η2和η3均表示权重系数
如式(11):
进一步的,所述LACOR算法的步骤如下:
(1)初始化参数:蚁群最大迭代次数、蚂蚁总数、局部信息素因子、全局信息素因子、信息素挥发因子在内的信息;
(2)源节点向目的节点发生送路由请求,若存在路由则返回确定消息给源节点,源节点直接发送数据包,否则转至(3);
(3)蚁群开始迭代;
(4)生成前向蚂蚁,开始搜索路径;
(5)判断蚂蚁是否到达目的节点所在路段,若是转至(6),否则根据公式(11)选择下一个路段,并且继续判断(5);
(6)前向蚂蚁变为后向蚂蚁,沿原路返回源节点,更新全局信息素;
(7)如果全部的蚂蚁都返回目的节点,转至(8),否则跳转至(4);
(8)全部蚂蚁寻找完路径后,选出本次迭代最优的路径信息,保存到路由表中;
(9)判断蚁群是否满足最大迭代次数,若满足则整理迭代结果,获取最优路径集合,算法完成,否则跳转至(3),继续进行迭代。
本发明的优点及有益效果如下:
本发明该算法考虑了道路中车辆密度、通信半径等因素对连通概率、传输时延、分组投递率的影响来研究链路质量,结合改进后的蚁群算法路段选择公式,以及信息素的更新,求得最优路由。与相关算法进行对比,结果表明该算法在收敛速度、传输延时、分组投递率方面总体优于参考算法,具有良好的通信效果,能够保证信息的可靠稳定传输。为复杂的道路环境进行信息的传输提供了理论依据。
1、设定的研究场景为为双向车道,较单向车道而言更加符合实际情况;
2、将道路划分为多个单元格便于计算连通概率;
3、利用反向车辆进行链路修复,提高道路的连通概率;
4、将数据转发的形式分为逐跳转发与携带-转发两种方式,根据不同的情况进行信息的传输;
5、考虑无线衰落信道的影响,更加符合实际情况的分组投递率研究;
6、将链路质量分为局部链路质量和全局链路质量,进而替代传统蚁群算法中的信息素变量和启发式信息素,使两者相结合,求出最优的路由。
附图说明
图1是本发明提供优选实施例路网平面模型图;
图2为双向道路示意图;
图3为LACOR算法流程图;
图4为车辆密度与连通概率关系图;
图5为车辆密度与传输时延关系图;
图6为道路长度与分组投递率关系图;
图7为迭代次数与传输时延关系图;
图8为迭代次数与分组投递率关系图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明重点解决的复杂交通环境下,解决车辆信息稳定可靠的传输问题,其主要思路是考虑无线信道的衰落、通信半径、路段长度、车辆密度、数据包的大小等因素对连通概率、传输时延、分组投递率的影响来研究链路质量,结合改进后的蚁群算法路段选择公式,以及信息素的更新,求得最优路由。
其实施方式如下:
步骤ⅰ、建立链路质量模型:
将道路的连通概率、传输时延、以及分组投递率进行综合考虑,并取不同的权重系数,建立链路质量模型如公式(1)所示:
L(y)=η1CP(y)+η2Delay(y)+η3PDR(y) (1)
其中CP(y)为路由y的网络连通概率,Delay(y)为路由y的数据传输时延PDR(y)为路由y的分组投递率。其中,Delay=(Dth-D)/Dth,Dth为延时的阈值,D为所求路段的延时,且η1+η2+η3=1。
步骤ii、计算道路的连通概率:
在长度L的双向道路上根据通信半径R划分多传输个单元格且单元格的个数N=L/cs,并考虑相反方向的车辆可以进行通信了链路的修复,进而增加道路整体的连通性能。先求出有q条断开链路可修复的概率Pw|Q(q)如公式(2)所示:
其中ρ代表修复链路的车辆密度,cs代表单元格大小,N代表单元格的个数,q代表断开链路的条数,且q∈{0,1,...,N-1}。对于有N-1个连通单元格来说,链路是否断开的概率情况满足二项分布,得到q条断开链路的概率PQ(q)如式(3)所示:
根据全概率公式求得双车道下的连通概率CP如式(4)所示:
仿真结果如附图4所示,随着车辆密度从0.01到0.05的增大,双向车道中存在的中断链路被逐渐修复,使得整条道路处于完全连通的状态,提高了网络的连通概率。单元格cs=0.75R,通信半径R=200米的连通概率最大,因为单元格越大,包含的车辆就越多,两个相邻单元格内车辆进行通信的概率就越大,连通性就越高。
步骤iii、计算道路的传输延时:
根据3GPP协议,车辆在发送安全信息时的周期为100毫秒,因此设定每跳所需的时间tp为0.1秒。当双车道的下一跳传输单元格内没有车辆,必须先进行消息携带当遇到车辆时再进行转发的情况。求得双向传输单元格内没有车辆的情
况的概率ft如公式(5):
求出不同情况下的数据传输时延函数D如式(6)所示:
仿真结果如附图所示,传输时延总体上随着车辆密度的增加而减小,当密度增大到0.03时,传输时延分别保持在0.9秒和0.7秒不变,这是因为前期车辆密度较小时,路段中存在携带转发的情况时延较大,此时车辆速度为影响传输时延的主要因素,速度越大时延越小;随着车辆密度的增加,每一个单元格内,都存在转发车辆,使得信息的传输方式为逐跳转发,传输时延变为一个定值,此时通信半径成为影响传输时延的主要因素且半径越大最后的传输时延越低。
步骤iv、计算道路的分组投递率:
结合瑞利衰落信道分析单跳误码率,进而推导出分组投递率。根据信道衰落等因素,得到单跳下的误码率如公式(7)所示:
其中Pt是发射机功率,Gt和Gr是发射机和接收机的增益,fc是载波频率,c是光速,y是发射车辆与接收车辆之间的距离。Ptherm是噪声功率,σf 2瑞利分布的方差。进一步求出平均单跳的误码率如公式(8)所示:
根据误码率与分组投递率的关系求出道路上的分组投递率如公式(9)所示:
PDRL=((1-(1-cr)E[BERL(Y)])psize)Hop (9)
其中psize表示数据包的大小,cr代表错误校正比率,y表示一跳的距离,传输所需的跳数Hop=N(1-ft)。
仿真结果如附图6所,随着道路长度的增加数据包传输所需的跳增加,信道衰落的影响更加明显,从而使得分组投递率呈递减的趋势。数据包越大,信息发生错误丢失的概率就越大,导致分组投递率越低,单元格的长度越大,所需的跳数就越少,信息的丢失也就越少,数据包的交付率越大。
步骤v、基于链路质量的LACOR路由算法
将链路质量分为两种类型,局部链路质量(Local link quality,LQ)与全局链路质量(Global link quality,GQ),如下式(10)所示,并且将局部链路质量定义为局部信息素,全局链路质量定义为全局信息素,以便与蚁群算法结合分析。
再将蚁群算法的概率选择公式与链路质量相结合得到改进后的公式如式(11):
附图3为LACOR算法的流程图,表1为仿真参数的设置。由附图7和附图8可知随着蚁群迭代次数的增加本发明提出的LACOR算法表现最好,不仅收敛速度快传输延时效果好而且分组投递率最高,没有出现搜索停滞。特别是在分组投递率方面LACOR算法在第73次迭代之后就到达了将近0.88的分组投递率,并且增涨的幅度是ACDR算法的2倍,
由此可见,本文提出了基于链路质量的蚁群自适应车联网路由选择方法。该方法考虑了道路中车辆密度、通信半径等因素对连通概率、传输时延、分组投递率的影响来研究链路质量,结合改进后的蚁群算法路段选择公式,以及信息素的更新,求得最优路由。与其他两种方法进行对比,结果表明本文提出的方法在收敛速度、传输延时、分组投递率方面总体优于所参考的,具有良好的通信效果,能够保证复杂城市环境下信息的可靠稳定传输。以下是仿真参数:
表1仿真参数设置
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (4)
1.一种基于链路质量的蚁群自适应车联网路由选择方法,其特征在于,包括以下步骤:
计算双向道路的连通概率、传输时延及分组投递率,并取不同的权重系数,建立链路质量模型;
将链路质量模型的链路质量与蚁群算法相结合提出一种LACOR基于链路质量的蚁群自适应车联网路由选择算法,将链路质量分为局部链路质量与全局链路质量,并且将局部链路质量定义为局部信息素,全局链路质量定义为全局信息素,再将蚁群算法的概率选择公式与链路质量相结合得到改进后的公式,改进主要在:将局部信息素和全局信息素替换掉传统蚁群算法中的信息素变量和启发信息素,使其相结合,自适应的寻找车联网路由中最优的路径进行信息的传递;
步骤i、先求出有q条断开链路可修复的概率Pw|Q(q)如公式(2)所示:
其中ρ代表修复链路的车辆密度,cs代表单元格大小,N代表单元格的个数,q代表断开链路的条数,且q∈{0,1,...,N-1};
步骤ii、对于有N-1个连通单元格来说,链路断开的概率情况满足二项分布,得到q条断开链路的概率PQ(q)如式(3)所示:
步骤iii、根据全概率公式求得双车道下的连通概率CP如式(4)所示:
所述计算道路的传输延时,具体包括:
当双车道的下一跳传输单元格内没有车辆,求得双向传输单元格内没有车辆的情况的概率ft如公式(5):
求出不同情况下的数据传输时延函数D如式(6)所示:
所述计算道路的分组投递率,具体包括:
结合瑞利衰落信道分析单跳误码率,进而推导出分组投递率,得到单跳下的误码率如公式(7)所示:
其中Pt是发射机功率,Gt和Gr是发射机和接收机的增益,fc是载波频率,c是光速,y是发射车辆与接收车辆之间的距离,Ptherm是噪声功率,σf 2瑞利分布的方差;求出平均单跳的误码率如公式(8)所示:
根据误码率与分组投递率的关系求出道路上的分组投递率如公式(9)所示:
PDRL=((1-(1-cr)E[BERL(Y)])psize)Hop (9)
其中psize表示数据包的大小,cr代表错误校正比率,y表示一跳的距离,传输所需的跳数Hop=N(1-ft)。
2.根据权利要求1所述的基于链路质量的蚁群自适应车联网路由选择方法,其特征在于,将道路的连通概率、传输时延、以及分组投递率进行综合考虑,并取不同的权重系数,建立链路质量模型如公式(1)所示:
L(y)=η1CP(y)+η2Delay(y)+η3PDR(y) (1)
其中CP(y)为路由y的网络连通概率,Delay(y)为路由y的数据传输时延,PDR(y)为路由y的分组投递率,其中,Delay=(Dth-D)/Dth,Dth为延时的阈值,D为所求路段的延时,且η1+η2+η3=1。
4.根据权利要求1-3之一所述的基于链路质量的蚁群自适应车联网路由选择方法,其特征在于,所述LACOR算法的步骤如下:
(1)初始化参数:蚁群最大迭代次数、蚂蚁总数、局部信息素因子、全局信息素因子、信息素挥发因子在内的信息;
(2)源节点向目的节点发送路由请求,若存在路由则返回确定消息给源节点,源节点直接发送数据包,否则转至(3);
(3)蚁群开始迭代;
(4)生成前向蚂蚁,开始搜索路径;
(5)判断蚂蚁是否到达目的节点所在路段,若是转至(6),否则根据公式(11)选择下一个路段,并且继续判断(5);
(6)前向蚂蚁变为后向蚂蚁,沿原路返回源节点,更新全局信息素;
(7)如果全部的蚂蚁都返回目的节点,转至(8),否则跳转至(4);
(8)全部蚂蚁寻找完路径后,选出本次迭代最优的路径信息,保存到路由表中;
(9)判断蚁群是否满足最大迭代次数,若满足则整理迭代结果,获取最优路径集合,算法完成,否则跳转至(3),继续进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421423.9A CN108632785B (zh) | 2018-05-04 | 2018-05-04 | 一种基于链路质量的蚁群自适应车联网路由选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421423.9A CN108632785B (zh) | 2018-05-04 | 2018-05-04 | 一种基于链路质量的蚁群自适应车联网路由选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108632785A CN108632785A (zh) | 2018-10-09 |
CN108632785B true CN108632785B (zh) | 2020-09-29 |
Family
ID=63695472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810421423.9A Active CN108632785B (zh) | 2018-05-04 | 2018-05-04 | 一种基于链路质量的蚁群自适应车联网路由选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108632785B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691342B (zh) * | 2019-09-24 | 2021-05-11 | 北京航空航天大学 | 基于分簇的车联网多信道分配方法、装置及设备 |
CN111405531A (zh) * | 2020-03-26 | 2020-07-10 | 上海有个机器人有限公司 | 一种提高通信质量的方法、介质、终端和装置 |
CN111654893B (zh) * | 2020-06-02 | 2022-04-12 | 电子科技大学 | 一种车载激光雷达组网的公平路由策略方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103685025A (zh) * | 2013-12-04 | 2014-03-26 | 中国空间技术研究院 | 一种基于leo卫星网络的跨层动态自适应路由方法 |
CN105307232A (zh) * | 2015-11-13 | 2016-02-03 | 南京邮电大学 | 一种车载自组织网络的基于连通概率的路由优化方法 |
CN106535282A (zh) * | 2016-12-19 | 2017-03-22 | 南通大学 | 车载自组织网络中基于遗传算法的QoS感知路由协议 |
-
2018
- 2018-05-04 CN CN201810421423.9A patent/CN108632785B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103685025A (zh) * | 2013-12-04 | 2014-03-26 | 中国空间技术研究院 | 一种基于leo卫星网络的跨层动态自适应路由方法 |
CN105307232A (zh) * | 2015-11-13 | 2016-02-03 | 南京邮电大学 | 一种车载自组织网络的基于连通概率的路由优化方法 |
CN106535282A (zh) * | 2016-12-19 | 2017-03-22 | 南通大学 | 车载自组织网络中基于遗传算法的QoS感知路由协议 |
Non-Patent Citations (1)
Title |
---|
基于链路质量的Ad hoc 网络遗传_蚁群路由算法;唐宏;《重庆邮电大学学》;20141015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108632785A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fekair et al. | CBQoS-Vanet: Cluster-based artificial bee colony algorithm for QoS routing protocol in VANET | |
Rivoirard et al. | Performance evaluation of AODV, DSR, GRP and OLSR for VANET with real-world trajectories | |
CN105848247B (zh) | 一种车载Ad Hoc网络的自适应路由协议方法 | |
CN108632785B (zh) | 一种基于链路质量的蚁群自适应车联网路由选择方法 | |
Cai et al. | ACO based QoS routing algorithm for wireless sensor networks | |
CN103118412A (zh) | Ad Hoc网络中基于信任的按需多路径矢量路由算法 | |
Fu et al. | Reinforcement learning-based algorithm for efficient and adaptive forwarding in named data networking | |
CN109275154B (zh) | 基于双层拓扑路由算法的动态自适应路由路径规划方法 | |
CN114339661A (zh) | 基于鲸鱼优化的飞行器自组织网络多径路由机制 | |
US20040246901A1 (en) | Time-aware strategy for message-initiated constraint-based routing | |
CN106941447A (zh) | 基于蚁群模型的自由空间光网络路由方法 | |
Alizadeh et al. | Improving routing in vehicular Ad-hoc network with VIKOR algorithm | |
CN106686680B (zh) | 一种用于车联网的路由优化系统及方法 | |
CN105228215B (zh) | 车载自组织网络中基于决策树机制的多副本路由方法 | |
CN113727408B (zh) | 一种基于速度与能量感知的无人机自组网改进aodv路由方法 | |
Korichi et al. | An efficient QoS-compliant routing scheme for VANET | |
Alghamdi | Route optimization to improve QoS in multi-hop wireless sensor networks | |
WO2024164528A1 (zh) | 一种基于地理位置的车载网络中无人机辅助缓存方法 | |
Hamedani et al. | A new two level cluster-based routing protocol for vehicular ad hoc network (VANET) | |
Marinov | Comparative analysis of AODV, DSDV and DSR routing protocols in VANET | |
CN110417572B (zh) | 一种基于目标节点相遇概率预测消息传递节点的方法 | |
CN113747536B (zh) | 一种移动环境下WSNs的QoS感知的多路径路由方法 | |
CN116782330A (zh) | Sd-uanet中考虑负载和链路变化的路径选择方法及介质 | |
Zhou et al. | A bidirectional Q-learning routing protocol for UAV networks | |
Chen et al. | An efficient neural network-based next-hop selection strategy for multi-hop VANETs |
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 |