CN109996294A - 基于多智能体网络状态值差异的分布式自适应调节算法 - Google Patents

基于多智能体网络状态值差异的分布式自适应调节算法 Download PDF

Info

Publication number
CN109996294A
CN109996294A CN201910222530.3A CN201910222530A CN109996294A CN 109996294 A CN109996294 A CN 109996294A CN 201910222530 A CN201910222530 A CN 201910222530A CN 109996294 A CN109996294 A CN 109996294A
Authority
CN
China
Prior art keywords
node
state value
network
agent
state
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.)
Granted
Application number
CN201910222530.3A
Other languages
English (en)
Other versions
CN109996294B (zh
Inventor
曹向辉
雷梦丹
孙长银
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910222530.3A priority Critical patent/CN109996294B/zh
Publication of CN109996294A publication Critical patent/CN109996294A/zh
Application granted granted Critical
Publication of CN109996294B publication Critical patent/CN109996294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0808—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA]
    • H04W74/0816—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA] with collision avoidance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明公开了一种基于多智能体网络状态值差异的分布式自适应调节算法，该方法包括以下步骤：网络中每个节点按照IEEE802.15.4协议CSMA/CA机制竞争访问信道并发送数据；利用接收到数据按照一致性数学模型更新当前状态值；分析状态值之间的差异调节MAC层参数并自主决定调节的幅度来改变发送数据的概率；分析状态值是否达到一致，若未达到一致则继续调节BEmin和NBmax，否则令多智能体进入仅维持很少的数据发送率的低速发送状态；当有新的输入时网络再次进行参数调节直至再次达到一致。根据本发明的算法，不需要对原有协议进行修改，分布式的多智能体节点能够自适应地进行参数调节使各节点状态值以较低的能耗和较快的速度达到一致。

Description

基于多智能体网络状态值差异的分布式自适应调节算法
技术领域
本发明涉及多智能体网络、协同控制系统和通信工程领域，具体来说，涉及一种以实现多智能体网络中所有节点状态值以尽快速度达到一致为目标的MAC层参数分布式自适应调节算法。
背景技术
在多智能体网络中，个体之间通过分布式的算法进行协同控制以实现一个整体的目标。节点之间通过CAMA/CA机制(常用的无线通信协议如Wi-Fi协议、Zigbee协议等都采取该机制)竞争访问信道，简单来说，每个节点在访问信道之前都会侦听信道是否空闲，若空闲则发送数据；否则在一定范围内随机选取一个退避时间，在等待该时间后再次进行信道的访问，竞争到信道的节点会进行数据的发送。节点通过不断地与邻居节点交换信息使得所有个体的状态值达到达到一个相同的值，其中，提高多智能体状态的收敛速度是研究领域最重要的一个问题之一。在现实生活中多智能体的协同控制有着很广泛的应用。环境信息采集系统中需要各个传感器协同控制实现对当前环境的更好预测；多无人机系统中需要各个无人机之间协同合作以完成总体的任务目标。
至今，多智能体系统的收敛速度提升研究已经取得了很多的研究成果。然而还存在以下的问题：1).信道竞争激烈时各节点的状态很难以较快的速度达到一致；2).多智能体数目较多、发送数据量较大时会存在严重的数据丢失，导致实际达到的一致值和理论上的一致值不符；3).实现较快的收敛速度下消耗较低的能量也是很重要的一个方面；4).多智能体网络面临恶意攻击和信息安全问题，存在攻击的情况下，实际的收敛值会严重偏离理论需要的收敛值。
发明内容
发明目的：本发明所要解决的问题是现有的多智能体网络信道竞争激烈时各节点的状态很难以较快的速度达到一致，且多智能体数目较多、发送数据量较大时会存在严重的数据丢失，导致实际达到的一致值和理论上的一致值不符，同时，实现较快的收敛速度下消耗较低的能量也是很重要的一个方面，最后，多智能体网络面临恶意攻击和信息安全问题，存在攻击的情况下，实际的收敛值会严重偏离理论需要的收敛值的问题。
技术方案：为了解决上述技术问题，本发明提供以下技术方案：
一种基于多智能体网络状态值差异的分布式自适应调节算法，多智能体系统网络是任一连通的网络，包括以下步骤：
步骤1，网络拓扑结构随机生成的多智能体网络中各节点按照IEEE 802.15.4协议CSAM/CA机制竞争访问信道并发送数据；
步骤2，每个节点利用接收到的邻居节点发送来的数据按照一致性数学模型更新当前状态值；
步骤3，分析状态值之间的差异调节最小退避指数BEmin和最大传输次数NBmax直至达到相应的阈值，并自主决定调节的幅度，从而改变发送数据的概率；
步骤4，根据状态之间的差异判断网络中各节点状态是否达到一致，若达到一致则将设置参数使得整个网络维持在较少数据量发送的低速状态；
步骤5，当网络中的状态值有新的输入或更新时，再次进入调节状态直至状态值达到新的一致状态。
进一步地，所述步骤1中，多智能体网络由G＝(D,E)表示，M＝[mij]表示该网络拓扑图的邻接矩阵，mij为1时表示两节点可直接通信，为0时表示两节点之间不可以直接通信；其中|D|和|E|分别表示网络中节点和边的数目，Ni＝{j∈D,mij≠0}表示节点i邻居节点的集合。
进一步地，所述步骤2中，多智能体网络节点之间按照IEEE802.15.4协议CSMA/CA机制竞争访问信道，竞争到信道的节点会向周围邻居广播发送自己当前的状态变量xi(t)，i表示第i个节点，t表示当前所处的Step数；
每个多智能体节点在每次收到邻居节点发送来的数据时，都按照以下公式更新自己当前的状态值：
其中xi(t)表示多智能体i在第t个Step的状态值，mij表示多智能体i为从邻居j接收到的数据所设置的权重，xij(t)。表示多智能体i接收到的从邻居j发送过来的值；
给定一个连通的网络，按照上述公式更新的所有多智能体的状态值最终会收敛到常数：x*＝(μ,…,μ)T，其中
进一步地，所述步骤3中，定义θ用来衡量两个状态值之间的差异程度，定义Si来衡量多智能体i的状态值与其他多智能体状态值的差别程度，Si可由下列公式得出：
其中Si初始值为0，xi(t)表示节点i在第t个Step的值，xij(t)表示节点i在第t个Step内收到的邻居j发送来的数据；
当Si较大时，表明周围与自身状态值差别较大的邻居节点数目较多，此时则通过调节MAC层参数以增大自身发送数据成功的概率；当Si较小时，表明周围与自身状态值相近的邻居节点数目较多，此时则通过调节MAC层参数以减小发送数据的概率。
进一步地，所述步骤3中，具体调节算法如下：
首先调节BEmin，公式如下：
当BEmin调节达到阈值后再调节NBmax，如下：
BEmin调节的优先级高于NBmax的原因是因为成功发送数据的概率随BEmin变化比随NBmax变化明显，另外BEmin的增大有利于减少能耗而NBmax的增大则会增高能耗。
进一步地，所述步骤1中,在多智能体节点互相发送信息交换数据的过程中，每个周期包含的时隙数目和发送一个数据包所需的时隙数目一定。
进一步地，多智能体网络的拓扑结构是随机生成的，并且存在多个信道，即一个节点只能与一定范围内的节点进行通信，但是保证整个网络是连通的。
进一步地，所述步骤3中，阈值的确定需要根据节点个数和网络拓扑结构确定，具体来说，需要保证其他节点的参数值为默认值的情况下通过变化其中一个节点的参数值来测量相应的阈值。
进一步地，所述步骤4中，节点根据所提出的算法会自动进入低速发送状态，不需要额外的算法，进入该状态的目的是为了降低能耗同时保证一定的发送率以监测网络中是否有新的更新和输入，在发现新的差异出现自动进入步骤5进行新的调节从而达到新的一致性以实现完全的自适应性。
有益效果：与现有技术相比，本发明具有以下优点：
本发明提供的针对多智能体系统的分布式自适应调节算法是轻量级的、复杂度低、易于部署，并且不需要对IEEE802.15.4协议做任何修改，有很强的实用性。另外，该算法主要针对IEEE 802.15.4协议下的CSMA/CA机制进行调节，其中的基本思想同样也适用于使用CSMA/CA机制的其他通信协议(如IEEE 802.11协议)，且这些通信协议应用广泛，使得该算法的实用性进一步加强。
此外，针对任何类型网络拓扑结构，均可以实时地根据状态值之间的差异来自适应地对MAC层参数进行调节，使得多智能体网络中各智能体的状态值尽快达到一致。
此外，该算法和其他算法相比，尤其在信道竞争激烈的情况下，在收敛速度和能耗上都有显著优势。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书中所特别指出的结构来实现和获得。
附图说明
图1是本发明实施例一的分布式自适应参数调节算法流程图；
图2是本发明实施例一中状态值差异示意图；
图3是本发明实施例一中最小退避指数BEmin调节示意图；
图4是本发明实施例二中当网络规模变化时与其他算法在收敛速度和能耗方面性能对比的效果示意图；
图5是本发明实施例二中当单位Step内时隙数目变化时与其他算法在收敛速度和能耗方面性能对比的效果示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步地阐述。
实施例一：
图1为根据本发明实施例一的基于多智能体网络状态值差异的分布式自适应调节算法的流程图，下面参照图1，详细说明各个步骤。
步骤S101，多智能体系统网络是任一连通的网络，由图G＝(D,E)表示，M＝[mij]表示该网络拓扑图的邻接矩阵(mij为1时表示两节点可直接通信，为0时表示两节点之间不可以直接通信)。其中|D|和|E|分别表示网络中节点和边的数目，Ni＝{j∈D,mij≠0}表示节点i邻居节点的集合。
网络采用类似于IEEE802.15.4协议中的信标模式的结构。具体来说，由于网络中不存在中央节点故不能定期发送信标帧来标识一个信标周期的开始和结束。因此，网络中每个多智能体设置一个定时器用来定时，所有多智能体的定时器都是同步的，用此来判断一个周期的开始和结束，在此，每个周期称为一个Step。
多智能体节点之间按照IEEE802.15.4协议CSMA/CA机制竞争访问信道，竞争到信道的节点会向周围邻居广播发送自己当前的状态变量xi(t)(i表示第i个节点，t表示当前所处的Step数)，其中每个Step内一个节点只需发送一次数据，然而由于考虑到存在通信约束，一个Step的时隙数远远不能满足所有的节点都发送数据的需求。整个过程中CSMA/CA机制中的参数(最小退避指数BEmin和最大重传次数NBmax)在每个Step结束后会按照步骤S103到步骤S105更新。
步骤S102，每个多智能体在每次收到邻居节点发送来的数据时，都按照以下公式更新自己当前的状态值：
其中xi(t)表示多智能体i在第t个Step的状态值，mij表示多智能体i为从邻居j接收到的数据所设置的权重，xij(t)。表示多智能体i接收到的从邻居j发送过来的值。
给定一个连通的网络，按照上述公式更新的所有多智能体的状态值最终会收敛到常数：x*＝(μ,…,μ)T，其中
步骤S103，根据节点之间状态值之间的差异来更新MAC层参数的状态。具体来说，根据接收到的与自身状态值相差较大的邻居状态值的个数来决定如何调节参数以及调节的幅度。此处定义θ用来衡量两个状态值之间的差异程度(如图2所示)，定义Si来衡量多智能体i的状态值与其他多智能体状态值的差别程度，Si可由下列公式得出：
其中Si初始值为0，xi(t)表示节点i在第t个Step的值，xij(t)表示节点i在第t个Step内收到的邻居j发送来的数据。
当Si较大时，表明周围与自身状态值差别较大的邻居节点数目较多，此时则通过调节MAC层参数以增大自身发送数据成功的概率；当Si较小时，表明周围与自身状态值相近的邻居节点数目较多，此时则通过调节MAC层参数以减小发送数据的概率。具体调节算法如下：
首先调节BEmin，公式如下：
BEmin的调节示意图如图3所示。
当BEmin调节达到阈值后再调节NBmax，如下：
BEmin调节的优先级高于NBmax的原因是因为成功发送数据的概率随BEmin变化比随NBmax变化明显，另外BEmin的增大有利于减少能耗而NBmax的增大则会增高能耗。
步骤S104，根据步骤S103的介绍可知，当某一多智能体的的状态值和周围邻居状态值一致时，该智能体的MAC层参数BEmin和NBmax分别会达到阈值和此时正处于较少数据量的低速发送状态。
步骤S105，当网络中某个节点有新的输入或更新时，它的状态值会发生变化，此时会和周围邻居状态值产生差异，从而该节点和其邻居节点都会再次进入步骤S103的调节状态。由于整个网络是连通的，故所有节点都会感知到新的状态值差异，从而整个网络都会重新调节最终达到新的一致值。
实施例二：
图4和图5为本发明实施例二在网络规模和每个Step内时隙数目变化时收敛时间和能耗的实验结果图(其中ADPT是我们提出的算法)。
如图4是收敛时间和能耗随单位Step内时隙数目的变化图，由图中可以看出，随着单位Step内时隙数目的增加，各种算法的收敛时间呈上升趋势，其中我们的算法变化不明显。另外，我们的算法在收敛时间和能耗上均优于其他算法。
如图5，当网络中节点数目从20增加到200时收敛时间和能耗随节点数目的变化图，由图中可以看出，随着节点数目的增加，各种算法的收敛时间和能耗呈上升趋势，其中我们的算法变化不明显。另外，我们的算法在收敛时间和能耗上均优于其他算法，尤其是网络中节点数目较多时。

Claims (9)

1.一种基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，多智能体系统网络是任一连通的网络，包括以下步骤：
步骤1，网络拓扑结构随机生成的多智能体网络中各节点按照IEEE802.15.4协议CSAM/CA机制竞争访问信道并发送数据；
步骤2，每个节点利用接收到的邻居节点发送来的数据按照一致性数学模型更新当前状态值；
步骤3，分析状态值之间的差异调节最小退避指数BEmin和最大传输次数NBmax直至达到相应的阈值，并自主决定调节的幅度，从而改变发送数据的概率；
步骤4，根据状态之间的差异判断网络中各节点状态是否达到一致，若达到一致则将设置参数使得整个网络维持在较少数据量发送的低速状态；
步骤5，当网络中的状态值有新的输入或更新时，再次进入调节状态直至状态值达到新的一致状态。
2.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤1中，多智能体网络由G＝(D,E)表示，M＝[mij]表示该网络拓扑图的邻接矩阵，mij为1时表示两节点可直接通信，为0时表示两节点之间不可以直接通信；其中|D|和|E|分别表示网络中节点和边的数目，Ni＝{j∈D,mij≠0}表示节点i邻居节点的集合。
3.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤2中，多智能体网络节点之间按照IEEE802.15.4协议CSMA/CA机制竞争访问信道，竞争到信道的节点会向周围邻居广播发送自己当前的状态变量xi(t)，i表示第i个节点，t表示当前所处的Step数；
每个多智能体节点在每次收到邻居节点发送来的数据时，都按照以下公式更新自己当前的状态值：
其中xi(t)表示多智能体i在第t个Step的状态值，mij表示多智能体i为从邻居j接收到的数据所设置的权重，xij(t)。表示多智能体i接收到的从邻居j发送过来的值；
给定一个连通的网络，按照上述公式更新的所有多智能体的状态值最终会收敛到常数：x*＝(μ,…,μ)T，其中
4.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤3中，定义θ用来衡量两个状态值之间的差异程度，定义Si来衡量多智能体i的状态值与其他多智能体状态值的差别程度，Si可由下列公式得出：
其中Si初始值为0，xi(t)表示节点i在第t个Step的值，xij(t)表示节点i在第t个Step内收到的邻居j发送来的数据；
当Si较大时，表明周围与自身状态值差别较大的邻居节点数目较多，此时则通过调节MAC层参数以增大自身发送数据成功的概率；当Si较小时，表明周围与自身状态值相近的邻居节点数目较多，此时则通过调节MAC层参数以减小发送数据的概率。
5.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤3中，具体调节算法如下：
首先调节BEmin，公式如下：
当BEmin调节达到阈值后再调节NBmax，如下：
BEmin调节的优先级高于NBmax的原因是因为成功发送数据的概率随BEmin变化比随NBmax变化明显，另外BEmin的增大有利于减少能耗而NBmax的增大则会增高能耗。
6.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤1中,在多智能体节点互相发送信息交换数据的过程中，每个周期包含的时隙数目和发送一个数据包所需的时隙数目一定。
7.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，多智能体网络的拓扑结构是随机生成的，并且存在多个信道，即一个节点只能与一定范围内的节点进行通信，但是保证整个网络是连通的。
8.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤3中，阈值的确定需要根据节点个数和网络拓扑结构确定，具体来说，需要保证其他节点的参数值为默认值的情况下通过变化其中一个节点的参数值来测量相应的阈值。
9.根据权利要求1所述的基于多智能体网络状态值差异的分布式自适应调节算法，其特征在于，所述步骤4中，节点根据所提出的算法会自动进入低速发送状态，不需要额外的算法，进入该状态的目的是为了降低能耗同时保证一定的发送率以监测网络中是否有新的更新和输入，在发现新的差异出现自动进入步骤5进行新的调节从而达到新的一致性以实现完全的自适应性。
CN201910222530.3A 2019-03-22 2019-03-22 基于多智能体网络状态值差异的分布式自适应调节算法 Active CN109996294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910222530.3A CN109996294B (zh) 2019-03-22 2019-03-22 基于多智能体网络状态值差异的分布式自适应调节算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910222530.3A CN109996294B (zh) 2019-03-22 2019-03-22 基于多智能体网络状态值差异的分布式自适应调节算法

Publications (2)

Publication Number Publication Date
CN109996294A true CN109996294A (zh) 2019-07-09
CN109996294B CN109996294B (zh) 2022-07-29

Family

ID=67130846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910222530.3A Active CN109996294B (zh) 2019-03-22 2019-03-22 基于多智能体网络状态值差异的分布式自适应调节算法

Country Status (1)

Country Link
CN (1) CN109996294B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385155A (zh) * 2020-03-18 2020-07-07 东北大学秦皇岛分校 一种基于韧性协议的分布式平均跟踪方法
CN114375066A (zh) * 2022-01-08 2022-04-19 山东大学 一种基于多智能体强化学习的分布式信道竞争方法
WO2022246625A1 (zh) * 2021-05-24 2022-12-01 同济大学 一种网络化机器学习系统的自适应通信方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060167784A1 (en) * 2004-09-10 2006-07-27 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
CN109462858A (zh) * 2017-11-08 2019-03-12 北京邮电大学 一种无线传感器网络参数自适应调节方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060167784A1 (en) * 2004-09-10 2006-07-27 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
CN109462858A (zh) * 2017-11-08 2019-03-12 北京邮电大学 一种无线传感器网络参数自适应调节方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HYERYUNG JANG等: "Distributed learning for utility maximization over CSMA-based wireless multihop networks", 《IEEE INFOCOM 2014 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 *
MD. MUHIDUL ISLAM KHAN: "Efficient and fast convergent consensus algorithms for faulty nodes tracking in distributed wireless sensor networks", 《2016 3RD INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND INFORMATION COMMUNICATION TECHNOLOGY (ICEEICT)》 *
NURUL AI"ZAH MUSA等: "Issues and challenges of forensics analysis of agents" behavior in multi-agent systems: A critical review", 《2015 INTERNATIONAL SYMPOSIUM ON AGENTS, MULTI-AGENT SYSTEMS AND ROBOTICS (ISAMSR)》 *
YONGCAN CAO等: "An Overview of Recent Progress in the Study of Distributed Multi-Agent Coordination", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
程宏斌等: "基于隐藏终端的 802.15.4 网络丢包率研究", 《常熟理工学院学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385155A (zh) * 2020-03-18 2020-07-07 东北大学秦皇岛分校 一种基于韧性协议的分布式平均跟踪方法
WO2022246625A1 (zh) * 2021-05-24 2022-12-01 同济大学 一种网络化机器学习系统的自适应通信方法
CN114375066A (zh) * 2022-01-08 2022-04-19 山东大学 一种基于多智能体强化学习的分布式信道竞争方法
CN114375066B (zh) * 2022-01-08 2024-03-15 山东大学 一种基于多智能体强化学习的分布式信道竞争方法

Also Published As

Publication number Publication date
CN109996294B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN101232518B (zh) 节点动态休眠的低功耗媒体访问控制方法
CN109996294A (zh) 基于多智能体网络状态值差异的分布式自适应调节算法
Chen et al. Scheduling channel access based on target wake time mechanism in 802.11 ax WLANs
Yau et al. Enhancing network performance in distributed cognitive radio networks using single-agent and multi-agent reinforcement learning
Elhammouti et al. Self-organized connected objects: Rethinking QoS provisioning for IoT services
CN101192861A (zh) 网络中调整数据速率的方法、装置及通信系统
Papadopoulos et al. T-AAD: Lightweight traffic auto-adaptations for low-power MAC protocols
Ahmed et al. A QoS-aware MAC protocol for IEEE 802.11 ah-based Internet of Things
Jerbi et al. MSU-TSCH: A Mobile scheduling updated algorithm for TSCH in the internet of things
Petkov et al. Collision-free medium access based on traffic forecasting
CN110312291A (zh) 一种低功耗LoRa无线网络数据传输算法
Dasgupta et al. Congestion avoidance topology in wireless sensor network using Karnaugh map
Zhang et al. A distributed framework for low-latency data collection in battery-free wireless sensor networks
Lei et al. Reinforcement learning based multi-parameter joint optimization in dense multi-hop wireless networks
Asonye et al. Analysis of personal area networks for zigbee environment using random early detection-active queue management model
KR101024038B1 (ko) 클러스터 센서 네트워크의 클러스터 구성방법 및 상기 방법이 적용된 센서 네트워크
Mavromatis et al. Link quality and path based clustering in IEEE 802.15. 4-2015 TSCH networks
Park et al. DualBlock: Adaptive Intra-Slot CSMA/CA for TSCH
Zhang et al. Optimal physical carrier sensing to defend against exposed terminal problem in wireless ad hoc networks
Rekik et al. Limitations of static autonomous scheduling for TSCH protocol and advances in adaptive scheduling
CN107135509B (zh) 一种基于beacon的树状多级网络的组网方法
CN105050150B (zh) 野生动物保护传感网中能源有效的数据传输优化控制方法
Lai et al. Reduced idle listening based medium access control protocol for wireless sensor networks
CN108811024B (zh) 簇状网络结构中的簇分裂方法及其模块与微控制器
He et al. Congestion Control Technology in Wireless Sensor Networks

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