CN110225493A - 基于改进蚁群的d2d路由选择方法、系统、设备及介质 - Google Patents
基于改进蚁群的d2d路由选择方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN110225493A CN110225493A CN201910487211.5A CN201910487211A CN110225493A CN 110225493 A CN110225493 A CN 110225493A CN 201910487211 A CN201910487211 A CN 201910487211A CN 110225493 A CN110225493 A CN 110225493A
- Authority
- CN
- China
- Prior art keywords
- routing
- ant
- node
- routing node
- indicate
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 230000006854 communication Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 59
- 239000003016 pheromone Substances 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims description 2
- 230000008020 evaporation Effects 0.000 claims description 2
- 238000001704 evaporation Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005562 fading Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- 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
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
- H04W40/16—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality based on interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开公开了基于改进蚁群的D2D路由选择方法、系统、设备及介质,构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;基于D2D内容分发网络,构建干扰感知模型;基于D2D内容分发网络,构建基于熵值法的QoS保证函数;基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;基于干扰的QoS保证D2D蚁群路由模型,实现通信过程中路由的选择。
Description
技术领域
本公开涉及D2D内容分发路由技术领域,特别是涉及基于改进蚁群的D2D路由选择方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
D2D通信技术作为下一代移动网络5G的关键技术之一,支持高速点对点传输,不需要经过蜂窝基站进行数据转发,D2D在数据速率上的近距离连接优势,以及蜂窝数据的卸载能力,也被认为是实现物联网愿景的一种先进技术。
随着D2D网络设备数量的持续增多和通信系统传输信息总量的增加,为了更好地进行信息传输,D2D通信场景下的内容分发技术变得越来越重要。而在内容分发技术中最重要的是路由,一个性能较高的D2D路由算法可以提高用户之间内容分发的效率,进而提升D2D通信性能,实现5G通信的低时延、高可靠等特性。
蚁群算法是群体优化算法之一,算法思想主要模仿蚂蚁的正反馈回路性质大的觅食行为,同时利用信息素和转移概率适应环境变化,在蚁群寻找到目的节点的过程中确定最优路径。如今,蚁群算法广泛应用于网络路由问题上,而随着网络复杂性的提高,传统的蚁群路由算法已不能更好地解决此类问题,学者们分别提出了感知干扰、多QoS约束、能量最优等D2D路由,与传统D2D路由相比,有较高的可靠性和低耗性。但由于D2D通信网络超密集性、低时延性等特点,使得对D2D内容分发路由的性能要求较高,目前为止没有一个很好的方法能够针对D2D内容分发路由的高性能问题提出一个合理的问题方案。
发明内容
为了解决现有技术的不足,本公开提供了基于改进蚁群的D2D路由选择方法、系统、设备及介质;考虑D2D设备中的通信干扰和多QoS约束,提出基于熵值法的QoS保证函数,并对传统的蚁群算法在转移概率、信息素更新等方面进行改进,与传统蚁群路由算法相比,提高了算法的收敛性,使在得到最优路径的同时,降低算法复杂度和减少路由节点能耗。
第一方面,本公开提供了基于改进蚁群的D2D路由选择方法;
基于改进蚁群的D2D路由选择方法,包括:
构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
基于D2D内容分发网络,构建干扰感知模型;
基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
基于干扰的QoS保证D2D蚁群路由模型,实现通信过程中路由的选择。
第二方面,本公开还提供了基于改进蚁群的D2D路由选择系统;
基于改进蚁群的D2D路由选择系统,包括:
D2D内容分发网络构建模块,其被配置为:构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
干扰感知模型构建模块,其被配置为:基于D2D内容分发网络,构建干扰感知模型;
基于熵值法的QoS保证函数构建模块,其被配置为:基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
基于干扰的QoS保证D2D蚁群路由模型构建模块,其被配置为:基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
路由选择模块,其被配置为:基于干扰的QoS保证D2D蚁群路由模型,实现各个路由节点在通信过程中路由的选择。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
(1)本发明在复杂超密集的D2D通信网络场景,通过信道干扰建立能够感知干扰的实时性和可靠性模型,使D2D路由能够降低通信干扰对性能的影响;
(2)本发明为保证用户QoS,提出了一种基于熵值法的QoS保证函数,既能保证路由服务质量,又能满足用户对信息的不同要求;
(3)本发明提出了基于干扰感知的QoS保证D2D蚁群路由算法,对传统蚁群路由在转移概率、信息素更新策略等方面进行改进,提高了算法的收敛性,使在得到最优路径的同时,降低算法复杂度和减少路由节点能耗。
在D2D内容分发路由中,用户对传输信息的要求不一样,或者要求实时性高,或者要求准确性高,或者要求通信成本低,本公开针对用户的不同要求提出了一种基于熵值法的QoS保证函数。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本路由算法整体流程图;
图2为改进和传统蚁群路由算法信噪比比较图;
图3为用户对分发内容的链路耗费的路由性能对比图;
图4为用户对分发内容的丢包率的路由性能对比图;
图5为用户对分发内容的时延要求的路由性能对比图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
专业术语解释:
D2D:设备到设备通信(Device-to-Device,D2D)。
实施例一,本实施例提供了基于改进蚁群的D2D路由选择方法;
基于改进蚁群的D2D路由选择方法,包括:
S1:构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
S2:基于D2D内容分发网络,构建干扰感知模型;
S3:基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
S4:基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
S5:基于干扰的QoS保证D2D蚁群路由模型,实现通信过程中路由的选择。
作为一个或多个实施例,所述构建D2D内容分发网络,是将D2D内容分发网络定义为G<D,E>,其中D为路由节点的集合,E为通信链路集合。
定义D2D内容分发网络被N个路由节点组成(按1、2、……N进行编号),它可以通过共享D2D通信用户的频谱相互通信,但对手机用户传输造成的干扰以设定的阈值为上限。同时,假设信道模型为瑞利衰落信道,蜂窝网络采用频分双工(FDD),D2D链路共享上行频谱,且不失一般性。
作为一个或多个实施例,所述确定该网络的路由节点的具体步骤包括:按照设定半径对路由节点进行范围划取,搜索设定半径内的路由节点为网络的路由节点。
作为一个或多个实施例,所述确定源路由节点集合和目的路由节点集合的具体步骤包括:
在网络中随机选取3-5个路由节点为源路由节点,目的路由节点的数量可选取为4-6个,选取后的路由节点即可形成源路由节点集合和目的路由节点集合。
作为一个或多个实施例,基于D2D内容分发网络,构建基于干扰感知模型的具体步骤包括:
首先,对链路干扰约束如下:
其中,路由节点i和基站之间的距离由Di表示,Pi为第i个路由节点的发射功率,ρth为在BS的信号干扰比SNR,ρth为设定信噪比阈值;η是路径损耗指数;P0表示通信用户初始功率;d0表示通信用户初始距离;
然后,根据多径信号衰落公式得到收到信号的功率;
其中,A是恒功率增益,G0表示收到信号功率。
同时,由香农公式得到关于路由节点i和路由节点j之间的干扰感知模型:
其中,路由节点i到路由节点j的最大持续传输速率为Ri,j,B为信道带宽;di,j表示路由节点i到路由节点j的距离;N0表示噪声功率,表示距离,表示衰弱系数,表示衰减程度。
因为瑞利衰落是信号包络服从瑞利分布、相位服从0-2π均匀分布的多径衰落,具有这种瑞利衰落的信道为瑞利信道。瑞利信道比较真实地描述D2D通信的超密集分布信道,对多径效应和通信衰减信道有良好的仿真效果。
基于干扰感知模型建立在瑞利信道衰落模型的基础上,可以得出D2D通信设备之间的中断概率为:
其中,是路由节点i和路由节点j之间的通信中断概率,ρth为信噪比阈值,Pj为第j个路由节点的发射功率;
其中,为通信中断概率,可由信噪比公式得出:
得出每个节点与其他节点的中断概率,在中断概率的约束下选择最优路径,进而提高D2D通信可靠性。
作为一个或多个实施例,基于D2D内容分发网络,构建基于熵值法的QoS保证函数的具体步骤包括:
在D2D内容分发网络中,由P(i,j)表示源路由节点到目的路由节点的一条路径,其中i,j∈D;
设T为路由时延,L为丢包率,C为链路成本,则整个路由的QoS定义为:
其中,n为路由节点数量,e为路由链路,P(i,j)为路由节点i到路由节点j的一条路径;D(n)表示路由节点转发时延,D(e)表示节点传输时延,C(n)表示路由节点转发成本,C(e)表示节点传输成本,L(n)表示丢包率,T[P(i,j)]表示两节点时延函数,L[P(i,j)]表示两节点丢包率函数,C[P(i,j)]表示两节点成本函数。
同时,对时延、丢包率和链路成本进行如下约束:
其中,T0为时延的阈值,L0为丢包率的阈值,C0为链路成本的阈值;
为了让优化路由更能符合QoS要求,故将阈值约束形式转换成函数形式,具体转换如下式:
其中,ft表示时延函数,fl表示丢包率函数,fc表示成本函数。
同时,将QoS保证函数f[T]定义为:
f(T)=αft+βfl+γfc (2)
其中,T为正实系数,α为ft的加权系数,β为fl的加权系数,γ为fc的加权系数;该QoS保证函数反映所选路由节点的QoS保证性能,f[T]值越大表示QoS保证性能越好。
作为一个或多个实施例,QoS保证函数使用熵值法进行权重确定的具体步骤如下:
S31:权重参数α、β和γ分别以0.05为步长根据用户对信息要求开始取值,其中α∈[0,1],β∈[0,1],γ∈[0,1];
S32:利用求和函数分别计算时延、丢包率和链路成本参数所占概率:
其中,pi,α为时延参数所占概率,pi,β为丢包率参数所占概率,pi,γ为链路成本参数所占概率;αi为时延参数,βi为丢包率参数,γi为成本参数,n为用户数。
S33:计算每个参数的熵值ei:其中pi代表相应参数的概率;
S34:计算每个参数的差异系数,同时分别更新权重系数:
gi=1-ei
α′=gα,i
β′=gβ,i
γ=gγ,i
其中,gi为每个参数的差异系数,α′β′和γ′为各参数更新完后的权重系数;
gα,i表示时延差异系数,gβ,i表示丢包率差异系数,gγ,i表示成本差异系数。
根据步骤S31-S34,该路由的QoS保证函数根据用户需求而改变:
如果用户对信息传输的实时性要求高,则提高时延参数的步数,进而增大α权重;
如果用户对信息传输的准确性要求高,则提高丢包率参数的步数,进而增大β权重;
如果用户对信息传输的成本要求高,则提高成本参数的步数,进而增大γ权重。
从而,该QoS保证函数在确定权重后,更好地结合用户对内容要求,在满足QoS要求下寻到最优路径。
QoS保证性能好(满足QoS约束且费用较小)的路由节点适应度高,相反QoS保证性能差(不满足QoS约束且费用较大)的路由节点适应度低。
QoS保证函数是建立在阈值控制转化成函数形式的基础上,根据对信息的不同要求下,为了权重分配更加合理,QoS保证函数使用熵值法进行权重确定。
如图1所示,作为一个或多个实施例,基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型的具体步骤包括:
S41:将D2D路由问题映射到蚁群算法上,初始化蚁群参数;
S42:在源路由节点放置蚁群,设置QoS和功率阈值;
S43:随机选取一只蚂蚁,按照概率选择下一跳路由节点;
S44:更新禁忌表和路由节点相关信息;
S45:判断是否所有蚂蚁都经历过一次遍历,如果是,则本地信息素更新并记录最优路径,进入步骤S46;如果否,就迭代次数加1,返回步骤S43;
S46:全局信息素更新,判断是否满足结束条件,如果是,则输出最优路径;如果否就迭代次数加1,返回步骤S43。
作为一个或多个实施例,所述S41的具体步骤包括:
表示时间t内蚂蚁k从路由节点i到路由节点j的信息转移概率;
ψij(t)表示时间t内蚂蚁在路由节点j和路由节点i之间路径上所积累的信息素浓度;
εij(t)表示算法启发因子,εij(t)是时间t蚂蚁由路由节点i到路由节点j的启发程度的表现。
作为一个或多个实施例,所述S42的具体步骤包括:
在源路由节点放置蚁群,利用所设置的步长不断在仿真中实验,得到最佳的用户服务质量和用户发送信号功率设置阈值。
作为一个或多个实施例,所述S43的具体步骤包括:
将干扰感知模型中的QoS保证函数考虑在转移概率模型中,则蚂蚁从当前路由节点i移动到另一个路由节点j的概率为:
其中,表示时间t内蚂蚁k从路由节点i到路由节点j的信息转移概率;ψij(t)表示蚂蚁在节点j和节点i之间路径上所积累的信息素浓度;εij(t)表示算法启发因子,是蚂蚁由路由节点j到路由节点i的启发程度的表现;表示中断概率,反应了节点j到节点i的可靠性;fij(t)表示QoS保证函数,反应了节点j到节点i的QoS性能;每个函数的幂项为各参数的重要程度,控制各参数的影响,并且εij(t)由欧氏距离定义如下式:
allowedk为允许通信的用户集合。
作为一个或多个实施例,所述S44的具体步骤包括:更新节点的路由表信息、蚂蚁k的禁忌列表(能传输信息的节点和不能传输信息的节点)和各路由节点的剩余能量。
作为一个或多个实施例,所述S45的本地信息素更新并记录得到路径的具体步骤包括:
为了加快初始阶段收敛速度,避免局部收敛快,将信息素影响因素定义为:
θ(k)=τ(1+e-ok),0≤k≤K
其中,τ、o均是限制因子,τ,o∈(0,1];k为搜寻时间,K为搜寻总时间,搜寻时间k越大,θ(k)越小,信息素的比例随着搜索次数的增加而降低。
接着定义本地信息素ψi,j(t)将在每个搜索期结束后将进行更新:
ψij(t+1)=(1-k)×ψij(t)+Δψij(t)
κ∈(0,1)是信息素的挥发系数,1-κ是信息素的残留因子,κ的数值的幅度对应着相应路径上信息素挥发速度,并成正反馈关系;Δψij(t)是路由节点i和路由节点j路径上信息素增量,是移动在这路径上所有蚂蚁释放信息素的增量总和。
进行更新,同时为了降低节点能耗,结合跳数和路由节点能量将本地信息素增量Δψij(t)定义为:
其中,hopcount表示在D2D通信网络中蚂蚁从源节点到目的节点的跳数;如果蚂蚁k从节点i沿某一路径移动到节点j,那么该蚂蚁的信息素增量表示为:
其中,hopmax表示在D2D通信网络中蚂蚁允许的最大跳数;Eaver表示蚂蚁k访问路由节点的平均能量;是最优路径选择的适应度函数,每个路径的适应度值为:
适应度值越大,路径越优,将适应度值最大的路径视为最优路径,然后更新最优路径的本地信息素浓度。
通过这种方法,经过多次迭代,蚂蚁根据改进的信息素浓度模型选择最优路径,最终提高网络能量消耗的平衡。
作为一个或多个实施例,所述S46中,全局信息素更新的步骤包括:
在每次蚁群算法迭代后,在当前时刻为止的最优路由路径上进行更新信息素。
在每次蚁群算法迭代后,在当前时刻为止的最优路由路径上进行更新信息素。提高了算法的收敛性,同时既提高了路由算法搜索效率,又减少了路由算法的链路开销。
作为一个或多个实施例,所述S46中,在蚁群进行全局信息素更新过程中,要求每次蚁群算法迭代后只有最优路径许更新信息素,并且除了更新信息素之外,还更新路由节点的路由表信息、蚂蚁k的禁忌列表和各路由节点的剩余能量。
通过加入信息素影响因素的效果是:一开始就可以预期会有很大比例的信息素;随着搜索次数的增加,信息素的比例会逐渐减小。搜索速度就会随着搜索次数的增加而变化,一开始的搜索速度相对较快,随着算法的发展,搜索速度会逐渐变慢。
路由节点i和路由节点j路径上信息素增量是移动在这路径上所有蚂蚁释放信息素的增量总和:
搜索规则的改进:为了降低算法复杂度和能量消耗,对搜索范围进行限制。
首先,为了降低能量消耗,以当前节点i为中心,以d0为半径的圆圈内的搜索范围将考虑优先级;
其次,当以为半径的圆圈内范围不能找到最优的节点时,搜索范围以大于d0半径扩大;
最后,在圆内的搜索范围也应指向目的路由节点,并考虑到跳数少的路由路径。
根据图2可以得出,本文提出的基于干扰的改进蚁群算法相比于传统蚁群算法具有更高的信噪比,有较好的感知干扰的性能。使改进的蚁群路由算法能够在选择最优路径时感知D2D通信中的干扰,更加合理地搜寻到最优的内容分发路由。
通过图3、图4、图5的分析和比较,可以得出:本路由算法通过熵值法合理根据用户要求分配权重,在用户对链路耗费要求较高时,链路耗费降至最低;在用户对丢包率要求较高时,该算法总体将丢包率降低,保证了内容分发的准确性;在用户对时延要求较高时,该算法使时延迅速降低,保证了内容分发的效率。
实施例二,本实施例提供了基于改进蚁群的D2D路由选择系统;
基于改进蚁群的D2D路由选择系统,包括:
D2D内容分发网络构建模块,其被配置为:构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
干扰感知模型构建模块,其被配置为:基于D2D内容分发网络,构建干扰感知模型;
基于熵值法的QoS保证函数构建模块,其被配置为:基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
基于干扰的QoS保证D2D蚁群路由模型构建模块,其被配置为:基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
路由选择模块,其被配置为:基于干扰的QoS保证D2D蚁群路由模型,实现各个路由节点在通信过程中路由的选择。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于改进蚁群的D2D路由选择方法,其特征是,包括:
构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
基于D2D内容分发网络,构建干扰感知模型;
基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
基于干扰的QoS保证D2D蚁群路由模型,实现通信过程中路由的选择。
2.如权利要求1所述的方法,其特征是,基于D2D内容分发网络,构建干扰感知模型的具体步骤包括:
首先,对链路干扰约束如下:
其中,路由节点i和基站之间的距离由Di表示,Pi为第i个路由节点的发射功率,ρth为在BS的信号干扰比SNR,ρth为设定信噪比阈值;η是路径损耗指数;P0表示通信用户初始功率;d0表示通信用户初始距离;
然后,根据多径信号衰落公式得到收到信号的功率;其中,A是恒功率增益,G0表示收到信号功率;
同时,由香农公式得到关于路由节点i和路由节点j之间的干扰感知模型:
其中,路由节点i到路由节点j的最大持续传输速率为Ri,j,B为信道带宽;di,j表示路由节点i到路由节点j的距离;N0表示噪声功率,表示距离,表示衰弱系数,表示衰减程度。
3.如权利要求1所述的方法,其特征是,基于D2D内容分发网络,构建基于熵值法的QoS保证函数的具体步骤包括:
在D2D内容分发网络中,由P(i,j)表示源路由节点到目的路由节点的一条路径,其中i,j∈D;
设T为路由时延,L为丢包率,C为链路成本,则整个路由的QoS定义为:
其中,n为路由节点数量,e为路由链路,P(i,j)为路由节点i到路由节点j的一条路径;D(n)表示路由节点转发时延,D(e)表示节点传输时延,C(n)表示路由节点转发成本,C(e)表示节点传输成本,L(n)表示丢包率,T[P(i,j)]表示两节点时延函数,L[P(i,j)]表示两节点丢包率函数,C[P(i,j)]表示两节点成本函数;
同时,对时延、丢包率和链路成本进行如下约束:
其中,T0为时延的阈值,L0为丢包率的阈值,C0为链路成本的阈值;
为了让优化路由更能符合QoS要求,故将阈值约束形式转换成函数形式,具体转换如下式:
其中,ft表示时延函数,fl表示丢包率函数,fc表示成本函数;
同时,将QoS保证函数f[T]定义为:
f(T)=αft+βfl+γfc (4)
其中,T为正实系数,α为ft的加权系数,β为fl的加权系数,γ为fc的加权系数;该QoS保证函数反映所选路由节点的QoS保证性能,f[T]值越大表示QoS保证性能越好。
4.如权利要求3所述的方法,其特征是,QoS保证函数使用熵值法进行权重确定的具体步骤如下:
S31:权重参数α、β和γ分别以0.05为步长根据用户对信息要求开始取值,其中α∈[0,1],β∈[0,1],γ∈[0,1];
S32:利用求和函数分别计算时延、丢包率和链路成本参数所占概率:
其中,pi,α为时延参数所占概率,pi,β为丢包率参数所占概率,pi,γ为链路成本参数所占概率;αi为时延参数,βi为丢包率参数,γi为成本参数,n为用户数;
S33:计算每个参数的熵值ei:其中pi代表相应参数的概率;
S34:计算每个参数的差异系数,同时分别更新权重系数:
gi=1-ei
α′=gα,i
β′=gβ,i
γ′=gγ,i
其中,gi为每个参数的差异系数,α′、β′和γ′为各参数更新完后的权重系数;
gα,i表示时延差异系数,gβ,i表示丢包率差异系数,gγ,i表示成本差异系数;
根据步骤S31-S34,该路由的QoS保证函数根据用户需求而改变:
如果用户对信息传输的实时性要求高,则提高时延参数的步数,进而增大α权重;
如果用户对信息传输的准确性要求高,则提高丢包率参数的步数,进而增大β权重;
如果用户对信息传输的成本要求高,则提高成本参数的步数,进而增大γ权重;
从而,该QoS保证函数在确定权重后,更好地结合用户对内容要求,在满足QoS要求下寻到最优路径。
5.如权利要求1所述的方法,其特征是,基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型的具体步骤包括:
S41:将D2D路由问题映射到蚁群算法上,初始化蚁群参数;
S42:在源路由节点放置蚁群,设置QoS和功率阈值;
S43:随机选取一只蚂蚁,按照概率选择下一跳路由节点;
S44:更新禁忌表和路由节点相关信息;
S45:判断是否所有蚂蚁都经历过一次遍历,如果是,则本地信息素更新并记录最优路径,进入步骤S46;如果否,就迭代次数加1,返回步骤S43;
S46:全局信息素更新,判断是否满足结束条件,如果是,则输出最优路径;如果否就迭代次数加1,返回步骤S43。
6.如权利要求5所述的方法,其特征是,所述S41的具体步骤包括:
表示时间t内蚂蚁k从路由节点i到路由节点j的信息转移概率;
ψij(t)表示时间t内蚂蚁在路由节点j和路由节点i之间路径上所积累的信息素浓度;
εij(t)表示算法启发因子,εij(t)是时间t蚂蚁由路由节点i到路由节点j的启发程度的表现;
所述S43的具体步骤包括:
将干扰感知模型中的QoS保证函数考虑在转移概率模型中,则蚂蚁从当前路由节点i移动到另一个路由节点j的概率为:
其中,表示时间t内蚂蚁k从路由节点i到路由节点j的信息转移概率;ψij(t)表示蚂蚁在节点j和节点i之间路径上所积累的信息素浓度;εij(t)表示算法启发因子,是蚂蚁由路由节点j到路由节点i的启发程度的表现;表示中断概率,反应了节点j到节点i的可靠性;fij(t)表示QoS保证函数,反应了节点j到节点i的QoS性能;每个函数的幂项为各参数的重要程度,控制各参数的影响,并且εij(t)由欧氏距离定义如下式:
allowedk为允许通信的用户集合。
7.如权利要求5所述的方法,其特征是,所述S45的本地信息素更新并记录得到路径的具体步骤包括:
为了加快初始阶段收敛速度,避免局部收敛快,将信息素影响因素定义为:
θ(k)=τ(1+e-ok),0≤k≤K
其中,τ、o均是限制因子,τ,o∈(0,1];k为搜寻时间,K为搜寻总时间,搜寻时间k越大,θ(k)越小,信息素的比例随着搜索次数的增加而降低;
接着定义本地信息素ψi,j(t)将在每个搜索期结束后将进行更新:
ψij(t+1)=(1-k)×ψij(t)+Δψij(t)
κ∈(0,1)是信息素的挥发系数,1-κ是信息素的残留因子,κ的数值的幅度对应着相应路径上信息素挥发速度,并成正反馈关系;Δψij(t)是路由节点i和路由节点j路径上信息素增量,是移动在这路径上所有蚂蚁释放信息素的增量总和;
进行更新,同时为了降低节点能耗,结合跳数和路由节点能量将本地信息素增量Δψij(t)定义为:
其中,hopcount表示在D2D通信网络中蚂蚁从源节点到目的节点的跳数;如果蚂蚁k从节点i沿某一路径移动到节点j,那么该蚂蚁的信息素增量表示为:
其中,hopmax表示在D2D通信网络中蚂蚁允许的最大跳数;Eaver表示蚂蚁k访问路由节点的平均能量;是最优路径选择的适应度函数,每个路径的适应度值为:
适应度值越大,路径越优,将适应度值最大的路径视为最优路径,然后更新最优路径的本地信息素浓度;
所述S46中,全局信息素更新的步骤包括:
在每次蚁群算法迭代后,在当前时刻为止的最优路由路径上进行更新信息素;所述S46中,在蚁群进行全局信息素更新过程中,每次蚁群算法迭代后只有最优路径许更新信息素,并且除了更新信息素之外,还更新路由节点的路由表信息、蚂蚁k的禁忌列表和各路由节点的剩余能量。
8.基于改进蚁群的D2D路由选择系统,其特征是,包括:
D2D内容分发网络构建模块,其被配置为:构建D2D内容分发网络,确定该网络的路由节点,确定源路由节点集合和目的路由节点集合;
干扰感知模型构建模块,其被配置为:基于D2D内容分发网络,构建干扰感知模型;
基于熵值法的QoS保证函数构建模块,其被配置为:基于D2D内容分发网络,构建基于熵值法的QoS保证函数;
基于干扰的QoS保证D2D蚁群路由模型构建模块,其被配置为:基于干扰感知模型和基于熵值法的QoS保证函数,利用改进的蚁群路由算法,构建基于干扰的QoS保证D2D蚁群路由模型;
路由选择模块,其被配置为:基于干扰的QoS保证D2D蚁群路由模型,实现各个路由节点在通信过程中路由的选择。
9.一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487211.5A CN110225493B (zh) | 2019-06-05 | 2019-06-05 | 基于改进蚁群的d2d路由选择方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910487211.5A CN110225493B (zh) | 2019-06-05 | 2019-06-05 | 基于改进蚁群的d2d路由选择方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110225493A true CN110225493A (zh) | 2019-09-10 |
CN110225493B CN110225493B (zh) | 2022-04-15 |
Family
ID=67819804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910487211.5A Expired - Fee Related CN110225493B (zh) | 2019-06-05 | 2019-06-05 | 基于改进蚁群的d2d路由选择方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110225493B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541999A (zh) * | 2020-04-28 | 2020-08-14 | 南京邮电大学 | 基于生物启发的大规模分布式节点自组织接入方法 |
CN111901425A (zh) * | 2020-07-28 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于Pareto算法的CDN调度方法、装置、计算机设备及存储介质 |
CN112822098A (zh) * | 2020-12-25 | 2021-05-18 | 河南卓正电子科技有限公司 | 物联网的路由选择方法、装置及存储介质 |
CN113068242A (zh) * | 2021-03-29 | 2021-07-02 | 重庆师范大学 | 基于优化量子蚁群算法的路由规划方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052321A1 (en) * | 2007-08-20 | 2009-02-26 | Kamath Krishna Y | Taxonomy based multiple ant colony optimization approach for routing in mobile ad hoc networks |
CN103200641A (zh) * | 2013-03-29 | 2013-07-10 | 南京邮电大学 | 多射频多信道无线Mesh网络路由选择方法 |
CN105763451A (zh) * | 2016-04-28 | 2016-07-13 | 南阳理工学院 | 一种车联网中基于蚁群算法的QoS容错路由选择方法 |
CN106559352A (zh) * | 2016-12-07 | 2017-04-05 | 中南大学 | 一种面向智能电网NAN的干扰感知的QoS路由机制 |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
WO2018187954A1 (zh) * | 2017-04-12 | 2018-10-18 | 邹霞 | 基于蚁群优化的传感器网络路由方法 |
-
2019
- 2019-06-05 CN CN201910487211.5A patent/CN110225493B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052321A1 (en) * | 2007-08-20 | 2009-02-26 | Kamath Krishna Y | Taxonomy based multiple ant colony optimization approach for routing in mobile ad hoc networks |
CN103200641A (zh) * | 2013-03-29 | 2013-07-10 | 南京邮电大学 | 多射频多信道无线Mesh网络路由选择方法 |
CN105763451A (zh) * | 2016-04-28 | 2016-07-13 | 南阳理工学院 | 一种车联网中基于蚁群算法的QoS容错路由选择方法 |
CN106559352A (zh) * | 2016-12-07 | 2017-04-05 | 中南大学 | 一种面向智能电网NAN的干扰感知的QoS路由机制 |
WO2018187954A1 (zh) * | 2017-04-12 | 2018-10-18 | 邹霞 | 基于蚁群优化的传感器网络路由方法 |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
Non-Patent Citations (1)
Title |
---|
王寅等: "一种基于自适应蚁群系统的传感器网络QoS路由算法", 《传感技术学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541999A (zh) * | 2020-04-28 | 2020-08-14 | 南京邮电大学 | 基于生物启发的大规模分布式节点自组织接入方法 |
CN111541999B (zh) * | 2020-04-28 | 2022-02-08 | 南京邮电大学 | 基于生物启发的大规模分布式节点自组织接入方法 |
CN111901425A (zh) * | 2020-07-28 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于Pareto算法的CDN调度方法、装置、计算机设备及存储介质 |
CN111901425B (zh) * | 2020-07-28 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于Pareto算法的CDN调度方法、装置、计算机设备及存储介质 |
CN112822098A (zh) * | 2020-12-25 | 2021-05-18 | 河南卓正电子科技有限公司 | 物联网的路由选择方法、装置及存储介质 |
CN113068242A (zh) * | 2021-03-29 | 2021-07-02 | 重庆师范大学 | 基于优化量子蚁群算法的路由规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110225493B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwon et al. | Multiagent DDPG-based deep learning for smart ocean federated learning IoT networks | |
CN110225493A (zh) | 基于改进蚁群的d2d路由选择方法、系统、设备及介质 | |
Rajaraman | Topology control and routing in ad hoc networks: A survey | |
Tilwari et al. | MCLMR: A multicriteria based multipath routing in the mobile ad hoc networks | |
CN101977226B (zh) | 一种新型的机会网络数据传输方法 | |
CN104507168B (zh) | 认知Ad Hoc网络的分布式拓扑控制方法 | |
Pattnaik et al. | Assimilation of fuzzy clustering approach and EHO‐Greedy algorithm for efficient routing in WSN | |
Kumar | Performance evaluation of energy consumption in MANET | |
CN100471166C (zh) | 一种基于移动Ad Hoc网络的分布式QoS多播路由方法 | |
CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
CN114698128A (zh) | 一种认知星地网络的抗干扰信道选择方法和系统 | |
TW201918109A (zh) | 用於無線通訊的電子設備和方法 | |
Wen et al. | Delay‐Constrained Routing Based on Stochastic Model for Flying Ad Hoc Networks | |
Yi et al. | DMADRL: A distributed multi-agent deep reinforcement learning algorithm for cognitive offloading in dynamic MEC networks | |
Bölöni et al. | Should I send now or send later? A decision‐theoretic approach to transmission scheduling in sensor networks with mobile sinks | |
CN111901833B (zh) | 一种面向不可靠信道传输的联合服务调度以及内容缓存方法 | |
CN113727278B (zh) | 一种路径规划方法、接入网设备及飞行控制设备 | |
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 | |
Ren et al. | Joint spectrum allocation and power control in vehicular communications based on dueling double DQN | |
Azim et al. | Real-time routing protocols for (m, k)-firm streams based on multi-criteria in wireless sensor networks | |
Liang et al. | A game‐theoretic approach for relay assignment over distributed wireless networks | |
Amer et al. | Hybrid game approach‐based channel congestion control for the Internet of Vehicles | |
Li et al. | Multi-layer-based opportunistic data collection in mobile crowdsourcing networks | |
El Khediri et al. | A novel connectivity algorithm based on shortest path for wireless sensor networks | |
Dong et al. | Simulation study on cross-layer design for energy conservation in underwater acoustic 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |