CN110808911A - 基于蚁群信息素的组网通信路由方法 - Google Patents

基于蚁群信息素的组网通信路由方法 Download PDF

Info

Publication number
CN110808911A
CN110808911A CN201911108484.0A CN201911108484A CN110808911A CN 110808911 A CN110808911 A CN 110808911A CN 201911108484 A CN201911108484 A CN 201911108484A CN 110808911 A CN110808911 A CN 110808911A
Authority
CN
China
Prior art keywords
node
information
ant
pheromone
nodes
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
CN201911108484.0A
Other languages
English (en)
Other versions
CN110808911B (zh
Inventor
章飚
李鹏
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.)
Tianjin Jinhang Computing Technology Research Institute
Original Assignee
Tianjin Jinhang Computing Technology Research Institute
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 Tianjin Jinhang Computing Technology Research Institute filed Critical Tianjin Jinhang Computing Technology Research Institute
Priority to CN201911108484.0A priority Critical patent/CN110808911B/zh
Publication of CN110808911A publication Critical patent/CN110808911A/zh
Application granted granted Critical
Publication of CN110808911B publication Critical patent/CN110808911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L45/02—Topology update or discovery
    • 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
    • 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
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于蚁群信息素的组网通信路由方法，其中，包括：设定没有任何蚂蚁未走过任何路线，各节点间的信息素均为0；设定一次通信任务中，从a节点至b节点共需传输n只蚂蚁，蚂蚁在运动过程中，根据各条路径上的信息素值大小及其他随机因素来选择下一个节点，以此计算转移概率；综合考虑计算量和收敛时间，设置两种条件，满足其中一种则可以认为路由搜索到达可以接受的状态；经过全网节点间路由勤务信息的传输，更新网内全部节点广播当前最优的路由信息，得到全网路由的当前最优解。本发明对于现有技术的问题，优化了蚁群路由搜索方法，提出了信息优先级因子和单节点信息吞吐量上限的更新设定，优化了蚁群路由方法在无线通信网络的应用。

Description

基于蚁群信息素的组网通信路由方法
技术领域
本发明涉及无线通信技术，特别涉及一种基于蚁群信息素的组网通信路由方法。
背景技术
在无线通信领域中，无线自组织网络应用逐渐广泛。在军用领域中，可用于分布式武器系统、无人机蜂群通信等场合；在民用领域中，可用于环境检测传感器网络、危险区域救灾抢险等场合。
无线自组织网络作为新兴的网络模式，因为其网络规模、结构等特征，具有以下特点：
1、节点数量多：随着无人机等载体平台小型化、集成化、低成本化的发展，无线自组织网络需要的节点数量显著增加，能够提升网络的区域覆盖性，提升单位区域的节点数量，使传感器信息更加精准。
2、自组织性：根据应用需要，通信节点一般采用随机部署的方式，节点之间的拓扑关系事先未知，所以网络应具有自组织特性，网络内成员应能够感知网络态势，自动对信息路由进行搜索和更新。
3、动态特性：网络内节点的拓扑关系会根据外界因素的变化进行改变，网络会有新成员的加入，也会有老成员的退出，成员之间的拓扑关系也不是固定不变的。
在分布式节点通信应用背景下，信息传递的路由方法成为了无线自组织网络的关键技术。蚁群方法具有高适应的寻优能力，非常适合于无线通信网络路由搜索及更新方法。蚁群方法根据仿生学研究，模拟蚂蚁在运动时会在通过的路径下留下信息素，后到的蚂蚁会根据信息素的浓度选择行走的路线，形成正反馈机制，逐步优化至最优路径。
现有的蚁群路由方法主要缺陷在于未考虑信息的重要程度和优先级，未考虑单个节点的通信能力存在上限的瓶颈。
发明内容
本发明的目的在于提供基于蚁群信息素的组网通信路由方法，用于解决上述现有技术的问题。
本发明一种基于蚁群信息素的组网通信路由方法，其中，包括：设定没有任何蚂蚁未走过任何路线，各节点间的信息素均为0；设定一次通信任务中，从a节点至b节点共需传输n只蚂蚁，蚂蚁在运动过程中，根据各条路径上的信息素值大小及其他随机因素来选择下一个节点，以此计算转移概率；综合考虑计算量和收敛时间，设置两种条件，满足其中一种则可以认为路由搜索到达可以接受的状态；经过全网节点间路由勤务信息的传输，更新网内全部节点广播当前最优的路由信息，得到全网路由的当前最优解。
根据本发明的基于蚁群信息素的组网通信路由方法，其中，计算转移概率包括：在解的搜索过程中，蚂蚁根据各条路径上的信息素和启发式信息值来计算状态转移矩阵，设第k只蚂蚁在时刻t，从第i节点到第j节点的状态转移概率
Figure BDA0002272022280000021
为：
其中τij(t)为t时刻路径(i,j)上的信息素，代表从网络开始建立至t时刻，两点之间共成功通过τij(t)只蚂蚁，τim(t)为t时刻路径(i,m)上的信息素，代表从网络开始建立至t时刻，两点之间共成功通过τim(t)只蚂蚁；ηij(t)为t时刻在路径(i,j)上的启发函数，ηim(t)为t时刻在路径(i,m)上的启发函数，两个节点之间的距离越近，ηij(t)的值越高；α、β分别代表信息素和贪婪因素在蚂蚁路径选择中的权重。
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，0.5＜α＜1，0＜β＜0.5。
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，当α＝0时，蚂蚁只选择最近的节点去移动；当β＝0时，蚂蚁只选择信息素浓度最大的路径移动。
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，使用i、j两节点间的距离dij(t)来表示启发函数，即
Figure BDA0002272022280000031
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，蚂蚁不会重复回到走过的节点，所以j节点若曾经出现在以前的路径上，则转移概率为0，m为第i只蚂蚁在t时刻之前尚未经过的节点。
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，将信息的分为不同的重要性等级γ，γ∈1～N，对应不同的αγ和βγ，优先级高的信息α值比优先级低的信息要大，优先级高的信息β值比优先级低的信息要小，此时将概率公式变化为：
Figure BDA0002272022280000032
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，将每个节点的最大信息吞吐量定位为Emax，下一个节点当前的信息吞吐量为Ej(t)，此时将概率公式变化为：
Figure BDA0002272022280000041
根据本发明的基于蚁群信息素的组网通信路由方法的一实施例，其中，满足以下一种则可以认为路由搜索到达可接受的状态，能够收敛到蚂蚁从i节点到j节点的当前最优解包括：a、在信息传播收发节点和信息速率未改变的条件下，满足全网各个节点的
Figure BDA0002272022280000043
Figure BDA0002272022280000042
b、搜索的次数达到规定搜索的最大次数。其中路由搜索的最大次数与节点数目、节点分布、系统能够接受的收敛时间有关，需要根据实际系统的指标要求进行约束。
本发明对于现有技术的问题，优化了蚁群路由搜索方法，提出了信息优先级因子和单节点信息吞吐量上限的更新设定，优化了蚁群路由方法在无线通信网络的应用。
附图说明
图1为节点a至节点b的路由示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
针对无线通信网络的应用场景，提出了新型的蚁群路由搜索及更新方法，具有保证高优先级信息低延时发送，不存在单节点信息阻塞，达到全局迭代最优的效果。
图1为节点a至节点b的路由示意图，如图1所示，抽象模型如下：
(1)地理节点对应网内的通信节点；通信网络中共有m个节点，其中m个节点随机分布，如图1所示；
(2)一只蚂蚁对应节点间传输的一帧信息数据；
(3)在n帧数据中，数据优先级分为1～N，数值越大说明优先级越高；
(4)信息素对应的信息数据经由节点传输的路由记录；
(5)蚂蚁的行动路径象征着传输信息的路由选择；
(6)从a节点到b节点，与从b节点到a节点的是等效的；
(7)蚂蚁不会重复原来走过的节点；
(8)第i个节点的最大信息吞吐率为Cmax(i)。
路由搜索方法步骤如下：
第一步：初始化：没有任何蚂蚁未走过任何路线，各节点间的信息素均为0。
第二步：设定一次通信任务中，从a节点至b节点共需传输n只蚂蚁；
第三步：计算转移概率：
蚂蚁在运动过程中，根据各条路径上的信息素值大小及其他随机因素来选择下一个节点。在解的搜索过程中，蚂蚁根据各条路径上的信息素和启发式信息值来计算状态转移矩阵，设第k只蚂蚁在时刻t，从第i节点到第j节点的状态转移概率
Figure BDA0002272022280000051
为
Figure BDA0002272022280000052
其中τij(t)为t时刻路径(i,j)上的信息素，代表从网络开始建立至t时刻(不含t时刻)，两点之间共成功通过τij(t)只蚂蚁。τim(t)为t时刻路径(i,m)上的信息素，代表从网络开始建立至t时刻(不含t时刻)，两点之间共成功通过τim(t)只蚂蚁。
ηij(t)为t时刻在路径(i,j)上的启发函数，ηim(t)为t时刻在路径(i,m)上的启发函数。一般使用i、j两节点间的距离dij(t)来表示启发函数，即
Figure BDA0002272022280000061
两个节点之间的距离越近，ηij(t)的值越高。
α、β分别代表信息素和贪婪因素在蚂蚁路径选择中的权重。当α＝0时，蚂蚁只选择最近的节点去移动；当β＝0时，蚂蚁只选择信息素浓度最大的路径移动。一般情况下0.5＜α＜1，0＜β＜0.5。
根据之前的设定，蚂蚁不会重复回到走过的节点，所以j节点若曾经出现在以前的路径上，则转移概率为0。
m为第i只蚂蚁在t时刻之前尚未经过的节点。
在迭代的过程中，蚂蚁会以较大概率沿着信息素浓度高的路径行动，但是也会有一定的概率探索新的路径，类似于一种随机进化的机制，寻找更优解。
在传统方法中，α、β为常值，整个网络内部所有信息的路径选择概率都是统一的，但是在实际应用中，信息的优先级等级是不同的，优先级高的信息应该确保其传输时延和可靠性，此时应该提高α的权重；优先级低的信息(例如周期的网络维护信息)可以适当提高β权重，探索在动态条件下效率更高的路由。在实际操作中用户可将信息的分为不同的重要性等级γ(γ∈1～N)，对应不同的αγ和βγ，优先级高的信息α值比优先级低的信息要大，优先级高的信息β值比优先级低的信息要小，此时将概率公式变化为：
在实际的无线网络通信中，每个节点的发射功率和信息处理速率是存在上限的。在传统方法中，未考虑每个节点的最大信息吞吐量是固定的情况。实际上信息传输选择节点的过程中，应优先选择每个节点流量相对较小的路径，这样可以充分利用全网的资源，均衡全网信息的传输，同时也能够让每个节点留有余量传输优先级高的信息。将每个节点的最大信息吞吐量定位为Emax，下一个节点当前的信息吞吐量为Ej(t)，此时将概率公式变化为：
Figure BDA0002272022280000072
经过修改后的路由选择概率公式，多次迭代后能够充分利用全网各个节点的通信资源，达到全网性能最优的效果，同时能够保证优先级高的信息能够可靠、低延时传输。
第四步：综合考虑计算量和收敛时间，可以设置两种条件，满足其中一种则可以认为路由搜索到达可以接受的状态，能够收敛到蚂蚁从i节点到j节点的当前最优解：a、在信息传播收发节点和信息速率未改变的条件下，满足全网各个节点的
Figure BDA0002272022280000082
b、搜索的次数达到规定搜索的最大次数。其中路由搜索的最大次数与节点数目、节点分布、系统能够接受的收敛时间有关，需要根据实际系统的指标要求进行约束。
第五步：经过全网节点间路由勤务信息的传输，更新网内全部节点广播当前最优的路由信息，得到全网路由的当前最优解。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于蚁群信息素的组网通信路由方法，其特征在于，包括：
设定没有任何蚂蚁未走过任何路线，各节点间的信息素均为0；
设定一次通信任务中，从a节点至b节点共需传输n只蚂蚁，蚂蚁在运动过程中，根据各条路径上的信息素值大小及其他随机因素来选择下一个节点，以此计算转移概率；
综合考虑计算量和收敛时间，设置两种条件，满足其中一种则可以认为路由搜索到达可以接受的状态；
经过全网节点间路由勤务信息的传输，更新网内全部节点广播当前最优的路由信息，得到全网路由的当前最优解。
2.如权利要求1所述的基于蚁群信息素的组网通信路由方法，其特征在于，计算转移概率包括：
在解的搜索过程中，蚂蚁根据各条路径上的信息素和启发式信息值来计算状态转移矩阵，设第k只蚂蚁在时刻t，从第i节点到第j节点的状态转移概率
Figure FDA0002272022270000011
为：
其中τij(t)为t时刻路径(i,j)上的信息素，代表从网络开始建立至t时刻，两点之间共成功通过τij(t)只蚂蚁，τim(t)为t时刻路径(i,m)上的信息素，代表从网络开始建立至t时刻，两点之间共成功通过τim(t)只蚂蚁；
ηij(t)为t时刻在路径(i,j)上的启发函数，ηim(t)为t时刻在路径(i,m)上的启发函数，两个节点之间的距离越近，ηij(t)的值越高；
α、β分别代表信息素和贪婪因素在蚂蚁路径选择中的权重。
3.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，0.5＜α＜1，0＜β＜0.5。
4.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，当α＝0时，蚂蚁只选择最近的节点去移动；当β＝0时，蚂蚁只选择信息素浓度最大的路径移动。
5.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，使用i、j两节点间的距离dij(t)来表示启发函数，即
6.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，蚂蚁不会重复回到走过的节点，所以j节点若曾经出现在以前的路径上，则转移概率为0，m为第i只蚂蚁在t时刻之前尚未经过的节点。
7.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，将信息的分为不同的重要性等级γ，γ∈1～N，对应不同的αγ和βγ，优先级高的信息α值比优先级低的信息要大，优先级高的信息β值比优先级低的信息要小，此时将概率公式变化为：
8.如权利要求2所述的基于蚁群信息素的组网通信路由方法，其特征在于，将每个节点的最大信息吞吐量定位为Emax，下一个节点当前的信息吞吐量为Ej(t)，此时将概率公式变化为：
9.如权利要求2、7或8所述的基于蚁群信息素的组网通信路由方法，其特征在于，满足以下一种则可以认为路由搜索到达可接受的状态，能够收敛到蚂蚁从i节点到j节点的当前最优解包括：a、在信息传播收发节点和信息速率未改变的条件下，满足全网各个节点的b、搜索的次数达到规定搜索的最大次数。其中路由搜索的最大次数与节点数目、节点分布、系统能够接受的收敛时间有关，需要根据实际系统的指标要求进行约束。
CN201911108484.0A 2019-11-13 2019-11-13 基于蚁群信息素的组网通信路由方法 Active CN110808911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108484.0A CN110808911B (zh) 2019-11-13 2019-11-13 基于蚁群信息素的组网通信路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108484.0A CN110808911B (zh) 2019-11-13 2019-11-13 基于蚁群信息素的组网通信路由方法

Publications (2)

Publication Number Publication Date
CN110808911A true CN110808911A (zh) 2020-02-18
CN110808911B CN110808911B (zh) 2022-05-17

Family

ID=69502427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108484.0A Active CN110808911B (zh) 2019-11-13 2019-11-13 基于蚁群信息素的组网通信路由方法

Country Status (1)

Country Link
CN (1) CN110808911B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523698A (zh) * 2020-03-20 2020-08-11 全球能源互联网集团有限公司 一种用于清洁能源基地宏观选址的蚁群选址方法及装置
CN115361330A (zh) * 2022-07-09 2022-11-18 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667972A (zh) * 2009-10-19 2010-03-10 国网信息通信有限公司 电力通信网络业务路由方法及设备
CN102523162A (zh) * 2011-12-15 2012-06-27 西安理工大学 紫外无线Mesh网络中基于蚁群的QoS优化路由方法
CN105787595A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流中转站选址方法
US20160234332A1 (en) * 2015-02-06 2016-08-11 Korea Advanced Institute Of Science And Technology Bio-Inspired Algorithm Based P2P Content Caching Method for Wireless Mesh Networks and System Thereof
CN106503789A (zh) * 2016-11-08 2017-03-15 西安电子科技大学宁波信息技术研究院 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法
CN108418623A (zh) * 2018-03-21 2018-08-17 大连大学 一种基于改进蚁群算法的卫星QoS路由算法
CN109583627A (zh) * 2018-10-31 2019-04-05 北京航空航天大学 飞机着陆排队优化方法及装置
CN109660456A (zh) * 2018-12-26 2019-04-19 东南大学 一种基于蚁群算法的容错自适应路由方法
CN109814598A (zh) * 2019-02-25 2019-05-28 中国科学院地理科学与资源研究所 无人机低空公共航路网设计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667972A (zh) * 2009-10-19 2010-03-10 国网信息通信有限公司 电力通信网络业务路由方法及设备
CN102523162A (zh) * 2011-12-15 2012-06-27 西安理工大学 紫外无线Mesh网络中基于蚁群的QoS优化路由方法
US20160234332A1 (en) * 2015-02-06 2016-08-11 Korea Advanced Institute Of Science And Technology Bio-Inspired Algorithm Based P2P Content Caching Method for Wireless Mesh Networks and System Thereof
CN105787595A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流中转站选址方法
CN106503789A (zh) * 2016-11-08 2017-03-15 西安电子科技大学宁波信息技术研究院 基于迪杰斯特拉和最大最小蚁群的无环最短路径搜索方法
CN108418623A (zh) * 2018-03-21 2018-08-17 大连大学 一种基于改进蚁群算法的卫星QoS路由算法
CN109583627A (zh) * 2018-10-31 2019-04-05 北京航空航天大学 飞机着陆排队优化方法及装置
CN109660456A (zh) * 2018-12-26 2019-04-19 东南大学 一种基于蚁群算法的容错自适应路由方法
CN109814598A (zh) * 2019-02-25 2019-05-28 中国科学院地理科学与资源研究所 无人机低空公共航路网设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUEY-MAW CHEN等: "Heuristics based ant colony optimization for vehicle routing problem", 《2012 7TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 *
谭慧莉: "蚁群算法的参数分析", 《电子技术与软件工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523698A (zh) * 2020-03-20 2020-08-11 全球能源互联网集团有限公司 一种用于清洁能源基地宏观选址的蚁群选址方法及装置
CN111523698B (zh) * 2020-03-20 2023-08-08 全球能源互联网集团有限公司 一种用于清洁能源基地宏观选址的蚁群选址方法及装置
CN115361330A (zh) * 2022-07-09 2022-11-18 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115361330B (zh) * 2022-07-09 2023-09-08 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法

Also Published As

Publication number Publication date
CN110808911B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN110149671B (zh) 无人机蜂群网络的路由选择方法
Zhang et al. A new method of mobile ad hoc network routing based on greed forwarding improvement strategy
Zhang et al. A novel multicast routing method with minimum transmission for WSN of cloud computing service
Hu et al. QELAR: A machine-learning-based adaptive routing protocol for energy-efficient and lifetime-extended underwater sensor networks
Chouhan et al. Tunicate swarm Grey Wolf optimization for multi-path routing protocol in IoT assisted WSN networks
US20060178156A1 (en) Routing method in a wireless sensor network
Budyal et al. ANFIS and agent based bandwidth and delay aware anycast routing in mobile ad hoc networks
Deng et al. An ant colony optimization-based routing algorithm for load balancing in leo satellite networks
CN110808911B (zh) 基于蚁群信息素的组网通信路由方法
CN108540204A (zh) 用于卫星网络拓扑生成的快速收敛蚁群算法
He et al. A fuzzy logic reinforcement learning-based routing algorithm for flying ad hoc networks
Ghaleb et al. Energy efficient multipath routing using multi-objective grey wolf optimizer based dynamic source routing algorithm for manet
Qiuli et al. A reliable routing protocol against hotspots and burst for UASN-based fog systems
Dai et al. Service‐oriented routing with Markov space‐time graph in low earth orbit satellite networks
Qiu et al. Maintaining links in the highly dynamic fanet using deep reinforcement learning
Zhang et al. Adaptive 3D routing protocol for flying ad hoc networks based on prediction-driven Q-learning
Saravanan et al. A modified k-means-based cluster head selection and Philippine eagle optimization-based secure routing for MANET
Hemalatha et al. An efficient stable node selection based on Garson's pruned recurrent neural network and MSO model for multipath routing in MANET
CN112737840B (zh) 一种基于无人机辅助的车联网中继选择与安全传输方法
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
Chen et al. An efficient neural network-based next-hop selection strategy for multi-hop VANETs
Mahajan et al. EFTA: An Energy-efficient, Fault-Tolerant, and Area-optimized UAV Placement Scheme for Search Operations
Jalade et al. Adaptive deep Runge Kutta Garson’s network with node disjoint local repair protocol based multipath routing in MANET
Kumar et al. CL‐HPWSR: Cross‐layer‐based energy efficient cluster head selection using hybrid particle swarm wild horse optimizer and stable routing in IoT‐enabled smart farming applications
Neenavath et al. An energy efficient multipath routing protocol for manet

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