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 PDFInfo
- 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
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
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
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:
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:
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 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(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
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:
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 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:
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。
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)
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)
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 |
-
2019
- 2019-11-13 CN CN201911108484.0A patent/CN110808911B/zh active Active
Patent Citations (9)
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)
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)
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 |