CN111132370A - 一种基于强化学习的动态概率退避水声媒介接入控制方法 - Google Patents
一种基于强化学习的动态概率退避水声媒介接入控制方法 Download PDFInfo
- Publication number
- CN111132370A CN111132370A CN201911362306.0A CN201911362306A CN111132370A CN 111132370 A CN111132370 A CN 111132370A CN 201911362306 A CN201911362306 A CN 201911362306A CN 111132370 A CN111132370 A CN 111132370A
- Authority
- CN
- China
- Prior art keywords
- node
- sending
- data packet
- backoff
- strategy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002787 reinforcement Effects 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 230000008901 benefit Effects 0.000 claims abstract description 21
- 238000012790 confirmation Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 239000002609 medium Substances 0.000 description 13
- 238000004088 simulation Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012736 aqueous medium Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于水声通信技术领域，涉及一种基于强化学习的动态概率退避水声媒介接入控制方法，包括：S1、待发送的节点检测当前信道是否空闲、若空闲，则进入发送决策阶段；否则进入退避状态，退避计时结束后，重新检测信道是否空闲；S2、节点进入发送决策阶段后，若发送策略的期望收益大于等于退避策略的期望收益，则发送数据包，进入消息确认阶段；否则节点进入退避状态，退避计时结束后，回到步骤S1；S3、若节点进入消息确认阶段后，在规定的时间内接收到消息确认包，则认为发送成功，更新碰撞概率的估计值，回到步骤S1，准备发送下一个数据包；否则认为发送失败，更新碰撞概率的估计值，回到步骤S1。本发明有效提高了网络的信道利用率和传输效率。
Description
技术领域
本发明涉及水声通信技术领域，具体涉及一种基于强化学习的动态概率退避水声媒介接入控制方法。
背景技术
静态水声网络一般由水下固定节点和水上漂浮节点组成，与传统的陆上无线网络不同的是，考虑到海水是无线电的不良导体，无线电传播在水下衰减严重，传输距离短，而光波通信更是因为水体浑浊，光线容易散射的缘故，都不适合作为水下网络传播的介质。由于声波是唯一一种能在水介质中进行长距离传输的能量形式，水声通信网络通常采用声波信道来进行通信。相比陆上来说，水下环境的复杂多变和利用声波进行通信的特点，给媒介接入控制协议的设计带来了巨大的挑战，主要包括有多变的长传播时延、有限的带宽、较低的数据速率、复杂多变的环境噪声、能量受限和高误比特率等。因此，在水声网络中，媒介接入控制协议的设计对整个网络性能起到至关重要的作用。
现有的大部分水声媒介接入控制协议主要分为基于调度机制的和基于退避机制两种类型。基于调度机制的又分为基于划分的协议和基于握手的协议，其中：基于划分的协议主要有FDMA、TDMA、CDMA三种，分别因为水声信道的窄带宽、时间同步和远近效应问题而无法很好的应用于水声网络中。基于握手的协议则存在着大量信令交互的开销问题，这一巨大的信令开销极大降低了网络的吞吐量和信道利用率。而且，在某种特定场景中，节点之间无法或不想共享信息。基于退避机制的协议主要有窗口退避算法和概率退避算法两大类，需要寻找合适的退避窗口和退避概率，然而它们都无法根据信道质量的好坏来及时调整自己的退避参数。在这种节点缺乏全局有效信息交互的情况下，如何设计一种能够根据信道质量，通过动态迭代的学习来调整退避参数，以达到更好的网络性能的媒介接入控制协议，是一个值得探索的问题。
发明内容
本发明的目的是为了尝试解决现有接入控制协议中的上述缺失，提供一种基于强化学习的动态概率退避水声媒介接入控制方法。
本发明采用如下技术方案实现：
一种基于强化学习的动态概率退避水声媒介接入控制方法，用于水声网络中竞争共享信道的接入，基于强化学习模型实现，其中：学习者对应水声网络中的所有节点，环境对应整个水声网络，动作对应节点所选择的数据发送策略，状态对应网络中共享信道是否被占用的情况，奖赏对应目的节点的消息确认包，节点的发送策略根据网络信道质量的状态自动地调整，具体包括：
S1、待发送的节点检测当前信道是否空闲、若信道空闲，则进入发送决策阶段；若信道忙碌，则进入退避状态，退避计时结束后，重新检测信道是否空闲；
S2、节点进入发送决策阶段后，分别计算数据包发送策略和退避策略的期望收益，若发送策略的期望收益大于等于退避策略的期望收益，则选择发送数据包，进入消息确认阶段；若发送策略的期望收益小于退避策略的期望收益，则节点进入退避状态，退避计时结束后，回到步骤S1，重新检测信道是否空闲；
S3、若节点进入消息确认阶段后，在规定的时间内接收到消息确认包，则认为发送成功，更新碰撞概率的估计值，回到步骤S1，准备发送下一个数据包；若在规定的时间内接收不到消息确认包，则认为发送失败，更新碰撞概率的估计值，回到步骤S1，准备重发该数据包。
优选地，发送策略和退避策略的期望收益的计算方法如下：
表1
| 无碰撞/1-P(n) | 碰撞/P(n) | |
| 发送 | a | -b |
| 退避 | -c | -c |
表1中：正数a代表节点选择发送数据包并且没有碰撞，成功发送所获得的效用；正数b代表节点选择发送数据包并且发生了碰撞，发送失败所付出的代价；正数c代表节点选择退避数据包，没有及时发送数据包所付出的时延代价；P(n)代表在传输轮次n的碰撞概率估计值，初值为0。
优选地，节点进入发送决策阶段后，当节点发送策略的期望收益大于等于退避策略的期望收益时，即：
a×(1-P(n))-b×P(n)≥-c
选择发送数据包，否则，节点进入退避阶段。
优选地，碰撞概率估计值的更新包括：
表2
| 收益/U | 无碰撞 | 碰撞 |
| 发送 | 1 | 0 |
| 退避 | 1-P(n-1) | 1-P(n-1) |
表2中：节点选择发送数据包并且没有碰撞，即成功发送时收益U＝1；节点选择发送数据包并且发生了碰撞，即发送失败时收益U＝0；节点选择退避数据包，没有及时发送数据包时收益U＝1-P(n-1)，其中的1-P(n-1)代表在传输轮次n-1的无碰撞概率估计值。
传输轮次n的碰撞概率估计值的更新公式如下：
P(n)＝1-λP(n-1)-(1-λ)U
其中λ为一个大于0小于1的参数。
本发明相对于现有技术具有如下的优点及效果：
1、首次将强化学习用于水声网络退避策略，网络中的节点通过延迟反馈来调整自己的发送策略，在试探-开发中来获得最大的长期受益，在噪声环境复杂的水声网络中具有更强的适应能力。
2、本发明方法适用于网络中的节点无法很好的进行信息交互或者信令交互代价较大的场景。通过减少节点之间的信令开销，提高了网络的信道利用率和传输效率。
3、本发明方法基于节点独立的分布式学习策略，实现简单，易于部署，可扩展性高。
4、节点的发送策略可以根据网络信道质量的状态自动地调整，减少了碰撞的概率，提高了单次发送成功率并且减少了能耗。
5、本发明方法具有更高的全局吞吐量、较低的端到端时延、更低的平均能耗和更高的单次发送成功率。
附图说明
图1是本发明一个实施例中基于强化学习的动态概率退避水声媒介接入控制方法流程图；
图2是本发明一个实施例中强化学习模型简图；
图3是本发明一个实施例中基于强化学习的动态概率退避水声媒介接入控制方法在NS3上的网络仿真结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
强化学习的基本思想是通过最大化学习者从环境中获得的累积奖赏来学习目标的最佳策略，强化学习的简单模型可由图2所示。本发明利用强化学习实现水声节点从环境状态到行为映射的学习，水声节点通过与环境的交互中学习，根据结果的反馈和奖赏调整自己的发送策略，来减少碰撞概率，达到提升网络性能的目的。
根据图2的强化学习的基本模型，本实施例中，学习者对应水声网络中的所有节点，环境对应节点所处的整个水声网络，动作A对应节点所选择数据发送策略，状态X对应网络中共享信道是否被占用的情况，奖赏R对应目的节点的消息确认包。
一种基于强化学习的动态概率退避水声媒介接入控制方法，用于水声通信网络、水声传感网络中的竞争共享信道的接入，如图1所示，包括：
S1、待发送的节点检测当前信道是否空闲、若信道空闲，则进入发送决策阶段；若信道忙碌，则进入退避状态，退避计时结束后，重新检测信道是否空闲。
S2、节点进入发送决策阶段后，分别计算数据包发送策略和退避策略的期望收益，若发送策略的期望收益大于等于退避策略的期望收益，则选择发送数据包，进入消息确认阶段；若发送策略的期望收益小于退避策略的期望收益，则节点进入退避状态，退避计时结束后，回到步骤S1，重新检测信道是否空闲。
发送策略和退避策略的期望收益的计算方法如下：
表1
| 无碰撞/1-P(n) | 碰撞/P(n) | |
| 发送 | a | -b |
| 退避 | -c | -c |
表1中：正数a代表节点选择发送数据包并且没有碰撞，成功发送所获得的效用；正数b代表节点选择发送数据包并且发生了碰撞，发送失败所付出的代价；正数c代表节点选择退避数据包，没有及时发送数据包所付出的时延代价。P(n)代表在传输轮次n的碰撞概率估计值，初值为0。
节点进入发送决策阶段后，当节点发送策略的期望收益大于等于退避策略的期望收益时，即：
a×(1-P(n))-b×P(n)≥-c
选择发送数据包，否则，节点进入退避阶段。
S3、若节点进入消息确认阶段后，在规定的时间内接收到消息确认包，则认为发送成功，更新碰撞概率的估计值，回到步骤S1，准备发送下一个数据包；若在规定的时间内接收不到消息确认包，则认为发送失败，更新碰撞概率的估计值，回到步骤S1，准备重发该数据包。
碰撞概率估计值的更新计算方法如下：
表2
| 收益/U | 无碰撞 | 碰撞 |
| 发送 | 1 | 0 |
| 退避 | 1-P(n-1) | 1-P(n-1) |
表2中：节点选择发送数据包并且没有碰撞，即成功发送时收益U＝1；节点选择发送数据包并且发生了碰撞，即发送失败时收益U＝0；节点选择退避数据包，没有及时发送数据包时收益U＝1-P(n-1)，其中的1-P(n-1)代表在传输轮次n-1的无碰撞概率估计值。
传输轮次n的碰撞概率估计值的更新公式如下：
P(n)＝1-λP(n-1)-(1-λ)U
其中λ为一个大于0小于1的参数。
本发明方法具有更高的全局吞吐量、较低的端到端时延、更低的平均能耗和更高的单次成功发送率。
下面对本发明方法进行模拟验证。
设一个具有10个data节点、1个sink节点的水声传感器网络，随机分布在区域面积为250000m，深度为70m的水域中。其中data节点发送数据，sink节点接收数据。数据节点的数据包大小为512字节，到达率服从泊松分布，节点的调制速率为9600bps，载波频率20khz。节点的发送功率为10w，接收功率为100mw。退避窗口设置为5s，水声传播时延设置为1500m/s。
本实施例中，采用如下步骤来实现多节点的通信：
S1、待发送的节点检测当前信道是否空闲、若信道空闲，则进入发送决策阶段；若信道忙碌，则进入退避状态，退避计时结束后，重新检测信道是否空闲。
S2、节点进入发送决策阶段后，分别计算数据包发送策略和退避策略的期望收益，若发送策略的期望收益大于等于退避策略的期望收益，则选择发送数据包，进入消息确认阶段；若发送策略的期望收益小于退避策略的期望收益，则节点进入退避状态，退避计时结束后，回到步骤S1，重新检测信道是否空闲。
节点进入发送决策阶段后，当节点发送策略的期望收益大于等于退避策略的期望收益时，即：
a×(1-P(n))-b×P(n)≥-c
选择发送数据包，否则，节点进入退避阶段。
其中，正数a代表节点选择发送数据包且无碰撞，成功发送所获得的价值；正数b代表节点选择发送数据包并且发生了碰撞，发送失败所付出的代价；正数c代表节点选择退避数据包，没有及时发送数据包所付出的时延代价；P(n)代表在传输轮次n的碰撞概率估计值，初值为0。
S3、若节点进入消息确认阶段后，在规定的时间内接收到消息确认包，则认为发送成功，更新碰撞概率的估计值，回到步骤S1，准备发送下一个数据包；若在规定的时间内接收不到消息确认包，则认为发送失败，更新碰撞概率的估计值，回到步骤S1，准备重发该数据包。
碰撞概率估计值的更新的计算方法如下：
P(n)＝1-λP(n-1)-(1-λ)U
其中，节点选择发送数据包并且没有碰撞，即成功发送时收益U＝1；节点选择发送数据包并且发生了碰撞，即发送失败时收益U＝0；节点选择退避数据包，没有及时发送数据包时收益U＝1-P(n-1)；λ为一个大于0小于1的滤波参数。
以上仿真参数初始化为：a＝1、b＝2、c＝0.2、P(1)＝0，λ的仿真范围为0.1-5，仿真步长为0.1。归一化吞吐量、端到端时延、能量消耗和单次发送成功率的定义如下：
如图3所示，其中：动态概率csma协议即本发明方法，0.1概率csma协议和0.9概率csma协议分别为发送概率固定为0.1和0.9的csma协议，Aloha协议为没有退避的随机接入的基准协议。仿真结果显示本发明方法相比于其它三个协议具有更高的网络吞吐量、较低的端到端时延、更低的平均能耗和更高的发送成功率。
综上所述，本发明提供的一种基于强化学习的动态概率退避水声媒介接入控制方法，通过强化学习的思想，节点根据过去发送数据包的成败情况调整发送策略，减少了节点之间大量的信令开销，增加了网络的信道利用率和传输效率，可以适用于基于竞争的水声通信网络、水声传感网络等场合。
上述实施例为本发明其中一种的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (4)
1.一种基于强化学习的动态概率退避水声媒介接入控制方法，其特征在于，用于水声网络中竞争共享信道的接入，基于强化学习模型实现，其中：学习者对应水声网络中的所有节点，环境对应整个水声网络，动作对应节点所选择的数据发送策略，状态对应水声网络中共享信道是否被占用的情况，奖赏对应目的节点的消息确认包，节点的发送策略根据网络信道质量的状态自动地调整，具体包括：
S1、待发送的节点检测当前信道是否空闲、若信道空闲，则进入发送决策阶段；若信道忙碌，则进入退避状态，退避计时结束后，重新检测信道是否空闲；
S2、节点进入发送决策阶段后，分别计算数据包发送策略和退避策略的期望收益，若发送策略的期望收益大于等于退避策略的期望收益，则选择发送数据包，进入消息确认阶段；若发送策略的期望收益小于退避策略的期望收益，则节点进入退避状态，退避计时结束后，回到步骤S1，重新检测信道是否空闲；
S3、若节点进入消息确认阶段后，在规定的时间内接收到消息确认包，则认为发送成功，更新碰撞概率的估计值，回到步骤S1，准备发送下一个数据包；若在规定的时间内接收不到消息确认包，则认为发送失败，更新碰撞概率的估计值，回到步骤S1，准备重发该数据包。
2.根据权利要求1所述的动态概率退避水声媒介接入控制方法，其特征在于，发送策略和退避策略的期望收益的计算方法如下：
表1
表1中：正数a代表节点选择发送数据包并且没有碰撞，成功发送所获得的效用；正数b代表节点选择发送数据包并且发生了碰撞，发送失败所付出的代价；正数c代表节点选择退避数据包，没有及时发送数据包所付出的时延代价；P(n)代表在传输轮次n的碰撞概率估计值，初值为0。
3.根据权利要求2所述的动态概率退避水声媒介接入控制方法，其特征在于，节点进入发送决策阶段后，当节点发送策略的期望收益大于等于退避策略的期望收益时，即：
a×(1-P(n))-b×P(n)≥-c
选择发送数据包，否则，节点进入退避阶段。
4.根据权利要求1所述的动态概率退避水声媒介接入控制方法，其特征在于，碰撞概率估计值的更新包括：
表2
表2中：节点选择发送数据包并且没有碰撞，即成功发送时收益U＝1；节点选择发送数据包并且发生了碰撞，即发送失败时收益U＝0；节点选择退避数据包，没有及时发送数据包时收益U＝1-P(n-1)，其中的1-P(n-1)代表在传输轮次n-1的无碰撞概率估计值。
传输轮次n的碰撞概率估计值的更新公式如下：
P(n)＝1-λP(n-1)-(1-λ)U
其中λ为一个大于0小于1的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911362306.0A CN111132370B (zh) | 2019-12-26 | 2019-12-26 | 一种基于强化学习的动态概率退避水声媒介接入控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911362306.0A CN111132370B (zh) | 2019-12-26 | 2019-12-26 | 一种基于强化学习的动态概率退避水声媒介接入控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111132370A true CN111132370A (zh) | 2020-05-08 |
| CN111132370B CN111132370B (zh) | 2022-03-29 |
Family
ID=70502702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911362306.0A Active CN111132370B (zh) | 2019-12-26 | 2019-12-26 | 一种基于强化学习的动态概率退避水声媒介接入控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111132370B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104618959A (zh) * | 2014-12-19 | 2015-05-13 | 中国航空无线电电子研究所 | 一种实现航空自组网mac协议的方法及其系统 |
| CN106162926A (zh) * | 2016-08-12 | 2016-11-23 | 华南理工大学 | 一种适用于水声网络的分布式竞争窗口接入方法 |
| US20180302172A1 (en) * | 2015-10-16 | 2018-10-18 | Universita' Degli Studi Di Roma "La Sapienza" | Method for managing in an adaptive and joint way the routing policy and the retransmission policy of a node in an underwater network, and means for its implementation |
| 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 |
| CN109495957A (zh) * | 2018-12-14 | 2019-03-19 | 重庆邮电大学 | 一种基于二次碰撞概率模型的自适应异步无线唤醒方法 |
| CN110336620A (zh) * | 2019-07-16 | 2019-10-15 | 沈阳理工大学 | 一种基于mac层公平接入的ql-uacw退避方法 |
-
2019
- 2019-12-26 CN CN201911362306.0A patent/CN111132370B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104618959A (zh) * | 2014-12-19 | 2015-05-13 | 中国航空无线电电子研究所 | 一种实现航空自组网mac协议的方法及其系统 |
| US20180302172A1 (en) * | 2015-10-16 | 2018-10-18 | Universita' Degli Studi Di Roma "La Sapienza" | Method for managing in an adaptive and joint way the routing policy and the retransmission policy of a node in an underwater network, and means for its implementation |
| CN106162926A (zh) * | 2016-08-12 | 2016-11-23 | 华南理工大学 | 一种适用于水声网络的分布式竞争窗口接入方法 |
| 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 |
| CN109495957A (zh) * | 2018-12-14 | 2019-03-19 | 重庆邮电大学 | 一种基于二次碰撞概率模型的自适应异步无线唤醒方法 |
| CN110336620A (zh) * | 2019-07-16 | 2019-10-15 | 沈阳理工大学 | 一种基于mac层公平接入的ql-uacw退避方法 |
Non-Patent Citations (2)
| Title |
|---|
| VALERIO DI VALERIO等: "A Reinforcement Learning-based Data-Link Protocol for", 《WUWNET 2016-11TH ACM INTERNATIONAL CONFERENCE ON UNDERWATER NETWORKS AND SYSTEMS》 * |
| 宋明红等: "博弈论的载波侦听碰撞避免多址接入协议研究", 《计算机与数字工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111132370B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tonguz et al. | On the broadcast storm problem in ad hoc wireless networks | |
| CN110943861B (zh) | 一种适用于水声传感器网络的多链路并发传输方法 | |
| US20210153097A1 (en) | Depth and distance-based single-path routing method | |
| US11165706B2 (en) | Method of cross-layer opportunistic routing for internet of vehicles based on decentralized congestion control strategy | |
| CN102395147B (zh) | 基于自适应退避窗和退避速度的节点优化接入方法 | |
| CN103118414B (zh) | 一种适用于超宽带的无线接入控制与时隙分配方法 | |
| Shen et al. | A cooperative routing protocol based on Q-learning for underwater optical-acoustic hybrid wireless sensor networks | |
| CN107864480B (zh) | 一种基于认知声技术的mac协议通信方法 | |
| CN112637965B (zh) | 基于博弈的q学习竞争窗口调整方法、系统及介质 | |
| CN110691371B (zh) | 一种网状水声网络的mac调度方法 | |
| Zhu et al. | UPMAC: A localized load-adaptive MAC protocol for underwater acoustic networks | |
| CN111132370B (zh) | 一种基于强化学习的动态概率退避水声媒介接入控制方法 | |
| Chen et al. | CS-MAC: A channel stealing MAC protocol for improving bandwidth utilization in underwater wireless acoustic networks | |
| CN113411904A (zh) | 上行调度控制方法及装置、设备和存储介质 | |
| Shirazi et al. | Optimal cooperative relaying schemes in IR-UWB networks | |
| CN104581980A (zh) | 一种基于距离分区的无线网络免碰撞信道接入控制方法 | |
| Kwon et al. | Bayesian game-theoretic approach based on 802.11 p MAC protocol to alleviate beacon collision under urban VANETs | |
| Wang et al. | A reliable and efficient routing protocol for underwater acoustic sensor networks | |
| CN108184250B (zh) | 基于表机制利用传播时延的水声节点暴露终端解决方法 | |
| Climent et al. | Study of MAC protocols for a real underwater sensor network application | |
| CN107682924B (zh) | 一种适用于长延迟sic网络的链路调度方法和系统 | |
| Sirkeci-Mergen et al. | Broadcasting in dense linear networks: To cooperate or not to cooperate? | |
| KR101306067B1 (ko) | Ｔｄｍａ 기반의 동적 타임슬롯 할당을 통한 수중통신방법 | |
| Han et al. | A collision-free MAC protocol based on quorum system for underwater acoustic sensor networks | |
| Guo et al. | Adaptive Varying Contention Window MAC Protocol Based on Underwater Acoustic Propagation Delay |
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 |