CN111382842A - 一种高速载波通信动态路由方法及系统 - Google Patents
一种高速载波通信动态路由方法及系统 Download PDFInfo
- Publication number
- CN111382842A CN111382842A CN202010150381.7A CN202010150381A CN111382842A CN 111382842 A CN111382842 A CN 111382842A CN 202010150381 A CN202010150381 A CN 202010150381A CN 111382842 A CN111382842 A CN 111382842A
- Authority
- CN
- China
- Prior art keywords
- network
- optimal
- neural network
- fitness
- carrier communication
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种高速载波通信动态路由方法,包括获取当前入网站点的所有候选网络;将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;将当前入网站点加入最优网络标识符对应的候选网络。同时公开了相应的系统。本发明通过遗传算法训练BP神经网络,通过BP神经网络获取最优的候选网络,相较于传统的蚁群算法,运算时间更短。
Description
技术领域
本发明涉及一种高速载波通信动态路由方法及系统,属于宽带载波技术领域。
背景技术
关于电力线载波通信组网方法主要研究通过增加中继的方式提高通信的距离和可靠性,大多采用蚁群算法实现电力载波网络的自动路由,智能搜索丢失节点,建立以动态路由为基础的电力线通信网络,并能够适应网络拓扑的动态变化,蚁群算法是一种比较耗时的方法。
发明内容
本发明提供了一种高速载波通信动态路由方法及系统,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种高速载波通信动态路由方法,包括,
获取当前入网站点的所有候选网络;
将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;
将当前入网站点加入最优网络标识符对应的候选网络。
训练BP神经网络的过程为,
采用遗传算法,获得最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本;
用最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本,训练BP神经网络。
在遗传算法中,计算最优个体适应度和平均适应度,根据最优个体适应度和平均适应度的差值调整交叉概率和变异概率。
当最优个体适应度和平均适应度的差值为0时,交叉概率调整为0.7;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为1。
当最优个体适应度和平均适应度的差值为0时,变异概率调整为0.001;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为0.01。
在遗传算法的进化过程中,依次引入移民算子、相似个体过滤和动态补充,构建子代;其中,动态补充为将父代中适应度排序靠前的若干个个体随机进行若干次变异,产生出新个体,加入子代。
站点入网后,响应于第S级PCO代理站点发生转移,更新该级记录PCO代理站点的代理站点集合,第S+1级的代理站点集合根据第1~S级的代理站点集合内容进行更新/不更新;其中,第S+1级为第S级的下级。
一种高速载波通信动态路由系统,包括,
获取模块:获取当前入网站点的所有候选网络;
神经网络模块:将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;
入网模块:将当前入网站点加入最优网络标识符对应的候选网络。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行高速载波通信动态路由方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行高速载波通信动态路由方法的指令
本发明所达到的有益效果:本发明通过遗传算法训练BP神经网络,通过BP神经网络获取最优的候选网络,相较于传统的蚁群算法,运算时间更短。
附图说明
图1为本发明方法的流程图;
图2为训练BP神经网络的流程图;
图3为本发明与蚁群算法在不同种群个数下运行时间对比图;
图4为本发明与蚁群算法在不同迭代次数下运行时间对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
单网络组网基本流程:单独组网的过程,主要是中央协调器(CentralCoordinator,CCO)通过发送中央信标和安排发现信标发送,以及代理信标的发送,触发逐层级的站点(Station,STA)的网络接入请求,来完成整个组网过程,CCO需要给已经入网的STA站点分配终端设备标识(Terminal Endpoint Identifier,TEI),CCO的TEI固定为1,广播报文TEI为0xFFF,CCO分配TEI范围为1~1015。
CCO的组网行为如下:CCO上电后,首先启动邻居网络监听定时器,进行一段时间的网间协调帧的监听,以便发现是否存在邻居网络。如果CCO在监听的时间段内,收到邻居网络的网间协调帧,则与邻居网络进行协调,协调成功后开始发送中央信标,启动组网。如果CCO在监听的时间段内,没有接收到任何网间协调帧,则监听结束后,开始发送中央信标。
CCO在中央信标中,需要安排信标TDMA时隙和CSMA时隙。信标TDMA时隙,是用来指示CCO,代理协调器(Proxy Coordinator,PCO),或者STA发送信标。CSMA时隙,用于让CCO周围的一级站点,向CCO发起关联请求报文,请求接入网络;或者在CSMA时隙中,CCO等发送关联确认,关联汇总指示等报文。
如果有一级站点请求接入网络,CCO需要对请求接入网络的站点,通过白名单进行身份认证。之后,CCO可以将关联请求的处理结果,通过发送关联确认报文或者关联汇总指示报文告知给STA。
当一级站点接入网络后,CCO可以安排信标时隙,让新入网的一级站点发送发现信标。发现信标的发送,可以触发新入网站点周围的二级站点发起关联入网的请求。当二级站点入网后,CCO可以安排信标时隙,让新入网二级站点发送发现信标,触发该二级站点周围的三级站点发起关联入网请求。如此循环,以便距离CCO最远的最高层级的STA站点加入网络。CCO为0级,STA最大层级应支持到15级。
在组网过程中,每个信标周期内,CCO安排针对每个代理站点,都要安排信标时隙,让所有代理站点都发送代理信标。代理信标会将中央信标中的时隙安排等内容,逐层通知到各级代理站点和STA站点。
组网中,CCO对于一级站点的入网结果,可以通过关联确认报文,或者关联汇总指示报文进行通知。对于非一级STA站点的入网,CCO在处理该STA的关联请求后,将处理结果携带在生成的关联确认报文里,发送给该STA的代理站点,由该代理站点,通知给入网请求的STA站点。关联确认报文,以及关联汇总指示报文,都只能在CSMA时隙中进行发送。
STA的组网行为如下:STA上电后,可能会收到多个网络(网络标识符(NetworkIdentifier,NID)不同)的报文,STA站点可以根据多网络优选标志,在多个网络中,选定一个信号更好的网络,作为本站点的接入目标网络,也可以选择初次发现的网络作为接入目标网络。
STA在接入网络时,首先需要通过网络报文的接收和评估,选定其代理站点,这个代理站点可以是CCO,也可以是其他STA站点。选择代理站点的原则一般是信道质量较好,到达CCO的路径较短。选定代理站点后,需要按照信标中的指示发起关联请求报文,在信标的“开始关联标志位”为1的情况下,才可以发起关联请求,站点无TEI时,报文中的对应源TEI填0。STA的入网,是通过发送关联请求报文来通知CCO的,CCO根据关联请求报文,知道该STA的入网请求,并且进行确认回复。
STA在发送关联请求后,需要等待CCO处理关联请求报文后,CCO发送的关联确认报文或者关联汇总指示报文,或者代理站点发送的关联确认报文。STA根据报文中的“结果”判断是否入网成功。如果未收到关联确认或者关联汇总指示报文,可以重新发起关联请求;如果入网请求被拒绝,则STA可以根据重新关联时间,等待一段时间间隔后,再次请求入网,也可以选择另外一个网络(切换NID),请求加入网络。
STA收到关联汇总指示报文或者关联确认报文后,如果确认加入网络成功,则需要将CCO分配的TEI设置为自己的终端标识。
在组网过程中,入网成功的STA,CCO会在信标中安排该站点的信标时隙,STA站点如果解析到该时隙,则必须发送发现信标,以便触发下一级站点的组网。关联请求报文,只能在CSMA时隙中发送。
PCO的组网行为如下:STA在入网成功后,如果被CCO安排发送发现信标之后,该STA可能被下一级站点选择成为下一级站点的代理站点。
当一个STA被CCO确认成为代理站点后,CCO会分配该STA站点的信标时隙,指示该STA站点发送代理信标。CCO的安排通过信标帧来通知代理站点,当一个STA站点,解析信标时隙时,发现CCO安排了信标时隙,指示其发送代理信标,则该STA站点,需要设置自己的角色为PCO,并且需要按照CCO的安排时隙,进行代理信标发送。当一个站点成为PCO后,每个信标周期中,CCO都会安排其发送代理信标。
当一个STA站点通过代理站点入网时,CCO会将关联请求的处理结果,携带在关联确认报文中发送给STA的代理站点。该代理站点在处理完成后,需要将关联确认报文转发给STA站点。关联确认报文的转发等,只能在CSMA时隙中发送。
动态路由维护过程如下:动态路由维护,主要是指网络中的站点,需要实时的判断周边邻居站点的信道情况,选择更好的代理站点。
在网络组网的过程中,站点可以通过判断接收信标帧的情况,来判断周围站点的信道质量;在组网完成后,网络中主要的维护报文就是发现列表报文和信标帧,各级站点可以通过判断接收邻居站点的发现列表报文和信标帧的情况,以及邻居站点的变化情况选择更好的代理。
当STA站点评估出一个新的代理站点时,可以通过代理变更请求报文,向CCO发起代理变更请求。CCO根据网络拓扑的组成,可以在STA站点申请的备选代理中指定一个站点,作为STA站点的新代理。当CCO判断变更后的网络拓扑层级会超过层级上限(最大支持15个层级)时,不会响应代理变更请求,并且不会发送代理变更请求确认报文。
当一个新代理PCO被确认后,CCO需要发送代理变更确认报文等,将STA站点以及新代理PCO的情况,通过逐级代理转发给请求代理变更的站点。逐级代理在转发代理变更确认等报文的过程中,可以通过该报文中的“子站点条目”等信息,实时的刷新到达“子站点条目”中站点的间接路由。STA站点最终也可以根据“子站点条目”信息,刷新本地的直接路由和间接路由。
所以,在组网完成后,网络维护的过程中,全网站点的路由表项,主要通过代理变更的过程来完成实时刷新。
关联管理消息报文交互如下:未入网的STA站点,接收到发现信标后,根据信标中的“开始关联标志位”指示,产生关联请求报文,将该关联请求报文发送给候选代理站点。
已经入网的站点,在接收到关联请求报文后,可以直接将该报文转发给CCO,也可以将该报文重新生成,转发给自己的代理站点。
CCO收到关联请求报文后,对该站点的关联请求进行处理,用处理结果,生成关联确认报文,并且可以将新加入站点的层级,代理,路由信息等信息填充到报文中去。CCO将关联确认报文,发送给请求入网站点的最低层级的代理,最低层级的代理处理完成后,重新生成关联确认报文,携带CCO填充的内容,发送给下一个层级的代理站点。如此,从CCO到请求入网的STA站点,沿路的所有代理站点,都需要处理关联确认报文,并且生成关联确认报文。该阶段的关联确认报文发送类型为单播,报文中ODTEI字段是下一层级代理的TEI,ODA字段是下一层级代理的MAC地址。最后一级的代理站点,处理关联确认报文后,同样生成关联确认报文,携带CCO填充的内容,发送给请求入网的STA站点,报文发送类型为本地广播,广播方向为双向广播。
一级站点申请入网时,CCO可以将所有的关联请求报文处理后,将处理结果汇总,生成关联汇总指示报文,广播发送给一级站点。CCO也可以对请求入网的一级站点,一个一个的回复关联确认报文。
在分析上述低压电力线载波通信网络的组网特点基础上,提出了如图1所示的一种高速载波通信动态路由方法,包括以下步骤:
步骤1,获取当前入网站点的所有候选网络,具体获得候选网络的网络标识符(每个高速载波通信网络都有一个唯一的NID网络标识符)和信噪比。
步骤2,将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符。
BP神经网络根据通过遗传算法训练获得,具体过程如下:
B1)采用遗传算法,获得最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本。
B2)用最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本,训练BP神经网络。
获取若干组网络标识符,采用遗传算法,获得各组最优的网络标识符,这些最优的网络标识符构成了最优网络标识符样本,最优初始权值和最优初始阈值也类似;通过这些样本训练的BP神经网络可直接用于获取全局最优的网络标识符。
本发明中对传统的遗传算法进行了改进,在遗传算法中,计算最优个体适应度和平均适应度,根据最优个体适应度和平均适应度的差值调整交叉概率和变异概率,在遗传算法的进化过程中,依次引入移民算子、相似个体过滤和动态补充,构建子代。
改进后的遗传算法步骤如下:
A1)初始化。
A2)适应度评估:适应度表明个体或解的优劣性。
A3)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代为下一代繁殖子孙。选择算子设计了最佳保留选择,即在每一代群体中选择最接近最优解的个体站点作为下一代群体中的第一个个体站点。
交叉概率根据fmax与的差值进行自适应调整,差值越小越好,当最优个体适应度和平均适应度的差值为0时,交叉概率调整为0.7;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为1。这样让个体的平均适应度和最优适应度进行最佳逼近。
A5)变异:变异首先在群体中随机选择一个个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。对由交叉操作产生的新个体,按变异概率进行变异产生新的个体站点。
变异概率根据fmax与的差值进行自适应调整,当最优个体适应度和平均适应度的差值为0时,变异概率调整为0.001;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为0.01。这样让个体的平均适应度和最优适应度进行最佳逼近。
A6)动态调整子代个体。
为了防止早熟收敛,在进化过程可对群体的个体进行动态调整,包括依次引入移民算子、相似个体过滤和动态补充。
移民算子是避免早熟的一种好方法。在移民的过程中不仅可以加速淘汰差的个体,而且增加解的多样性。移民算子就是在每一代进化过程中以一定的淘汰率(一般取15%~20%)将最差个体淘汰,然后用产生的新个体代替的操作。
为了加快收敛速度,可采用相似个体过滤的操作,减少基因的单一性。相似个体过滤为:对子代个体按适应度排序,依次计算适应度差值小于门限delta的相似个体间的广义海明距离。如果同时满足适应度差值小于门限delta,广义海明距离小于门限d,就滤除其中适应度较小的个体。
过滤操作后,进行动态补充,从优秀的父代个体中变异产生新个体。将父代中适应度排序靠前的若干个个体随机进行若干次变异,产生出新个体,加入子代。这些新个体继承了父代较优个体的模式片段,并产生新的模式,易于与其他个体结合生成新的较优子代个体。而且增加的新个体的个数与过滤操作删除的数量有关。如果群体基因单一性增加,则被滤除的相似个体数目增加,补充的新个体数目随之增加;反之,则只少量滤除相似个体,甚至不滤除,补充的新个体数目也随之减少。这样动态解决群体由于缺乏多样性而陷入局部解的问题。
训练的具体过程如图2所示:
S1)初始化误差函数,用一组网络标识符初始化群体;
S2)编码;
S3)适应度评估,计算最优适应度和平均适应度;
S4)选择适应度高的染色体进行复制;
S5)交叉;
S6)变异;
S7)动态调整子代个体产生新群体;
S8)若满足迭代条件,则下一步,否则,调到第S3步;
S9)解码;
S10)得到最优网络标识符;
经过上述步骤S1~S10可到的最优网络标识符,对多组进行处理后即可得到最优网络标识符样本;
S11)对BP神经网络的初始权值和阈值编码,得到初始种群;
S12)重复第3步至第9步,得到BP神经网络最优初始权值和BP神经网络最优初始阈值;
同样经过多组,可得到BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本;
S13)利用最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本,训练BP神经网络;
S14)利用测试样本测试网络。
步骤3,将当前入网站点加入最优网络标识符对应的候选网络。
站点入网后,响应于第S级PCO代理站点发生转移,更新该级记录PCO代理站点的代理站点集合,定义第S+1级为第S级的下级,第S+1级的代理站点集合根据第1~S级的代理站点集合内容进行更新/不更新。
当S+1级代理站点集合中的元素与第1~S级代理站点集合中的所有元素不存在重复,则S+1级代理站点集合不更新,否则进行更新。这样保证各级的PCO代理站点均不相同,避免重复接入。
更新后的代理站点集合传递至路由表,实现路由表更新。
将上述方法与现有的蚁群算法进行比对,结果如下:
图3为本发明提出的方法与蚁群算法在不同种群大小条件下运行时间对比图。种群个数越多,运行时间越长。本发明提出的算法比蚁群算法运行时间快很多。在250代种群条件下,本发明提出的算法运行时间仅需要1.3秒,而蚁群算法运行时间需要2.8秒。
图4为本发明提出的算法与蚁群算法在不同迭代次数条件下运行时间对比图。迭代次数越多,运行时间越长。本发明提出的算法比蚁群算法运行时间快很多。在10000次迭代后,本发明提出的算法运行时间仅需要5.5秒,而蚁群算法运行时间需要8.8秒。
通过上述比对可得,上述方法通过遗传算法训练BP神经网络,通过BP神经网络获取最优的候选网络,相较于传统的蚁群算法,运算时间更短。
一种高速载波通信动态路由系统,包括,
获取模块:获取当前入网站点的所有候选网络;
神经网络模块:将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;
入网模块:将当前入网站点加入最优网络标识符对应的候选网络。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行高速载波通信动态路由方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行高速载波通信动态路由方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种高速载波通信动态路由方法,其特征在于:包括,
获取当前入网站点的所有候选网络;
将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;
将当前入网站点加入最优网络标识符对应的候选网络。
2.根据权利要求1所述的一种高速载波通信动态路由方法,其特征在于:训练BP神经网络的过程为,
采用遗传算法,获得最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本;
用最优网络标识符样本、BP神经网络最优初始权值样本和BP神经网络最优初始阈值样本,训练BP神经网络。
3.根据权利要求1或2所述的一种高速载波通信动态路由方法,其特征在于:在遗传算法中,计算最优个体适应度和平均适应度,根据最优个体适应度和平均适应度的差值调整交叉概率和变异概率。
4.根据权利要求3所述的一种高速载波通信动态路由方法,其特征在于:当最优个体适应度和平均适应度的差值为0时,交叉概率调整为0.7;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为1。
5.根据权利要求3所述的一种高速载波通信动态路由方法,其特征在于:当最优个体适应度和平均适应度的差值为0时,变异概率调整为0.001;当最优个体适应度和平均适应度的差值不为0时,交叉概率调整为0.01。
6.根据权利要求1或2所述的一种高速载波通信动态路由方法,其特征在于:在遗传算法的进化过程中,依次引入移民算子、相似个体过滤和动态补充,构建子代;其中,动态补充为将父代中适应度排序靠前的若干个个体随机进行若干次变异,产生出新个体,加入子代。
7.根据权利要求1所述的一种高速载波通信动态路由方法,其特征在于:站点入网后,响应于第S级PCO代理站点发生转移,更新该级记录PCO代理站点的代理站点集合,第S+1级的代理站点集合根据第1~S级的代理站点集合内容进行更新/不更新;其中,第S+1级为第S级的下级。
8.一种高速载波通信动态路由系统,其特征在于:包括,
获取模块:获取当前入网站点的所有候选网络;
神经网络模块:将候选网络的网络标识符输入训练好的BP神经网络,得到最优的网络标识符;其中,BP神经网络根据通过遗传算法训练获得;
入网模块:将当前入网站点加入最优网络标识符对应的候选网络。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150381.7A CN111382842A (zh) | 2020-03-06 | 2020-03-06 | 一种高速载波通信动态路由方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150381.7A CN111382842A (zh) | 2020-03-06 | 2020-03-06 | 一种高速载波通信动态路由方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382842A true CN111382842A (zh) | 2020-07-07 |
Family
ID=71219770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010150381.7A Pending CN111382842A (zh) | 2020-03-06 | 2020-03-06 | 一种高速载波通信动态路由方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382842A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950853A (zh) * | 2020-07-14 | 2020-11-17 | 东南大学 | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 |
CN113949412A (zh) * | 2021-09-08 | 2022-01-18 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 高速电力线载波通信网络的优化方法 |
CN113949415A (zh) * | 2021-09-23 | 2022-01-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高速电力线载波通信网络的代理变更评估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
-
2020
- 2020-03-06 CN CN202010150381.7A patent/CN111382842A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
Non-Patent Citations (2)
Title |
---|
王有东: "机会网络的路由研究与节点设计", 《硕士电子期刊》, no. 02, pages 20 - 43 * |
雷英杰等主编: "MATLAB遗传算法工具箱及应用", 西安电子科技大学出版社, pages: 98 - 99 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950853A (zh) * | 2020-07-14 | 2020-11-17 | 东南大学 | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 |
CN111950853B (zh) * | 2020-07-14 | 2024-05-31 | 东南大学 | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 |
CN113949412A (zh) * | 2021-09-08 | 2022-01-18 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 高速电力线载波通信网络的优化方法 |
CN113949412B (zh) * | 2021-09-08 | 2023-06-09 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 高速电力线载波通信网络的优化方法 |
CN113949415A (zh) * | 2021-09-23 | 2022-01-18 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高速电力线载波通信网络的代理变更评估方法及装置 |
CN113949415B (zh) * | 2021-09-23 | 2022-09-13 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高速电力线载波通信网络的代理变更评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382842A (zh) | 一种高速载波通信动态路由方法及系统 | |
Bejerano et al. | Fairness and load balancing in wireless LANs using association control | |
TWI451779B (zh) | 在複數個字典間做選擇之方法及裝置 | |
CN113949415B (zh) | 一种高速电力线载波通信网络的代理变更评估方法及装置 | |
KR101813822B1 (ko) | D2d 발견 신호의 송신 방법과 송신 장치 | |
CN110087273B (zh) | 无线传感器网络分簇路由的方法、无线传感器网络协议平台 | |
US20090010225A1 (en) | Methods and Apparatus for RF Handoff in a Multi-Frequency Network | |
WO2022105612A1 (zh) | 检测心跳的通信方法、系统、设备及存储介质 | |
US20210258385A1 (en) | Configuring quality of service | |
CN102833789B (zh) | 一种用于lte网络的负载均衡方法 | |
CN105828385A (zh) | 一种基于sdn的wlan集中式的ap选择机制 | |
Huang et al. | Deep reinforcement learning-based dynamic spectrum access for D2D communication underlay cellular networks | |
CN108366438B (zh) | 大规模自组织无线通信的生成簇组网方法和生成簇网络 | |
CN112839339A (zh) | 一种系统信息发送方法、网络设备、基站及存储介质 | |
WO2012171362A1 (zh) | 一种构建多点协作传输小区协作集的方法及装置 | |
CN103188750B (zh) | 切换方法、节点和系统 | |
CN114374721A (zh) | 一种面向电力物联网的电力线与无线通信融合方法及系统 | |
Aslam et al. | Performance analysis of clustering algorithms for content-sharing based D2D Enabled 5G networks | |
Anand et al. | A machine learning solution for video delivery to mitigate co-tier interference in 5G HetNets | |
Moghaddam et al. | Efficient clustering for multicast device-to-device communications | |
WO2011110104A1 (zh) | 终端接入方法、设备及系统 | |
Agarwal et al. | A low complexity ML-assisted multi-knapsack-based approach for user association and resource allocation in 5G HetNets | |
CN107360595A (zh) | 一种IEEE802.11s下基于动态分簇的多网关WMN负载均衡实现方法 | |
CN112770339B (zh) | 一种协作小区确定方法及装置 | |
WO2013029470A1 (zh) | 无线网络编码管理方法和系统 |
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 |